Completeness Guarantees for Incomplete Ontology Reasoners: Theory and Practice
University of Oxford（牛津大学）
为了实现查询应答的可伸缩性，语义Web应用程序的开发人员往往被迫使用不完整的OWL 2推理机，它不能为至少一个查询，本体和数据集得出所有的答案。然而，缺乏完整性保证对于医疗保健和国防等领域的应用程序可能是不可接受的，在这些领域，缺少答案可能会对应用程序功能产生不利影响。此外，即使应用程序可以容忍某种程度的不完整性，估计丢失了多少和什么类型的答案通常也是有利的。在本文中，我们提出了一种新的基于逻辑的框架，允许检查是否是一个推理机是完整的给定的查询Q和本体T-也就是说，是否保证计算所有的答案Q w.r.t. T和任意数据集A。由于本体和典型的查询往往是固定在应用程序设计时，我们的方法允许应用程序开发人员检查是否一个推理已知是不完整的一般是实际上是完整的各种输入相关的应用程序。我们还提出了一种技术，给定查询Q，本体T，以及满足某些假设的推理机R_1和R_2，可以用于确定对于每个数据集A，推理机R_1是否计算出Q的更多答案w.r.t. T和A比推理机R_2。这允许应用程序开发人员选择为Q和T提供最高程度的完整性的推理器，该推理器与应用程序可伸缩性需求兼容。因此，我们的研究结果提供了一个理论和实践的基础，为未来的基于本体的信息系统，最大限度地提高可扩展性，同时最大限度地减少甚至消除查询答案的不完整性的设计。
2014-01-18 cs.AI cs.LO
FOCA: A Methodology for Ontology Evaluation
UFAL（阿拉戈斯联邦大学）；UFPE（伯南布哥联邦大学）；USP（圣保罗大学）
本体建模是一项艰巨而耗时的任务。虽然方法是有用的本体论创建良好的本体，他们没有帮助的任务，评估本体的质量被重用。因此，在本体构建之后或重用之前，对本体的质量进行评估是非常必要的，但很少有研究仅仅给出一组标准和问题，而没有对本体进行评估的指导。评估一个本体的工作量非常大，因为要深入理解标准和问题，非常依赖评估者的专业知识。而且，评价还是很主观的。本研究提出一种新的本体评估方法，考虑到三个基本原则：i）它是基于目标，问题，度量方法的实证评估; ii）的目标的方法是基于知识表示的作用结合具体的评估标准; iii）每个本体的评估根据本体的类型。该方法进行了经验评估，使用不同的本体论和本体论的同一领域。本研究的主要贡献是：i）定义一个逐步的方法来评估本体的质量; ii）提出一个基于知识表示的角色的评价; iii）根据本体的类型明确的差异的评价iii）一个问卷调查，以评估本体; iv）一个统计模型，自动计算的本体的质量。
2017-09-02 cs.AI
Ontology-Guided, Hybrid Prompt Learning for Generalization in Knowledge Graph Question Answering
University of Hamburg（汉堡大学）；Leuphana University Lüneburg（吕讷堡勒法纳大学）；Institute for Information Systems（信息系统研究所）
本文提出 OntoSCPrompt，通过两阶段架构与本体引导的混合提示学习，使基于大语言模型的知识图谱问答系统无需重新训练即可泛化到未见知识图谱，并在多个数据集上达到 SOTA 水平。
2025-02-06 cs.AI cs.CL
Mapping Data to Ontologies with Exceptions Using Answer Set Programming
University of Oslo（奥斯陆大学）
在基于本体的数据访问中，数据库通过从数据库上的查询到本体上的查询的映射连接到本体。在本文中，我们考虑从关系数据库映射到一阶本体，并定义了一个基于ASP的框架GLAV映射与查询的本体中的映射规则机构。我们表明，这种类型的映射可以用来表达约束和例外，以及简洁地表示OBDA映射是一个强大的机制。我们给出了一个勇敢的推理算法，在这种情况下，并表明，这个问题具有相同的数据复杂性ASP（NP-完全），或者它至少是硬的本体查询检查蕴涵的复杂性。此外，我们表明，本体与UCQ-查询存在一个自然的减少映射程序到\exists -ASP，扩展ASP与存在的变量，本身承认一个自然的减少ASP。
2016-07-07 cs.AI cs.DB
Data Complexity and Rewritability of Ontology-Mediated Queries in Metric Temporal Logic under the Event-Based Semantics (Full Version)
Birkbeck, University of London（伦敦大学伯贝克学院）；University of Oxford（牛津大学）；University of Warsaw（华沙大学）
我们调查的数据复杂性的基于事件的语义下，假设数据实例是有限时间的字时间戳与二进制分数的度量时态逻辑本体介导的回答查询。我们确定类的本体介导的查询回答，可以在AC0，NC1，L，NL，P，和coNP的数据复杂性，提供他们的重写一阶逻辑及其扩展与原始递归，传递闭包或databases，并建立较低的复杂性界限。
2019-07-01 cs.AI cs.CC cs.LO
Distance-Based Approaches to Repair Semantics in Ontology-based Data Access
University of Montpellier（蒙彼利埃大学）；University of Edinburgh（爱丁堡大学）
在存在不一致的情况下，修复技术通过多次修复来恢复一致性。然而，由于修复的数量可能很大，标准的不一致的宽容语义通常产生很少的答案。在本文中，我们使用的概念，修复之间的句法距离的直觉，它可以让我们集群的一些修复“接近”彼此。通过这种方式，我们提出了一个通用的框架，以更个性化的方式回答查询。
2019-10-01 cs.AI cs.DB
Ontology-Mediated Queries: Combined Complexity and Succinctness of Rewritings via Circuit Complexity
LIRMM, CNRS（法国国家科学研究中心LIRMM实验室）；Birkbeck, University of London（伦敦大学伯贝克学院）；Steklov Mathematical Institute, Moscow（莫斯科斯捷克洛夫数学研究所）
我们给出了解决方案的两个基本的计算问题，基于本体的数据访问与W3C标准本体语言OWL 2 QL：简洁性问题的一阶重写的本体介导的查询（OMQ），和复杂性问题的OMQ回答。我们分类OMQs根据他们的合取查询的形状（树宽，叶子的数量）和存在的深度，他们的本体。对于这些类中的每一个，我们确定OMQ回答的组合复杂度，以及类中的所有OMQ是否具有多项式大小的一阶，正存在和非递归数据重写。我们得到简洁的结果，使用超图程序，一个新的计算模型的布尔函数，这使得有可能连接的OMQ重写的大小和电路复杂性。
2016-05-04 cs.AI cs.CC cs.DB
BEACON-SP: Ontology-Grounded GraphRAG Framework for Clinical Suicide Risk Assessment
Nexcepta；United States Military Academy（美国军事学院）
BEACON-SP提出本体锚定的图检索增强生成框架，整合患者知识图谱与自杀预防本体，支持多跳推理，在临床问答中优于向量RAG基线，76.4%案例被优先选择。
2026-10-08 cs.AI cs.CL cs.IR
Query Answering with Inconsistent Existential Rules under Stable Model Semantics
Sun Yat-sen University（中山大学）；Huazhong University of Science and Technology（华中科技大学）；Fudan University（复旦大学）；Werstern Sydney University（西悉尼大学）
传统的基于本体的数据访问中的不一致容忍查询应答依赖于选择与本体一致的ABox/数据库的最大组件。然而，本体中的一些规则可能是不可靠的，如果它们是从本体学习中提取的或由不熟练的知识工程师编写的。在本文中，我们提出了一个框架，处理不一致的存在规则下的稳定模型语义，这是定义了一个概念称为规则修复，以选择最大组件的存在规则。令人惊讶的是，对于R-分层的R-非循环存在规则或分层否定的保护存在规则，在规则{修复语义}下的查询回答的数据复杂度和组合复杂度保持与传统的查询回答语义相同。这导致我们提出了几种方法来处理规则{修复语义}通过调用答案集编程求解器。实验结果表明，这些方法具有良好的可扩展性的查询回答下的规则修复的现实情况。
2016-02-18 cs.AI
Shapley Value Computation in Ontology-Mediated Query Answering
Univ. Bordeaux, CNRS, Bordeaux INP, LaBRI, UMR 5800（波尔多大学、国家科学研究中心、波尔多理工学院、LaBRI、UMR 5800）
本文研究了在本体引导查询回答中计算剧烈Shapley值的复杂性，揭示了该问题在不同查询条件下的可计算性与#P难性。
2026-02-24 cs.AI cs.DB
Answering Path Queries under Linear and Guarded Existential Rules
LIRMM, Inria, University of Montpellier, CNRS（蒙彼利埃大学计算机科学与机器人技术实验室、法国国家信息与自动化研究所、蒙彼利埃大学、法国国家科学研究中心）；Univ. Bordeaux, CNRS, Bordeaux INP, LaBRI（波尔多大学、法国国家科学研究中心、波尔多国立综合理工学院、波尔多大学计算机科学实验室）；Inria, DIENS, ENS, PSL University, CNRS（法国国家信息与自动化研究所、ENS信息与通信科学实验室、巴黎文理研究大学、法国国家科学研究中心）
研究在由受保护存在规则给出本体的知识库上回答双向正则路径查询的复杂性，针对线性存在规则子类得出数据和组合复杂性结果，对受保护规则归约到线性情况并给出相应复杂性结论。
2026-09-25 cs.AI
A tetrachotomy of ontology-mediated queries with a covering axiom
HSE University（高等经济大学）；Institute for Information Transmission Problems（信息传输问题研究所）；King’s College London（伦敦国王学院）；Steklov Mathematical Institute（斯捷克洛夫数学研究所）；Birkbeck, University of London（伦敦大学伯贝克学院）
我们关心的问题是有效地确定数据的复杂性回答查询介导的描述逻辑本体和构建其最佳重写标准的数据库查询。起源于基于本体的数据访问和数据库优化，这个问题是众所周知的计算非常复杂的一般，没有明确的语法特征。在这篇文章中，旨在了解这个困难的根本原因，我们剥离的问题，以裸露的骨头，并专注于布尔合取查询介导的一个简单的覆盖公理，说明一个类是由其他两个类的联盟覆盖。我们表明，一方面，这些基本的本体介导的查询，被称为析取糖浆（或D-糖浆），捕捉到许多功能和困难的一般情况下。例如，回答d-sirups对于组合复杂度是Pi^p_2-完全的，并且对于数据复杂度可以是AC 0或LogSpace-、NL-、P-或coNP-完全的（识别d-sirups的FO-可重写性的问题是2 ExpTime-hard）;一些d-sirups只有指数大小的分辨率证明，一些只有双指数大小的正存在FO-重写和单指数大小的非递归数据重写。另一方面，我们证明了d-箍筋的FO-和（对称/线性）数据可重写的部分充分必要条件。我们的主要技术成果是一个完整的和透明的语法AC 0/NL/P/coNP四分的d-sirups与不相交的覆盖类和路径形状的布尔合取查询。为了获得这种四分法，我们开发了新的技术，建立P-和coNP-硬度回答非霍恩本体介导的查询，以及显示它们可以回答在NL。
2022-05-05 cs.AI
Enacting textual entailment and ontologies for automated essay grading in chemical domain
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
我们提出了一个系统，自动论文评分使用本体论和文本蕴涵。文本蕴涵的过程是由假设指导的，这些假设是从领域本体中提取的。文本蕴涵检查假设的真实性是否来自给定的文本。我们制定文本蕴涵比较学生的答案，从本体获得的模型答案。我们验证了解决方案对各种论文写的学生在化学领域。
2015-11-09 cs.AI cs.CL
Counting Query Answers over a DL-Lite Knowledge Base (extended version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Umeå University（于默奥大学）；Max-Planck-Institut für Informatik（马克斯·普朗克计算机科学研究所）
计算查询的答案是几乎所有数据库管理系统都支持的操作。在本文中，我们专注于计数的答案在知识库（KB），这可能被视为一个数据库丰富的背景知识有关的域正在考虑。特别是，我们把我们的工作的上下文中的本体介导的查询/基于本体的数据访问（OMQA/OBDA），其中用于本体的语言是DL-Lite家族的成员和数据是一个（通常是虚拟的）一组断言。我们研究了查询回答的数据复杂性，对于包括数量限制的DL-Lite家族的不同成员，以及对于具有不同形状（连接，分支，根）的计数的合取查询的变体。我们通过提供PTIME和coNP下界，以及PTIME和LOGSPACE的上界来改进现有的结果。对于后者的情况下，我们定义了一个新的查询重写技术到一阶逻辑计数。
2020-07-17 cs.AI cs.DB
A Goal-Directed Implementation of Query Answering for Hybrid MKNF Knowledge Bases
CENTRIA（里斯本新大学科学技术学院信息学系人工智能中心）；Faculdade Ciências e Tecnologias Universidade Nova de Lisboa（里斯本新大学科学技术学院）
在知识表示形式化中，本体和规则通常是松散耦合的。事实上，本体使用开放世界推理，而规则的主要语义使用非单调的封闭世界推理。一个例外是最小知识和否定失败（MKNF）的紧密耦合框架，它允许通过从本体论和规则推理的蕴涵来共同推导关于个人的陈述。尽管如此，MKNF的实际用途并不总是很清楚，虽然最近的工作已经正式确定了一个一般的基于解析的方法，用于查询MKNF时，规则采取有根据的语义，本体是由一个通用的甲骨文建模。这项工作留下了开放的算法，应该使用相关的本体论和推理的规则的蕴涵。在本文中，我们提供了这样的算法，并描述了一个查询驱动的系统，CDF规则，混合知识库相结合的（非单调）的规则下，有根据的语义和（单调）本体论，由CDF Type-1（ALQ）理论表示的实施。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2012-11-01 cs.AI
The Bag Semantics of Ontology-Based Data Access
University of Oxford（牛津大学）
基于本体的数据访问（OBDA）是通过共享本体集成和查询多个数据源的流行方法。使用映射将本体链接到源，映射将数据上的视图分配给本体谓词。出于OBDA系统支持数据库风格的聚合查询的需要，我们提出了一个包的OBDA语义，在由映射定义的视图中的重复元组被保留，在标准数据库的情况下。我们表明，袋语义使OBDA中的合取查询回答在数据复杂度上是困难的。为了恢复易处理性，我们考虑了一个相当一般的一类查询，并显示其可重写的概括的关系演算袋。
2017-05-19 cs.AI
Top-k Query Answering in Datalog+/- Ontologies under Subjective Reports (Technical Report)
University of Oxford（牛津大学）；Università della Calabria（卡拉布里亚大学）
在传统的数据库和基于本体的数据访问中，查询应答中使用偏好最近受到了广泛的关注，这是由于其许多现实世界的应用。在本文中，我们解决的问题，前k查询回答Datatrons +/-本体查询用户的喜好和收集（主观）报告的其他用户。在这里，每个报告都包含一系列功能的分数、作者对功能的偏好以及其他信息。然后将每个报告的这些信息片段与查询用户的偏好和他/她对每个报告的信任一起组合，以对查询结果进行排名。我们提出了两种替代这样的排名，以及这些排名下的top-k（原子）查询回答算法。我们还表明，在适当的假设下，这些算法运行在多项式时间的数据复杂度。最后，我们提出了更一般的报告，这是与套原子，而不是单个原子。
2013-11-29 cs.AI cs.DB
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
Combining Inductive and Deductive Reasoning for Query Answering over Incomplete Knowledge Graphs
AIT Austrian Institute of Technology（奥地利技术研究所）；Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Edinburgh（爱丁堡大学）
针对不完整知识图谱查询回答仅依赖归纳推理的局限，提出将本体融入嵌入模型，通过数据增强和损失函数调整实现演绎推理，在LUBM和NELL基准上HITS@3提升20%-55%。
2023-08-31 cs.AI cs.DB cs.LG
Ontology-guided Semantic Composition for Zero-Shot Learning
University of Oxford（牛津大学）；INRIA（法国国家信息与自动化研究所）；Zhejiang University（浙江大学）；The University of Edinburgh（爱丁堡大学）；The University of Aberdeen（阿伯丁大学）
零样本学习（ZSL）是一个热门的研究问题，旨在利用带有一些辅助信息的类间关系来预测那些在训练阶段从未出现过的类。在这项研究中，我们提出了一个OWL（Web本体语言）本体建模的组成和表达语义的类标签，并进一步开发了一个新的本体嵌入的OWL框架。动物图像分类和视觉问答的初步实验验证了该方法的有效性。
2020-06-30 cs.AI cs.LG
Bounded-Memory Criteria for Streams with Application Time
Institute of Information Systems (IFIS)（信息系统研究所）；University of Lübeck（吕贝克大学）
有界内存可计算性仍然是人工智能和数据库领域的焦点，这些领域处理流上的可行计算-无论是低级流上的可行算术计算，还是关系数据流上声明式指定查询的可行查询应答，甚至是流上高级查询的可行查询应答。本体中的一组约束，例如在基于本体的数据访问（OBDA）的范例中。在经典的OBDA中，通过将高级查询转换为数据源级别的查询来回答高级查询。该转换需要重写步骤，其中来自本体的知识被并入查询中，随后是相对于一组映射的展开步骤。给定OBDA设置，很难决定是否以及如何有效地回答查询。具体地，难以决定查询是否可以在有界存储器中被回答，即，在恒定空间w.r.t.数据流的无限增长前缀。这项工作提出了标准的有限内存的可计算性选择项目连接（SPJ）查询流与应用程序的时间。确定SPJ查询是否可以在常量空间中得到回答比高级查询更容易，因为本体和映射集都不是输入的一部分。使用经典OBDA的转换过程，这些标准可以帮助决定回答流上的高级查询的效率。
2020-07-30 cs.AI cs.DB
Computing Datalog Rewritings beyond Horn Ontologies
University of Oxford（牛津大学）；NTU Athens（雅典国立技术大学）
到目前为止，基于重写的方法来回答OWL 2 DL本体上的查询主要是针对OWL 2 DL的Horn片段。在本文中，我们研究的可能性回答查询非霍恩本体使用数据重写。我们证明，这是不可能的，即使是非常简单的本体语言，即使PTIME = NP。此外，我们提出了一个基于分辨率的程序$\SHI$本体，在它终止的情况下，产生一个数据库重写的本体。我们的过程必然终止于DL- Lite_{bool} ^H本体-OWL 2 QL的一个带有传递角色和布尔连接词的扩展.
2013-04-08 cs.AI
Beyond OWL 2 QL in OBDA: Rewritings and Approximations (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Sapienza Università di Roma（罗马第一大学）；University of Genova（热那亚大学）
基于本体的数据访问（OBDA）是一种方便访问关系数据的新范式，通过声明性映射将数据源链接到本体来实现。DL-Lite_R是W3C本体语言OWL 2 QL的逻辑基础，也是OBDA当前的首选语言，其设计目标是将查询应答委托给底层数据库引擎，因此在表达能力方面受到限制。例如，在一个示例中，它不允许表达析取信息和数据上的任何形式的递归。本文的目的是克服DL-Lite_R的这些局限性，并将OBDA扩展到更具表达力的本体语言，同时仍然利用底层的关系技术进行查询应答。我们实现这一点依赖于两个众所周知的机制，即保守的重写和近似，但显着扩展其实际影响，使图片的映射，OBDA的一个重要组成部分。具体来说，我们开发的技术重写OBDA规范与表达本体的“等效”的DL-Lite_R本体，如果可能的话，否则近似。我们这样做，利用高表达能力的映射层捕捉丰富的本体语言的领域语义的一部分。我们已经实现了我们的技术在原型系统OntoProx，利用国家的最先进的OBDA系统Ontop和查询应答系统Clipper，我们已经证明了他们的可行性和有效性与实验合成和真实世界的数据。
2015-12-01 cs.AI
OK Google, What Is Your Ontology? Or: Exploring Freebase Classification to Understand Google's Knowledge Graph
University of Toronto, Faculty of Information（多伦多大学信息学院）
本文重构了Freebase数据转储，以了解Google的语义搜索功能背后的潜在本体。Freebase知识库是一个主要的语义网和链接数据技术，于2010年被谷歌收购，以支持谷歌知识图谱，谷歌搜索结果的后端，包括查询的结构化答案，而不是一系列指向外部资源的链接。在2016年关闭后，Freebase包含在19亿个资源描述格式（RDF）三元组的数据转储中。Freebase本体的重组将被分析与Bowker和Star分类文献中的概念和见解有关。本文将探讨Freebase本体是如何通过深入研究本体和一个小的相关性研究来塑造分类系统的许多力量。这些发现将让人们得以一窥专有的黑盒知识图谱，以及谷歌“组织世界信息，使其普遍可用和有用”的使命意味着什么。
2018-05-22 cs.AI cs.DL cs.IR
OBDA Constraints for Effective Query Answering (Extended Version)
University of Oslo（奥斯陆大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
在基于本体的数据访问（OBDA）中，用户对位于关系数据库之上的本体提出SPARQL查询。这些查询由OBDA系统即时转换为SQL查询。OBDA中的标准SPARQL到SQL转换技术通常会生成包含冗余连接和联合的SQL查询，即使在进行了大量语义和结构优化之后也是如此。这些冗余对查询应答的性能是有害的，特别是在具有大型企业数据库的复杂工业OBDA场景中。为了解决这个问题，我们引入了两个新的概念OBDA约束，并展示了如何利用它们进行高效的查询回答。我们使用真实世界的数据和查询在大型数据集上进行了一系列广泛的实验，结果表明这些技术极大地提高了查询应答的性能。
2016-05-16 cs.AI cs.DB
Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction
University of Edinburgh, UK（爱丁堡大学）；Samsung AI Center, Cambridge, UK（三星人工智能中心）
提出一种神经符号框架，通过后提取校正解决LLM提取知识图谱时的本体不一致问题，减少token使用并提升图谱一致性。
2026-09-09 cs.AI cs.LG
Handling Ontology Gaps in Semantic Parsing
Amazon（亚马逊）；Sapienza University of Rome（罗马智慧大学）
本文针对封闭世界假设下神经语义解析模型易产生幻觉的问题，提出幻觉模拟框架HSF，并利用模型计算图设计新的幻觉检测策略，在KQA Pro上显著提升了本体缺口和域外话语场景下的检测性能。
2024-06-27 cs.AI cs.CL
Asking the Right Questions: Ontology-Grounded Interpretable Embeddings for Biomedical Text
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
QIME通过本体论引导的问题构建可解释的医学文本嵌入，生成具有临床意义的yes/no问题，提升生物医学文本的解释性和性能。
2026-09-09 cs.AI cs.CL
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
Inseparability and Conservative Extensions of Description Logic Ontologies: A Survey
Free University of Bozen-Bolzano（博岑-博尔扎诺自由大学）；University of Liverpool（利物浦大学）；University of Bremen（不来梅大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
一个本体是否可以安全地被另一个可能更简单的本体替换的问题是许多本体工程和维护任务的基础。例如，它支持本体版本化、本体模块化、遗忘和知识交换。安全替换的含义取决于本体的预期应用。例如，如果它被用来查询数据，那么任何相关的本体中介查询的答案应该在任何相关的数据集上都是相同的;相反，如果本体被用于概念推理，那么概念表达式之间的必然包含应该一致。这就产生了不同的概念，本体不可分离，如查询不可分离和概念不可分离，推广相应的保守扩展的概念。我们调查结果的描述逻辑本体论的背景下，各种概念的不可分割性，讨论他们的应用程序，有用的模型理论的表征，算法确定是否两个本体是不可分割的（有时，计算它们之间的差异，如果他们不是），和这个问题的计算复杂性。
2018-04-20 cs.AI
Plant Memory: Technical Language Processing and a Verified Maintenance Ontology for Agent-Accessible Failure Knowledge from SAP PM Work Orders
Indian Institute of Technology Jodhpur（印度技术学院乔德普尔分校）
Plant Memory系统通过技术语言处理构建符合ISO 14224的维护本体，解决SAP PM工单故障知识不可用问题，实验显示其在故障知识提取和根本原因诊断上优于原始SAP数据。
2026-10-15 cs.AI cs.CL
Link Analysis meets Ontologies: Are Embeddings the Answer?
Jožef Stefan Institute（约瑟夫·斯蒂芬研究所）；Jožef Stefan International Postgraduate School（约瑟夫·斯蒂芬国际研究生院）；University of Nova Gorica（新戈里察大学）
语义资源的数量不断增加，为人类知识提供了宝贵的存储空间;然而，错误条目的可能性随着规模的增加而增加。因此，开发识别给定知识库中潜在虚假部分的方法正成为一个日益重要的感兴趣领域。在这项工作中，我们提出了一个系统的评估是否结构的链接分析方法已经可以提供一个可扩展的手段来检测可能的异常，以及潜在的有趣的新的关系候选人。在8个不同的语义资源上评估了13种方法，包括基因本体论，食品本体论，海洋本体论等，我们证明了仅结构链接分析可以为数据集的子集提供可扩展的异常检测。此外，我们证明了通过考虑符号节点嵌入，可以获得对预测（链接）的解释，使得这种方法的分支可能比黑盒方法更有价值。据我们所知，这是目前对不同类型的链接分析方法在不同领域的语义资源中的适用性进行的最广泛的系统研究之一。
2021-11-23 cs.AI cs.LG cs.SI
Finite Query Answering in Expressive Description Logics with Transitive Roles
University of Warsaw（华沙大学）；TU Wien（维也纳工业大学）
我们研究有限本体介导的查询回答（FOMQA）的问题，OMQA的变种，其中所代表的世界被假定为有限的，因此只考虑有限的本体模型。我们采用最典型的设置与工会的合取查询和本体表示的描述逻辑（DL）。FOMQA的研究与非可控环境相关。这不仅适用于没有有限模型属性的DL，而且适用于那些允许传递角色声明的DL。当传递角色被允许时，评估查询是具有挑战性的：FOMQA对于SHOIF是不可判定的，并且只知道对于ALCIF的Horn片段是可判定的。我们展示了FOMQA对SOIF的三个适当片段：SOI，SOF和SIF的可判定性。我们的方法是建立相关的模型来决定有限的查询蕴涵。依赖于这些模型的一定规律性，我们开发了基于自动机的决策程序与最佳复杂性的界限。
2018-08-09 cs.AI
GeoOutageBench: Benchmarking Ambiguity-aware, Ontology-grounded Geospatiotemporal KGQA for Multimodal Power Outage and Resilience Analysis
University of Central Florida（中佛罗里达大学）；Case Western Reserve University（凯斯西储大学）
GeoOutageBench是一个新基准，用于评估大语言模型在多模态停电与韧性分析中的地理时空知识图谱问答，涵盖模糊问题理解、本体效用和答案准确性，并提供了设计原则和开源资源。
2026-09-30 cs.AI cs.CL cs.IR
From Business Events to Auditable Decisions: Ontology-Governed Graph Simulation for Enterprise AI
Yonyou AI Lab（用友AI实验室）；Yonyou Network Technology Co., Ltd.（用友网络科技股份有限公司）
本文提出LOM-action框架，通过本体引导的图模拟实现企业AI决策，确保决策基于模拟图而非无限制知识空间，提升决策可信度与可审计性。
2026-04-08 cs.AI cs.CL
Introducing Nominals to the Combined Query Answering Approaches for EL
University of Oxford（牛津大学）
所谓的组合方法在三个步骤中回答描述逻辑本体上的合取查询：首先，它们具体化本体和数据的某些结果;第二，它们评估数据上的查询;第三，它们过滤第二阶段的结果以消除不合理的答案。这种方法是为DL-Lite和EL语言家族的各种成员开发的，但它们都不能处理包含名词的本体。在我们的工作中，我们弥合了这一差距，并提出了一个组合的查询回答方法ELHO-一个逻辑，包含所有功能的OWL 2 EL标准除了传递角色和复杂的角色夹杂物。这个扩展是不平凡的，因为名词需要等式推理，这将复杂性引入了第一步和第三步。我们的实证评估表明，我们的技术是适合于实际应用，因此它提供了一个实际的基础上，在一个大片段的OWL 2 EL的合取查询回答。
2013-04-01 cs.AI cs.DB cs.LO
CQ4OE: A benchmark for assessing LLM-assisted ontology generation from competency questions
Ontology Engineering Group, Universidad Politécnica de Madrid（马德里理工大学本体工程组）
CQ4OE是一个新基准，用于系统评估大语言模型从能力问题生成本体的性能，提供带来源的黄金本体和两个互补任务，实验表明LLM在术语恢复上优于完整本体构建。
2026-09-23 cs.AI
TransBox: EL++-closed Ontology Embedding
The University of Manchester（曼彻斯特大学）
本文针对现有OWL本体嵌入忽略复杂概念、难以处理复杂公理推理的问题，提出EL++-封闭本体嵌入和TransBox方法，可表示任意描述逻辑表达式并处理多种关系类型，在多个真实数据集上取得领先性能。
2025-02-04 cs.AI
Datalog Rewritability of Disjunctive Datalog Programs and its Applications to Ontology Reasoning
University of Oxford（牛津大学）
研究了将析取数据库程序改写为纯数据库的问题。我们证明了一个析取程序是可重写的当且仅当它等价于一个线性析取程序，从而提供了一个新的特征的数据可重写性。受此结果的启发，我们提出了弱线性析取数据库-一种新的基于规则的KR语言，扩展了数据库和线性析取数据库，推理在数据复杂性方面是易于处理的。然后，我们探讨了弱线性规划的本体推理的应用，并提出了一个易于处理的扩展OWL 2 RL与析取公理。我们的实证研究结果表明，许多非霍恩本体可以减少到弱线性程序和查询回答这样的本体使用数据挖掘引擎在实践中是可行的。
2014-04-11 cs.AI cs.LO
Enriching Ontology-based Data Access with Provenance (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Milano-Bicocca（米兰比可卡大学）
基于本体的数据访问（OBDA）是一种流行的查询异构数据源的范例，通过将它们映射到一个本体。在OBDA中，通常很难重构为什么元组出现在查询的答案中。我们解决这个挑战，丰富OBDA与出处半环，从数据库理论的灵感。特别是，我们调查的问题（i）决定是否一个出处注释OBDA实例需要一个出处注释的合取查询，以及（ii）计算一个多项式表示出处注释OBDA实例所涉及的查询的出处。与纯数据库不同，在我们的情况下，这些多项式可能是无限的。为了恢复有限性，我们考虑幂等半环，并研究了DL-Lite本体的情况下的复杂性。我们实现任务（二）在一个国家的最先进的OBDA系统，并通过对两个流行的基准进行广泛的评估，表明该方法的实际可行性。
2019-06-01 cs.AI cs.DB
Abstractions of Queries in Ontology-Based Data Access
LIRMM, Inria, University of Montpellier, CNRS（LIRMM, Inria, 蒙彼利埃大学, 法国国家科学研究中心）
针对基于存在规则的本体数据访问，研究查询抽象问题，通过扩展UCQ（含有限不等式和标记数据库常数的特殊谓词）表达最小完全抽象，并建立与数据交换中最大恢复概念的联系以刻画最大可靠抽象。
2026-06-24 cs.AI cs.DB
Reasoning for Improved Sensor Data Interpretation in a Smart Home
Örebro University（厄勒布鲁大学）
本文提出了一种用于时间序列信号解释的本体表示和推理范式。这些信号来自观察智能环境的传感器。为注释过程选择的信号是一组不直观且复杂的气体传感器数据。该范例的本体受SSN本体（语义传感器网络）的启发，用于表示传感器数据和上下文信息。解释过程主要由增量ASP求解器完成，该增量ASP求解器作为输入接收从本体的内容生成的逻辑程序。上下文信息与本体中给出的高级领域知识一起用于推断对由气体传感器检测到的环境空气中的变化的解释（答案集）。
2014-12-26 cs.AI
NeuroQL: A Neuro-Symbolic Language and Dataset for Inter-Subjective Reasoning
OrgD. Labs（OrgD实验室）
我们提出了一个新的人工智能任务和基线解决方案的主体间推理。我们将主观间信息定义为可能由不同方共享的客观和主观信息的混合物。例如，IR（信息检索）系统报告的商品及其客观属性，需要与在线论坛的主观用户评论进行交叉引用。对于一个人工智能系统来说，要成功地对两者进行推理，它需要能够将客观事实的符号推理与主观用户评论中的共识结合起来。为此，我们引入NeuroQL数据集和DSL（特定领域语言）作为此问题的基线解决方案。NeuroQL是一种神经符号语言，它扩展了与神经原语的逻辑统一，用于提取和检索。它可以作为一个目标，用于将主体间问题（以自然语言提出）自动翻译成可以回答它们的神经符号代码。
2023-03-13 cs.AI cs.CL cs.PL
TAR: Neural Logical Reasoning across TBox and ABox
KAUST（阿卜杜拉国王科技大学）；University of Notre Dame（圣母大学）；Beihang University（北京航空航天大学）
许多本体，即，描述逻辑（DL）知识库已经被开发以提供关于各个领域的丰富知识。本体由ABox组成，即，两个实体之间或概念与实体之间的断言公理，以及TBox，即，两个概念之间的术语公理。神经逻辑推理（Neural Logic Reasoning，NLR）是探索这种知识库的基本任务，其目的是基于查询和答案的分布式表示，用逻辑运算回答多跳查询。虽然以前的NLR方法可以给出特定的实体级答案，即，ABox答案，它们不能提供描述性的概念级答案，即，TBox回答，其中每个概念是对一组实体的描述。换句话说，以前的NLR方法只对本体的ABox进行推理，而忽略了TBox。特别地，提供TBox答案使得能够利用描述性概念来推断每个查询的解释，这使得用户能够理解答案，并且在应用本体领域中非常有用。在这项工作中，我们制定了跨TBox和ABox（TA-NLR）的神经逻辑推理问题，解决这一问题需要解决在概念上合并，表示和操作的挑战。我们提出了一个原始的解决方案命名为TAR的TA-NLR。首先，我们结合描述逻辑的本体公理提供概念的来源。然后，我们将概念和查询表示为模糊集，即，集合，其元素具有隶属度，以将概念和查询与实体联系起来。此外，我们设计的操作员涉及的概念上的模糊集表示的概念和查询的优化和推理。在两个真实数据集上的大量实验结果证明了TAR对TA-NLR的有效性。
2022-08-16 cs.AI cs.LG cs.LO
LLMBDC: Language Model for Biological Domains Oriented Clustering of Gene Ontology
Emory University（埃默里大学）
该研究针对GO富集分析的术语冗余问题，提出无需训练的LLMBDC框架，利用LLM零样本推理聚类GO术语为生物域，在AD和FXS数据集上较基线方法显著提升了聚类性能。
2026-08-04 cs.AI q-bio.GN
A Benchmark for Gap and Overlap Analysis as a Test of KG Task Readiness
Rensselaer Polytechnic Institute, Troy, New York, United States（伦斯勒理工学院，纽约州特洛伊市，美国）；Prudential Financial, Inc.（保德信金融集团）
本文提出一个可执行且可审计的基准，用于评估知识图谱的质量，通过将自然语言合同文本与形式本体对齐，系统比较方法。该基准包括简化但多样的人寿保险合同、领域本体和知识库，以及58个结构化场景和SPARQL查询，展示显式建模提升空缺和重叠分析的一致性和诊断能力。
2026-04-12 cs.AI
Embedding Description Logic Programs into Default Logic
Guizhou University（贵州大学）；University of Alberta（阿尔伯塔大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Technische Universität Wien（维也纳工业大学）
Eiter { \em et al.}被认为是一个突出的形式主义集成规则和本体知识库。一个令人感兴趣的问题是dl程序是否可以用非单调逻辑的一般形式来描述。本文研究了在缺省逻辑中嵌入dl程序的可能性。我们证明了强和弱答案集语义下的dl-程序可以通过结合两种翻译嵌入到缺省逻辑中，其中一种翻译从非单调dl-原子中消除了约束算子，另一种翻译将dl-程序转化为缺省理论。对于没有非单调dl原子但带有否定失败算子的dl程序，我们的嵌入是多项式的、忠实的和模块化的。此外，我们的默认逻辑编码可以以一种简单的方式扩展，以捕获最近提出的弱良好支持的答案集语义，为任意的dl程序。这些结果加强了默认逻辑可以作为一个富有成效的基础查询为基础的方法，整合本体和规则的论点。缺省逻辑以其简单的语法和直观的语义，加上可用的计算结果，可以被认为是一个有吸引力的方法集成的本体和规则。
2011-11-07 cs.AI
Project Rosetta: A Childhood Social, Emotional, and Behavioral Developmental Ontology
Cognoa, Inc.（科诺阿公司）
有广泛的现有工具用于评估儿童的行为和发展，以评估社会，情绪和行为障碍。这些工具中的许多工具要么专注于一个诊断类别，要么涵盖了一系列广泛的儿童行为。我们建立了一个广泛的本体的问题与儿童行为状况，如自闭症谱系障碍（ASD），注意力缺陷/多动障碍（ADHD）和焦虑的诊断相关的关键特征，通过纳入现有的儿童行为工具的子集，并将每个问题归类到临床领域。然后，将每个现有问题和一组问题回答映射到一个新的唯一Rosetta问题和一组回答代码，这些代码包含尽可能多的现有问题的语义和识别概念。这导致了1274个现有的仪器问题映射到209个Rosetta问题，创建了一组最小的问题，这些问题全面涵盖了每个主题和子主题。由此产生的本体可用于创建跨不同年龄和条件的更简洁的工具，以及创建用于临床和研究用途的更强大的重叠数据集。
2018-12-06 cs.AI cs.CY
Containment for Rule-Based Ontology-Mediated Queries
Center for Semantic Web Research（语义网研究中心）；University of Chile（智利大学）；TU Wien（维也纳工业大学）；University of Edinburgh（爱丁堡大学）
许多努力致力于识别对表示为元组生成依赖关系（tgds）的本体的限制。存在性规则，导致回答本体介导的查询（OMQs）的问题的可判定性。这就产生了三种形式主义：守护的、非递归的和粘性的tgd集合。在这项工作中，我们研究的包容性问题OMQ表示在这样的形式主义，这是解决与他们相关的静态分析任务的一个关键因素。我们的主要贡献是专门定制的技术的发展，OMQ遏制上述类别的tgds。这使我们能够获得手头的问题，这反过来又使我们能够界定其实际适用性尖锐的复杂性界限。我们还应用我们的技术来查明与两个新兴的应用程序的OMQ遏制：分布在组件和UCQ重写的OMQ相关的问题的复杂性。
2017-04-19 cs.AI cs.DB cs.LO
The Logical Difference for the Lightweight Description Logic EL
University of Liverpool（利物浦大学）
我们研究了一种基于逻辑的本体版本化方法。在这种观点下，本体提供了对一些感兴趣的词汇表的查询的答案。本体的两个版本之间的差异由接收不同答案的查询集给出。我们调查这种方法中的描述逻辑EL扩展与角色的包容性和域和范围的限制，为三种不同类型的查询：包容，实例和合取查询的术语。在所有这三种情况下，我们提出了多项式时间算法，决定是否两个术语给出相同的答案，查询一个给定的词汇表和计算的差异，如果它是非空的简洁表示。我们提出了一个实现，CEX2，包容和实例查询的算法，并将其应用到不同版本的Snomed CT和NCI本体。
2014-01-23 cs.AI cs.LO
WorldDB: A Vector Graph-of-Worlds Memory Engine with Ontology-Aware Write-Time Reconciliation
Independent Researcher（独立研究员）
WorldDB通过引入世界概念、内容地址化和写时程序化边，解决了传统内存系统在跨会话身份丢失和冲突处理上的不足，实现了更高的准确率和鲁棒性。
2026-04-20 cs.AI cs.CL
Fortunate Recall: Ontology-Driven Memory Lifecycle Management for Persistent Coherence in LLMs
Bilkent University（比尔肯大学）
提出本体驱动的记忆生命周期管理方法，按行为类型分类个人事实并应用差异化策略，在多个基准上提升检索正确率并大幅降低虚构。
2026-09-10 cs.AI
Why Settle for Just One? Extending EL++ Ontology Embeddings with Many-to-Many Relationships
International Institute of Information Technology（国际信息技术学院）；Adobe Research（奥多比研究院）；Indraprastha Institute of Information Technology（因德拉普拉斯塔信息技术学院）
知识图谱（KG）嵌入提供知识图谱的实体和关系的低维表示，并且成功地用于各种应用，诸如问答和搜索、推理、推断和丢失链接预测。然而，大多数现有的KG嵌入只考虑图的网络结构，而忽略了提供KG中实体之间关系的关键信息的底层本体的语义和特征。最近在这个方向上的努力涉及学习嵌入的描述逻辑（本体的逻辑基础）命名为EL++。然而，这些方法认为所有的关系定义在本体是一对一，这严重限制了他们的性能和应用。我们提供了一个简单而有效的解决方案来克服这个缺点，允许这样的方法在学习嵌入表示时考虑多对多的关系。使用三种不同的EL++本体进行的实验表明，在五个基线的性能大幅提高。我们提出的解决方案还为学习更有表现力的描述逻辑（如SROIQ）的嵌入表示铺平了道路。
2021-10-20 cs.AI cs.LG
Transforming Expert Knowledge into Scalable Ontology via Large Language Models
Amazon New York, USA（亚马逊纽约分公司）；Amazon Arlington, USA（亚马逊阿灵顿分公司）；Amazon Seattle, USA（亚马逊西雅图分公司）；Amazon Honolulu, USA（亚马逊檀香山分公司）
本文提出结合 LLM、专家校准与迭代提示优化的分类体系对齐框架，在概念必要性映射任务上以 0.97 的 F1 分数显著超过 0.68 的人类基准。
2025-06-11 cs.AI
