Ontology Revision based on Pre-trained Language Models
Nanjing University of Posts and Telecommunications（南京邮电大学）；Jilin University（吉林大学）；Southeast University（东南大学）
本文提出基于预训练语言模型的本体修订方法，通过定义四个评分函数和两种修订算法处理不可满足概念，在19个本体对上验证了有效性。
2023-12-26 cs.AI
A Note on Ontology and Ordinary Language
Computing and Statistical Sciences Center（计算与统计科学中心）；American Institutes for Research（美国研究院）
我们主张一种基于强类型本体的组合语义，它反映了我们对世界的常识性看法和我们谈论它的方式。假设这样一种结构，我们表明，各种自然语言现象的语义可能变得几乎微不足道。
2007-05-07 cs.AI cs.CL
Temporal Description Logic for Ontology-Based Data Access (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Liverpool（利物浦大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
我们的目标是调查基于本体的数据访问时间的有效性时间和本体能够时间概念建模的时态数据。为此，我们设计了一个时态描述逻辑，TQL，扩展了标准的本体语言OWL 2 QL，提供了基本的手段，时间概念建模，并确保一阶重写适当定义的数据实例的有效期的合取查询。
2013-04-30 cs.AI cs.LO
Modelling Concurrent Behaviors in the Process Specification Language
University of Toronto（多伦多大学）
本文提出了广义分层序结构的一阶本体。然后，我们分类的理论模型，使用模型理论的技术。讨论了该本体到过程规约语言核心理论的本体映射。
2009-07-16 cs.AI
AceWiki: Collaborative Ontology Management in Controlled Natural Language
University of Zurich（苏黎世大学）
AceWiki是一个原型，它展示了使用受控自然语言的语义维基-在我们的例子中是Attempto Controlled English（ACE）-可以使本体管理对每个人都很容易。ACE中的句子可以自动转换为一阶逻辑、OWL或SWRL。AceWiki集成了OWL推理器Pellet，并确保本体总是一致的。以前的结果表明，没有逻辑背景的人能够在没有事先指导或培训的情况下将形式知识添加到AceWiki。
2008-07-29 cs.AI cs.HC
Investigating Language Model Capabilities to Represent and Process Formal Knowledge: A Preliminary Study to Assist Ontology Engineering
Université Côte d’Azur（法国滨海大学）；Inria（法国国家信息与自动化技术研究所）；CNRS（法国国家科学研究中心）；I3S（国际科学计算研究所）；Sophia Antipolis, France（法国索菲亚大学）；Data ScienceTech Institute (DSTI)（数据科学技术研究所）
本文探究将形式化方法引入小语言模型（SLMs）以提升推理能力，发现用紧凑逻辑语言替代自然语言在推理任务上仍能保持高性能，从而辅助本体工程。
2025-09-12 cs.AI
Assessing the Capability of Large Language Models for Domain-Specific Ontology Generation
University of Bologna, Italy（博洛尼亚大学，意大利）；ISTC-CNR, Italy（ISTC-意大利国家研究理事会）；Linköping University, Sweden（林雪平大学，瑞典）
本研究探讨了大型语言模型在自动本体生成中的应用，通过95个能力问题测试DeepSeek和o1-preview在六个领域的表现，发现其性能跨领域高度一致，验证了LLM在可扩展、领域无关本体构建中的潜力。
2025-04-24 cs.AI
Prompt-Time Ontology-Driven Symbolic Knowledge Capture with Large Language Models
Haltia, Inc.（哈尔蒂亚公司）
本文利用本体和知识图谱方法，通过训练语言模型从用户提示中捕获个人信息，并构建数据集评估捕获效果。
2024-05-22 cs.AI cs.CL
Towards Ontology-Mediated Planning with OWL DL Ontologies (Extended Version)
University of Oslo（奥斯陆大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文提出通过接口分离规划规约与 OWL DL 本体，并将本体介导规划问题数据依赖地重写为经典规划问题，以复用现有规划工具。
2023-08-16 cs.AI cs.LO
Towards Ontology Construction with Language Models
Leipzig University（莱比锡大学）；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据分析与人工智能中心（ScaDS.AI））；School of Embedded Composite Artificial Intelligence (SECAI)（嵌入式复合人工智能学院（SECAI））；TU Dortmund University（多特蒙德工业大学）
本文提出利用大型语言模型自动构建领域概念层级，并通过GPT 3.5在多个领域验证了其有效性。
2023-09-18 cs.AI
Facets, Tiers and Gems: Ontology Patterns for Hypernormalisation
Newcastle University（纽卡斯尔大学）；University of Manchester（曼彻斯特大学）
有许多方法和技术可以简化本体构建的任务。在这里，我们描述了其中两个交叉点：本体规范化和完全编程的本体开发。其中第一个描述了一个本体的标准化组织，具有单独继承的独立实体，以及一些细化实体的小分类。前者是根据后者来描述和定义的，用于管理独立实体的多层次结构。完全程序化开发是一种技术，其中本体是使用程序设计语言内的领域特定语言开发的，这意味着除了定义本体实体外，还可以在同一环境中添加任意模式或新语法。我们描述了如何使用新的模式，使一种新的风格的本体开发，我们称之为超规范化。
2017-11-20 cs.AI
Commonsense Ontology Micropatterns
Kansas State University（堪萨斯州立大学）；Wright State University（莱特州立大学）
针对 MOMo 缺乏可直接使用的本体设计模式这一问题，本文利用 LLM 的常识知识整理 104 个常见名词模式，构建完全标注且可与 MOMo 配合使用的模块化本体设计库。
2024-02-28 cs.AI cs.LO
Evo-DKD: Dual-Knowledge Decoding for Autonomous Ontology Evolution in Large Language Models
Radian Group Inc.（Radian集团）；Sri Sivasubramaniya Nadar College Of Engineering（纳德工程学院）
研究针对本体和知识图谱进化难题，提出Evo-DKD双解码器框架，结合结构化遍历与非结构化推理，通过动态注意力机制协调，经模拟在单流模式下近似双解码，实验证明其在多领域用例中优于基线，为知识库维护提供新范式。
2026-07-28 cs.AI
Language Models as Ontology Encoders
The University of Manchester（曼彻斯特大学）；Amazon（亚马逊）；SNOMED International（SNOMED国际）；University of Oxford（牛津大学）
本文提出本体嵌入方法 OnT，通过在双曲空间中微调预训练语言模型，同时融合文本标签并保留描述逻辑结构，在公理预测与推断任务上优于现有方法。
2025-07-18 cs.AI
Reasoning in the OWL 2 Full Ontology Language using First-Order Automated Theorem Proving
FZI Research Center for Information Technology（FZI信息技术研究中心）；University of Miami（迈阿密大学）
OWL 2已经被万维网联盟（W3C）标准化为语义网的本体语言家族。这些语言中最具表现力的是OWL 2 Full，但迄今为止还没有为这种语言实现reasoner。一致性和蕴涵检查对于OWL 2 Full来说是不可判定的。我们已经将OWL 2 Full语义的一个大片段翻译成一阶逻辑，并使用自动定理证明系统来基于该理论进行推理。结果是有希望的，并表明，这种方法可以应用于实践中有效的OWL推理，超出了目前的语义Web推理的能力。这是在CADE 2011，LNAI 6803，pp上发表的同名论文的扩展版本。446-460.扩展版本提供了附录，其中包含在报告的评价中使用的其他资源。
2011-07-31 cs.AI
Towards an Ontology based integrated Framework for Semantic Web
Electronic Research Institute（电子研究所）；Al-Azhar University（爱资哈尔大学）
这种本体被广泛用于解决网络上的信息异构性问题，因为它们的能力，提供明确的意义的信息。它们成为以结构化方式进行知识表示的有效工具。对于同一个领域，总是有多个本体。此外，没有一个标准的方法来构建本体，有许多本体构建工具使用不同的本体语言。由于这些原因，本体之间的互操作性非常低。目前的本体工具大多使用函数来建立、编辑和推理本体。在大多数工具中没有包含用于合并异构领域本体的方法。本文提出了一种本体合并方法，用于从异构的可扩展置标语言（XML）数据源中构建一个全局本体，以捕获和维护XML数据源所能包含的所有知识
2013-05-30 cs.AI
The African Wildlife Ontology tutorial ontologies: requirements, design, and content
University of Cape Town（开普敦大学）
背景大多数教程本体侧重于说明本体开发的一个方面，特别是语言功能和自动推理机，但忽略了本体开发的因素，如紧急建模指南和本体论原则。然而，初学者从他们进行的练习中复制例子。不提供好的例子整体上导致传播次优本体开发，这可能会对一个真正的领域本体的质量产生负面影响。结果我们确定了22个要求，一个好的教程本体应该满足有关学科领域，逻辑和推理，工程方面。我们开发了一套关于非洲野生动物的本体论作为教程本体论。大部分的要求已经满足了一套非洲野生动物本体教程本体，这是本文介绍的。非洲野生动物本体是成熟的，自2010年以来每年都在本体工程课程或教程中使用，并被纳入最近的本体工程教科书，其中有相关的例子和练习。结论非洲野生动物本体论提供了广泛的选择有关的例子和练习的本体工程远远超出了只说明语言功能和自动推理。它有助于演示有关本体质量的任务，例如与基础本体的对齐和满足能力问题、版本控制和多语言本体。
2019-05-23 cs.AI
Language Model Analysis for Ontology Subsumption Inference
University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）；City, University of London（伦敦城市大学）；University of Oslo（奥斯陆大学）
本文提出OntoLAMA探测任务和数据集，评估预训练语言模型在本体包含推理上的知识，发现其背景知识少于NLI，但少量样本可显著提升性能。
2023-05-08 cs.AI cs.CL cs.LO
Azhary: An Arabic Lexical Ontology
Azhar University（爱资哈尔大学）
阿拉伯语是闪米特语系中使用最多的语言，也是世界上最常见的语言之一，有超过4.22亿人使用。它对穆斯林也至关重要，它是伊斯兰圣书（古兰经）的神圣语言，伊斯兰教的祈祷（和其他崇拜行为）只能通过掌握一些阿拉伯语单词来完成。阿拉伯语也是阿拉伯世界许多基督教教堂的主要仪式语言，在中世纪也用于撰写一些知识和宗教犹太书籍。尽管如此，有没有语义阿拉伯语词汇的研究人员可以依靠。在本文中，我们介绍Azhary作为一个词汇本体的阿拉伯语。它将阿拉伯语的单词分为同义词集合，并记录了单词之间的一些关系，如同义词，反义词，上位词，下位词，部分词，全词和联想关系。本体包含26，195个单词，组织在13，328个同义词集中。它已经开发和对比AWN，这是最常见的阿拉伯语词汇本体。
2014-11-07 cs.AI cs.CL
HCOE: Hyperbolic Clinical Ontology Embeddings from Biomedical Language Models
McGill University（麦吉尔大学）；Northwestern University（西北大学）；Ohio University（俄亥俄大学）
针对生物医学语言模型未显式保留医学代码层级的问题，提出双曲临床本体嵌入（HCOE），将BioBERT嵌入映射至庞加莱球，结合本体引导对比学习与路径聚合，在ICD/ATC关系预测及MIMIC-IV多项临床任务上取得最优性能。
2026-09-28 cs.AI cs.LG
Ontology Matching with Knowledge Rules
University of Oregon（俄勒冈大学）
本体匹配是自动确定两个本体概念之间的语义等价关系的过程。大多数本体匹配算法基于两种类型的策略：基于术语的策略，其根据概念的名称或描述来对齐概念，以及基于结构的策略，其利用概念层次来找到对齐。在许多领域中，存在关于以各种方式表示的概念的关系的附加信息，例如贝叶斯网络、决策树和关联规则。我们建议使用这些关系之间的相似性，以找到更准确的比对。我们通过定义软约束来实现这一点，软约束优选对齐，其中相应的概念具有编码为知识规则的相同的局部关系。我们使用一个概率框架，将这种新的基于知识的策略与标准的基于术语和基于结构的策略相结合。此外，我们的方法在识别复杂概念之间的对应关系方面特别有效。我们的方法实现了更好的F-分数比以前的国家的最先进的三个本体匹配域。
2015-07-11 cs.AI
Integration of the DOLCE top-level ontology into the OntoSpec methodology
这份报告描述了一个新版本的OntoSpec方法本体建设。OntoSpec由LaRIA知识工程团队（法国亚眠的皮卡第儒勒凡尔纳大学）定义，旨在帮助构建者对本体知识进行建模（正式表示的上游）。该方法依赖于一套严格定义的建模原语和原则。它的应用导致了一个半非正式的本体，这是独立的知识表示语言的阐述。我们最近丰富了OntoSpec方法，赋予它一个新的资源，DOLCE顶级本体定义在LOA（IST-CNR，特伦托，意大利）。这种集成的目标是为建模者提供额外的帮助，以构建应用程序本体，同时保持独立于正式表示语言。在这份报告中，我们首先提供了OntoSpec方法的一般原则的概述，然后描述了DOLCE重新设计过程。DOLCE-OS的完整版本（即半非正式OntoSpec语言的DOLCE规范）在附录中给出。
2005-10-18 cs.AI
Guidelines for a Dynamic Ontology - Integrating Tools of Evolution and Versioning in Ontology
University of Bourgogne - Dijon（勃艮第-第戎大学）
本体论建立在概念上随时间演变的系统上。此外，构建本体的技术和语言也在发展。这导致了本体版本化和本体进化领域的大量研究。本文提出了一种新的方法来管理生命周期的本体结合版本化工具和演化过程。这个解决方案，称为VersionGraph，自创建以来就集成在源本体中，以便能够发展和版本化。变更管理与表示本体的模型密切相关。因此，我们专注于OWL语言，以考虑到的变化的影响，如OWL DL中指定的本体的逻辑一致性。
2012-08-08 cs.AI cs.SE
Ontology-Guided Neuro-Symbolic Inference: Grounding Language Models with Mathematical Domain Knowledge
Advanced Institute for Artificial Intelligence (AI2)（人工智能研究院）
本研究通过引入形式化数学本体，提升语言模型在数学推理任务中的可靠性，验证了神经符号方法在增强形式化 grounding 方面的潜力与挑战。
2026-09-02 cs.AI cs.LG cs.SC
Language, logic and ontology: uncovering the structure of commonsense knowledge
本文的目的是双重的：（一）我们认为，常识知识的结构必须被发现，而不是发明;（二）我们认为，自然语言，这是最有名的理论，我们的（共享）常识知识，本身应该被用来作为一个指南，发现常识知识的结构。除了提出一个系统的方法来发现常识知识的结构，我们提出的方法似乎也提供了一个解释自然语言中的一些现象，如隐喻，内涵，和名词性复合词的语义。诚然，我们的最终目标是相当雄心勃勃的，它不亚于系统地“发现”一个良好类型的常识知识本体论，并随后制定了期待已久的意义代数的目标。
2006-10-17 cs.AI math.LO
OntoChat: a Framework for Conversational Ontology Engineering using Language Models
King’s College London（伦敦国王学院）；Cefriel – Politecnico di Milano（Cefriel - 米兰理工大学）；Vienna University of Economics and Business（维也纳经济大学）；Universidad Politécnica de Madrid（马德里理工大学）
针对大型项目中多方交互导致的本体工程需求获取歧义与人工依赖问题，提出对话式本体工程框架OntoChat，支持需求获取、分析和测试，通过对话代理辅助用户故事创建、胜任力问题提取及早期本体测试，并在Music Meta Ontology复制实验中验证了有效性。
2024-04-26 cs.AI
DLOLIS-A: Description Logic based Text Ontology Learning
DA-IICT（印度信息技术学院）
本体学习在过去的十年里一直是深入研究的主题。在这一领域的研究人员一直受到激励的可能性，自动建立一个知识库的顶部的文本文件，以支持推理为基础的知识提取。虽然这一领域的大多数工作主要是统计的（称为轻量级本体学习），但在从自然语言文本文档中进行公理化本体学习（称为重量级本体学习）方面没有进行太多尝试。与统计本体学习相比，重量级本体学习支持更精确的基于形式逻辑的推理。本文提出了一个良好的本体学习工具DLOL_（IS-A），它将英语IS-A语句映射成其等价的描述逻辑表达式，自动生成一对一致的T-box和A-box，从而形成规则（定义形式）和广义（公理形式）的描述逻辑本体。本文目前的研究范围仅限于IS-A句，排除了以下可能的结构：（i）隐含IS-A句，（ii）“Wh”IS-A疑问句。其他语言的细微差别，产生了语用学和认知的是-A句超出了本工作的范围。我们采用了黄金标准的本体学习评估选择IS-A丰富的维基百科文档。
2013-03-24 cs.AI
The design and implementation of Language Learning Chatbot with XAI using Ontology and Transfer Learning
Division of Science and Technology, Beijing Normal University-Hong Kong Baptist University United International College（北京师范大学-香港浸会大学联合国际学院科技学部）
本文提出了一种基于迁移学习的英语学习聊天机器人，该机器人使用GPT-2生成的输出可以用基于微调数据集的本体图来解释。我们为系统的英语学习设计了三个层次，包括用于语音识别和发音纠正的语音层次，用于特定领域会话的语义层次，以及模拟英语中的自由式会话-作为自由式会话代理的语言聊天机器人通信的最高层次。在学术贡献方面，我们实现了本体图来解释自由式会话的性能，遵循XAI（可解释人工智能）的概念来可视化仿生学中的神经网络的连接，并解释从语言模型输出的句子。从实现的角度来看，语言学习代理集成了微信中的小程序作为前端，微调了迁移学习的GPT-2模型作为后端，通过本体图解释响应。
2020-09-29 cs.AI cs.CL cs.LG
KNOW: A Real-World Ontology for Knowledge Capture with Large Language Models
Haltia, Inc.（哈尔蒂亚公司）
提出首个真实世界本体 KNOW，通过捕获人类生活普遍知识增强大语言模型，并提供 12 种编程语言库以促进 AI 互操作性与开发体验。
2024-05-30 cs.AI cs.CL
NOEM$^{3}$A: a Neuro-symbolic Ontology-Enhanced Method for Multi-intent understanding in Mobile Agents
Huawei Heisenberg Research Center（华为海森堡研究中心）；Technical University of Munich（慕尼黑技术大学）
提出NOEM$^{3}$A，一种轻量级神经符号层，通过意图本体增强紧凑语言模型，在低延迟和隐私约束下提升移动代理的自然语言理解准确率。
2026-06-23 cs.AI
Membership Function Assignment for Elements of Single OWL Ontology
本文提出了OWL（Web本体语言）本体元素的隶属函数分配的思想，以便随后从该本体生成模糊规则。OWL本体元素的隶属函数分配任务已经部分描述，但这涉及同一领域的多个OWL本体可用并将它们合并到单个本体中的情况。本文的目的是提出的情况下，只有一个可用的本体OWL本体元素的隶属函数分配的方法。从OWL本体生成的模糊规则是语义网专家系统知识库的必要补充。SWES是一个专家系统，它将能够从OWL本体中提取知识，在Web中找到，并将作为一个通用的专家为用户。
2014-11-12 cs.AI
Ontology-based Fuzzy Markup Language Agent for Student and Robot Co-Learning
National University of Tainan（台南大学）；Tokyo Metropolitan University（东京都立大学）
提出了一种基于领域本体、机器学习机制和模糊置标语言（FML）的智能机器人Agent，用于学生和机器人的协同学习。建立了人机协同学习模型，根据学生的学习能力和表现，帮助学生学习数学概念。同时，机器人还充当老师的助手，与课堂上的孩子们共同学习。将基于FML的知识库和规则库嵌入到机器人中，以便教师可以从机器人中获得学生是否取得进步的反馈。其次，根据学习内容的难易程度、学生的能力、注意力的集中程度、以及课堂上的团队合作精神，推断学生的学习表现。实验结果表明，与机器人的学习是有帮助的弱势和基础以下的儿童。此外，在机器学习机制之后，基于FML的智能代理用于学生学习的准确性得到提高。
2018-01-26 cs.AI
OntoBook: Ontology-Grounded Synthetic Textbooks for Medical Encoder Pretraining
研究提出OntoBook方法，将医学本体结构转为预训练信号，经随机游走、大语言模型重述等三阶段，用生成文本训练法语编码器，在多基准测试中有显著改进，强调目标对齐必要，还发布了相关教科书与模型检查点。
2026-07-22 cs.AI
Towards Unveiling the Ontology Key Features Altering Reasoner Performances
Faculty of Sciences of Tunis, University of Tunis EL Manar（突尼斯艾尔马纳尔大学突尼斯理学院）；University of Paris 8（巴黎第八大学）
本体推理是描述逻辑的核心研究领域之一。各种高效的推理与高度优化的算法已经被开发，以允许推理任务的表达本体语言，如OWL（DL）。然而，reasoner报告的计算时间已经超过，有时落后于预期的理论值。从经验的角度来看，它还没有很好地理解，在本体中的特定方面是推理机性能下降的因素。在本文中，我们进行了一项关于艺术作品的调查，试图描绘推理经验行为和特定的本体论特征之间的潜在相关性。对这些作品进行了分析，然后进行了分类。此外，我们提出了一套本体特征，涵盖了广泛的结构和句法本体特征。我们声称，这些功能是很好的指标，对推理任务的本体硬度水平。
2015-09-29 cs.AI cs.IR cs.LO
From 3D Point Clouds To Semantic Objects An Ontology-Based Detection Approach
本文提出了一种基于知识的检测对象的方法，使用OWL本体语言，语义Web规则语言，和3D处理内置的目的是结合几何分析的3D点云和专家的知识。这种组合允许检测和注释点云中包含的对象。该研究的背景是铁路对象，如信号，技术橱柜，电线杆等的检测，因此，所产生的丰富和填充的本体，它包含在点云中的对象的注释，用于饲料GIS系统或IFC文件的架构目的。
2013-01-21 cs.AI cs.CG
SWRL2SPIN: A tool for transforming SWRL rule bases in OWL ontologies to object-oriented SPIN rules
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
语义Web规则语言（SWRL）将OWL（Web本体语言）本体与规则置标语言（RuleML）家族的Horn逻辑规则相结合。它得到了本体编辑器、规则引擎和本体推理器的支持，已经成为在本体之上开发基于规则的应用程序的一个非常流行的选择。然而，SWRL可能不会成为WWW联盟的标准，禁止工业接受。另一方面，SPIN（SPARQL推理表示法）已经成为事实上的行业标准，以表示SPARQL规则和语义Web模型的约束，建立在SPARQL（SPARQL协议和RDF查询语言）的广泛接受。在本文中，我们认为，现有的SWRL规则为基础的本体应用程序的生命可以延长转换到SPIN。为此，我们已经开发了在Prolog的SWRL2SPIN工具，将SWRL规则转换为SPIN规则，考虑到面向对象的SPIN，即链接规则到适当的本体类和优化它们，通过分析规则的条件。
2022-12-08 cs.AI
Complex Ontology Matching with Large Language Model Embeddings
Universidade Federal Rural de Recife（累西腓联邦农村大学）
本文提出将 LLM 嵌入整合到基于对齐需求与 ABox 关系发现的表达性本体对应方法中，通过子图环境匹配及多项架构改进，使 F-measure 较基线提升 45%。
2025-02-19 cs.AI cs.CL
Contextual Semantic Embeddings for Ontology Subsumption Prediction
The University of Manchester（曼彻斯特大学）；Zhejiang University（浙江大学）；City, University of London（伦敦城市大学）；University of Oslo（奥斯陆大学）；University of Oxford（牛津大学）
自动化本体构建和策展是知识工程和人工智能中一项重要但具有挑战性的任务。通过上下文语义嵌入等机器学习技术进行预测是一个很有前途的方向，但相关研究仍处于初步阶段，尤其是对Web本体语言（OWL）中的表达型本体。在本文中，我们提出了一种新的包容预测方法命名为BERTSubs的OWL本体类。它利用预先训练的语言模型BERT来计算类的上下文嵌入，其中提出定制模板来并入类上下文（例如，相邻类）和逻辑存在性限制。BERTSubs能够预测多种包含者，包括来自同一本体或另一本体的命名类，以及来自同一本体的存在性限制。对三个不同包容任务的五个真实世界本体的广泛评估表明了模板的有效性，BERTSubs可以显着优于使用（文字感知）知识图谱嵌入，非上下文词嵌入和最先进的OWL本体嵌入的基线。
2023-03-18 cs.AI cs.CL
Le terme et le concept : fondements d'une ontoterminologie
Laboratoire Listic（LISTIC实验室）
本体的大多数定义，被视为“概念化的规范”，同意这样一个事实，即如果本体可以采取不同的形式，它必然包括术语的词汇表和与域的概念化有关的意义的一些规范。而领域知识主要通过科技文本来表达，我们希望从中提取一些有用的信息来构建本体。但就这么简单吗？在这篇文章中，我们将看到词汇结构，即由语言关系连接的单词网络，不一定与领域概念化相匹配。我们必须记住，编写文档是文本语言学的关注点，其中一个原则是文本的不完整性，而构建本体-被视为独立于任务的知识-关注的是基于形式语言而不是自然语言的概念化。然而，著名的萨皮尔和沃尔夫关于思维和语言相互依赖的假设也适用于形式语言。这意味着构建本体和定义概念的方式直接取决于所使用的形式语言;并且结果将不相同。引入本体术语的概念，可以考虑到认识论的原则，为正式的本体论建设。
2008-01-08 cs.AI
Ontology as a Source for Rule Generation
Riga Technical University（里加工业大学）
本文揭示了潜在的OWL（Web本体语言）本体生成的规则。本文的主要目的是确定新类型的规则，这可能是从OWL本体生成的。从OWL本体生成的规则是语义Web专家系统运行所必需的。语义网专家系统（SWES）将能够处理来自Web的本体，以补充甚至发展其知识库。
2014-04-18 cs.AI
Towards Self-explanatory Ontology Visualization with Contextual Verbalization
Institute of Mathematics and Computer Science, University of Latvia（拉脱维亚大学数学与计算机科学研究所）
本体是语义网的核心基础之一。要参与语义Web项目，领域专家需要能够理解所涉及的本体。可视化符号可以提供本体的概述，并帮助用户理解实体之间的联系。然而，用户首先需要学习视觉符号，然后才能正确地解释它。受控的自然语言表示将是立即可读的，并且在复杂公理的情况下可能是优选的，然而，本体的结构将保持不太明显。我们建议结合本体可视化与上下文本体verbalizations选定的本体（图）元素，显示控制自然语言（CNL）解释OWL公理对应于选定的视觉符号元素。因此，领域专家将受益于图形符号提供的高级概述和图中特定元素的详细文本解释。
2016-07-06 cs.AI cs.CL
Extracting ontology-compliant knowledge from scientific text describing irradiated materials using large language models
IBM Research（IBM研究院）；Univ. of Granada, Spain（格拉纳达大学）；IFMIF DONES, Spain（IFMIF DONES）；Instituto de Ciencia de Materiales de Madrid (ICMM)（马德里材料科学研究所）；CSIC, Spain（西班牙国家研究委员会）；Universidad de Alicante, Spain（阿利坎特大学）
本文提出eolas模块化流水线，利用大语言模型自动将科学文献转换为符合指定本体的知识图谱，并在辐照材料领域验证其高效性，同时引入首个基准数据集，通过168个实验总结出实用指南。
2026-09-16 cs.AI
OntoLogX: Ontology-Guided Knowledge Graph Extraction from Cybersecurity Logs with Large Language Models
Department of Information Engineering, University of Brescia, Italy（博洛尼亚大学信息工程系，意大利）；Department of Computer Science, University of Turin, Italy（都灵大学计算机科学系，意大利）；School of Computer Science and Informatics, Cardiff University, United Kingdom（卡迪夫大学计算机科学与信息学学院，英国）；Department of Electronics and Computer Science, University of Southampton, United Kingdom（南安普顿大学电子与计算机科学系，英国）
OntoLogX利用大型语言模型和知识图谱技术，从网络安全日志中提取结构化信息，通过检索增强生成和迭代校正，生成符合语义的知识图谱，并预测MITRE ATT&CK战术。
2026-04-24 cs.AI
Ontology Population using LLMs
Kansas State University（堪萨斯州立大学）；Wright State University（莱特州立大学）
本研究针对知识图谱填充成本高、非结构化文本提取难的问题，探究大语言模型结合提示工程与模块化本体的应用效果，发现其在Enslaved.org中心本体任务中可提取约90%的基准三元组。
2024-11-03 cs.AI cs.CL
Minimal Macro-Based Rewritings of Formal Languages: Theory and Applications in Ontology Engineering (and beyond)
Stanford University（斯坦福大学）；University of Oslo（奥斯陆大学）；University of Manchester（曼彻斯特大学）
本文提出形式语言的句法宏最小重写问题，给出多项式时间求解算法并验证正确性，应用于OWL生物医学本体可显著缩减规模，还为重写系统特性分析提供系统化方法。
2023-12-18 cs.AI cs.DB
Ontology Temporal Evolution for Multi-Entity Bayesian Networks under Exogenous and Endogenous Semantic Updating
这是一个挑战，任何知识库推理管理无处不在的不确定本体以及不确定的更新时间，同时以最小的计算成本达到可接受的服务水平。提出了一种面向开放交互系统的本体合并方法。一个解决方案，使用多实体贝叶斯网络与SWRL规则，和Java程序，提出了动态监测外生和内生的时间演化更新合并本体的概率框架上的语义Web。
2010-09-10 cs.AI cs.LO
Commonsense Knowledge, Ontology and Ordinary Language
American Institutes for Research（美国研究院）；University of Windsor（温莎大学）；American University of Beirut（贝鲁特美国大学）；AT&T Bell Labs（AT&T贝尔实验室）；MetLife（大都会人寿）；Cognos, Inc.（科格斯公司）
二十多年前，一场“相当大的革命”压倒性地取代了自然语言处理（NLP）中基于知识的方法，取而代之的是定量（例如，统计的、基于语料库的、机器学习）方法。虽然我们坚信，纯粹的定量方法不能是NLP的唯一范式，但对NLP构建大型知识库的纯粹工程方法的不满在某种程度上是合理的。在本文中，我们希望证明，这两种趋势都是部分误导和时间已经到了丰富的逻辑语义与本体论结构，反映了我们的常识世界观和我们在日常语言中谈论的方式。在本文中，它将被证明，假设这样一个本体结构的自然语言的语义（例如，借代、内涵、重叠、名词性复合词等）都可以得到适当和统一的处理。
2008-08-08 cs.AI cs.CL
A Task-Centric Ontology and Deterministic Domain Rules as a Verifiable Core for AI-Assisted Chemistry Problem Solving
本文提出ChemOntoRule，以任务为中心构建本体与确定性规则，在300道中学化学题上取得98.67%的匹配准确率，为AI辅助化学问题求解提供可验证的符号核心。
2026-08-28 cs.AI
Generic Ontology Design Patterns at Work
Universität Bremen（不来梅大学）；Otto-von-Guericke-Universität Magdeburg（奥托·冯·格里克马格德堡大学）
通用本体设计模式GODP是在通用DOL中定义的，通用DOL是DOL的扩展，是分布式本体、模型和规约语言，并使用异构工具集实现。诸如类、属性、个体或整个本体的参数可以用主机本体中的自变量来实例化。通用DOL的潜力说明了GODP的一个例子，从文献中，即角色设计模式。我们还讨论了如何通过实例化较小的GODP来组成较大的GODP。
2019-06-20 cs.AI cs.DB
Ontology-Free General-Domain Knowledge Graph-to-Text Generation Dataset Synthesis using Large Language Model
Graduate School of Artificial Intelligence, POSTECH（浦项科技大学人工智能研究生院）；Department of Computer Science and Engineering, POSTECH（浦项科技大学计算机科学与工程系）
针对通用领域高质量G2T数据集稀缺的问题，研究提出利用LLM和Data-QuestEval生成含585万对数据的无本体WikiOFGraph数据集，实验证明在其上微调的PLM性能更优，为G2T数据生成提供了可扩展的有效方案。
2024-09-11 cs.AI cs.CL
Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management
Yonyou AI Lab（用友人工智能实验室）；Yonyou Network Technology Co., Ltd.（用友网络技术有限公司）
本文提出大型本体模型（LOM），通过构建、对齐和推理框架，实现企业知识管理中多源异构数据的整合与复杂语义推理，实验表明其在复杂图推理任务中表现优于现有模型。
2026-01-18 cs.AI cs.CL cs.LG
WebProtégé: A Cloud-Based Ontology Editor
Stanford University（斯坦福大学）
我们提出WebProtégé，一个工具来开发本体表示的Web本体语言（OWL）。WebProtégé是一个基于云的应用程序，允许用户协作编辑OWL本体，它可以在https://webprotege.stanford.edu上使用。WebProtégeé目前拥有超过68，000个OWL本体项目，并拥有超过50，000个用户帐户。在本文中，我们详细介绍了最新版本的WebProtégé的主要新功能。
2019-03-06 cs.AI cs.IR
Widening the Dialogue Workflow Modeling Bottleneck in Ontology-Based Personal Assistants
SRI International（SRI国际公司）
我们提出了一种新的方法来对话规范的虚拟个人助理（VPAs）的基础上所谓的对话工作流图，与目前基于本体的方法相比，有几个表现出的优势。我们新的对话规约语言（DSL）使客户能够更轻松地参与VPA建模过程，因为它具有用户友好的建模框架。由此产生的模型也显着更紧凑。VPA可以更快地开发。DSL是我们基于本体的对话管理（DM）框架OntoVPA之上的一个新的建模层。我们解释了新语言背后的原理和好处，并通过最近两个OntoVPA项目的具体减少工作量水平（LOE）数字来支持我们的主张。
2020-11-16 cs.AI cs.CL cs.HC
Smart Mobility Ontology: Current Trends and Future Directions
Ryerson University（瑞尔森大学）
本体是对领域中概念及其相互关系的明确的、形式化的表示。运输科学是一个广泛的领域，涉及各种复杂和相互关联的运输系统，如陆地，航空和海上运输的流动性，并可以从本体开发中获得相当大的优势。虽然在最近的文献中可以找到一些研究，但存在很大的潜力来改进和开发一个全面的智能移动本体。本章旨在介绍本体开发的不同方面，如本体开发方法，语言，工具和软件。随后，它介绍了目前可用的移动性相关的本体开发跨不同的领域，如交通，智能城市，货物移动，传感器。确定了现有本体的当前差距，并提出了本体开发的未来方向，可以将即将到来的自动驾驶和联网车辆，移动性即服务（MaaS）以及其他颠覆性的交通技术和服务结合起来。
2020-12-15 cs.AI
