Towards an Integrated Visualization Of Semantically Enriched 3D City Models: An Ontology of 3D Visualization Techniques
University of Geneva(日内瓦大学)
3D城市模型-以三维表示城市的几何元素-越来越多地用于预期的广泛应用。通过使用语义丰富的3D城市模型,并通过以允许从多组目标中的最佳选择以及跨问题和尺度执行决策过程的方式呈现这种丰富的3D城市模型,使得这种使用成为可能。为了帮助在这样的决策过程中,我们已经定义了一个框架,以找到最好的可视化技术(S)的一组潜在的异构数据,必须在同一个三维城市模型中可视化,以便在特定的情况下执行给定的任务。我们选择了基于本体的方法。本文描述了这种方法和规范和使用所产生的本体的三维可视化技术。
2012-04-18 cs.AI cs.GR cs.HC
An ontology for the formalization and visualization of scientific knowledge
Université de Genève(日内瓦大学)
这里提出的科学知识对象的本体论的构建是面向科学知识可视化的方法的发展的一部分。它的动机是这样一个事实,即用于组织科学知识(定理,定律,经验,证明等)的概念。出现在现有的本体论,但这些本体论都没有集中在这个主题,并提出了一个简单的,易于理解的组织。该本体是通过1)选择出现在高级本体或特定领域的知识对象的本体中的概念和2)通过采访不同领域的科学家来构建的。我们已经将这个本体与所使用的一些源对齐,这使我们能够验证它与它们的一致性。本体论的验证在于使用它来形式化来自各种来源的知识,我们已经开始在物理学领域这样做。
2021-07-13 cs.AI cs.DL cs.LO
OCCAM: Open-set Causal Concept explAnation and Ontology induction for black-box vision Models
University of Catania(卡塔尼亚大学)
OCCAM通过开放集因果概念解释和本体诱导方法,提高黑盒视觉模型的可解释性,揭示概念间的因果关系和模型偏见。
2026-05-18 cs.AI
Ontology-based knowledge representation for bone disease diagnosis: a foundation for safe and sustainable medical artificial intelligence systems
University of Science, VNUHCM(胡志明市国家大学科学大学);Viet Nam National University, Ho Chi Minh City(越南国家大学胡志明市分校);Ho Chi Minh City Hospital for Traumatology and Orthopedics(胡志明市创伤与骨科医院)
本文提出一个基于本体的骨病诊断框架,通过本体引导的分层神经网络、本体增强VQA和多模态深度学习整合影像、临床与实验室数据,为安全可持续的医学AI奠定理论基础。
2025-06-05 cs.AI cs.CV eess.IV
OWLAx: A Protege Plugin to Support Ontology Axiomatization through Diagramming
Wright State University(莱特州立大学);Universitas Indonesia(印度尼西亚大学)
一旦概念性的概述,在某种程度上非正式的类图,已经在工程本体的过程中设计,添加许多适当的逻辑公理的过程主要是一个例行任务。我们提供了一个Protege插件,它支持这项任务,连同一个可视化的用户界面,建立方法的基础上本体设计模式建模。
2018-08-30 cs.AI cs.DB
OntView: What you See is What you Meant
University of Zaragoza(萨拉戈塔大学);Aragon Institute of Engineering Research (I3A)(阿拉贡工程研究 institute (I3A));NTT Data
本文提出本体查看器 OntView,通过描述逻辑推理和“所见即所意”范式实现本体概念及一般概念包含的可视化,并提供本体摘要、TBox 聚焦和动态分支显示等简化视图机制,以开源形式发布。
2025-07-18 cs.AI
OntoPlot: A Novel Visualisation for Non-hierarchical Associations in Large Ontologies
Monash University(莫纳什大学);University of Michigan Medical School(密歇根大学医学院)
本体是概念和它们之间复杂关系的形式化表示。它们已被广泛用于捕获生物学和医学等领域的全面领域知识,其中大型和复杂的本体可以包含数十万个概念。特别是由于本体的大尺寸,可视化对于创作,探索和理解其底层数据非常有用。现有的本体可视化工具一般侧重于层次结构,不太强调非层次关联。在本文中,我们提出了OntoPlot,一种新的可视化专门设计,以促进所有概念协会的探索,同时仍然显示本体的大层次结构。这种混合可视化结合了冰柱图,视觉压缩技术和交互性,提高了空间效率,降低了视觉结构的复杂性。我们与领域专家进行了一项用户研究,以评估OntoPlot的可用性,并将其与事实上的本体编辑器Prot{é}g{é}进行比较。结果证实,OntoPlot达到了我们的设计目标的关联相关的任务,并强烈赞成领域专家。
2019-10-23 cs.AI cs.HC
Audiovisual Analytics Vocabulary and Ontology (AAVO): initial core and example expansion
University of São Paulo, Institute of Mathematical and Computer Sciences(圣保罗大学数学与计算机科学研究所)
可视化分析可以定义为由交互式可视化界面辅助的数据采掘。该领域一直受到研究人员,开发人员和行业的重视。然而,文献是复杂的,因为它涉及多个知识领域,而且是相当新的。在这篇文章中,我们描述了一个初步的试探性组织的知识领域的OWL本体和SKOS词汇。这项工作可能在许多方面都很有用,包括概念考虑和软件实现。在结果和讨论中,我们暴露了一个核心和一个例子的概念化扩展,并纳入设计问题,提高抽象的表达能力。
2017-10-27 cs.AI cs.CY
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
Evonne: Interactive Proof Visualization for Description Logics (System Description) -- Extended Version
TU Dresden(德累斯顿工业大学)
描述逻辑蕴涵的解释为大型本体的维护提供了重要的支持。在本体编辑器中通常用于此目的的“证明”精确指出本体中负责给定蕴涵的部分。蕴涵的证明使中间的推理步骤变得明确,从而解释了一个结论实际上是如何推导出来的。我们提出了一个交互式的系统,探索描述逻辑证明,称为Evonne,可视化的表达DL写的本体论的后果证明。我们描述了用于计算这些证明的方法,以及一个称为基于签名的证明浓缩的功能。此外,我们使用真实的本体来评估生成的证明的质量。
2022-05-19 cs.AI cs.LO
Automated and Explainable Ontology Extension Based on Deep Learning: A Case Study in the Chemical Domain
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Free University of Bozen-Bolzano(博尔扎诺自由大学);University College London(伦敦大学学院)
参考本体提供了一个共享的词汇和知识资源,为他们的领域。手工建造使它们能够保持高质量,使它们能够在社区中被广泛接受。但是,手动开发过程不能扩展到大型域。我们提出了一种新的方法,自动本体扩展,并将其应用到ChEBI本体,一个突出的参考生命科学化学本体。我们在ChEBI本体的叶节点结构及其所属的类上训练了一个基于Transformer的深度学习模型。然后,该模型能够自动分类以前看不见的化学结构。该模型的总体F1得分为0.80,比我们之前在同一数据集上的结果提高了6个百分点。此外,我们还展示了可视化模型的注意力权重如何通过提供模型如何做出决策的洞察来帮助解释结果。
2021-09-19 cs.AI
WiseOWL: A Methodology for Evaluating Ontological Descriptiveness and Semantic Correctness for Ontology Reuse and Ontology Recommendations
Department of Computer Science(计算机科学系);Kansas State University(堪萨斯州立大学);National Center for Ontological Research (NCOR)(本体研究国家中心(NCOR));University at Buffalo(布法罗大学);University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心);The University of Texas System(德克萨斯大学系统)
WiseOWL通过四个指标评估本体的描述性和语义正确性,帮助选择适合重用和推荐的本体,通过交互式可视化提升本体选择的系统性。
2026-04-13 cs.AI
Training Data Attribution for Image Generation using Ontology-Aligned Knowledge Graphs
National Centre for Scientific Research ``Demokritos''(国家科学研究中心「德莫克里特」);University of Glasgow(格拉斯哥大学)
本文提出利用本体对齐的知识图谱方法,通过多模态大语言模型提取图像中的结构化三元组,以追踪生成模型中训练数据的影响,从而提升透明度和可解释性。
2025-12-02 cs.AI
NeSy4VRD: A Multifaceted Resource for Neurosymbolic AI Research using Knowledge Graphs in Visual Relationship Detection
City, University of London(伦敦大学城市学院);University of Oslo(奥斯陆大学);Imperial College London(帝国理工学院)
NeSy4VRD提供VRD数据集图像、改进的视觉关系标注及配套OWL本体,并附带开源基础设施,支持知识图谱加载与扩展,以促进神经符号AI研究。
2023-05-22 cs.AI
EFO: the Emotion Frame Ontology
本文提出基于语义框架、遵循模式设计并对齐 DOLCE 的 EFO 情绪本体,以模块化方式表示多种情绪理论,并通过 EFO-BE、文本检测和多模态数据整合验证其推理与应用能力。
2024-01-19 cs.AI cs.CY cs.SC
IEDM, an Ontology for Irradiation Experiment Data Management
MINES ParisTech, PSL University(巴黎文理研究大学巴黎矿业学院);CERN(欧洲核子研究组织)
辐照实验(IE)是高能物理(HEP)粒子加速器和探测器发展的重要步骤。他们通过在短时间内模拟由于高能粒子轰击而导致的常见长期降解效应,评估HEP实验设备中使用的材料的辐射硬度。IE还用于其他科学和工业领域,例如医学(例如,用于癌症治疗、医学成像等),空间/航空电子设备(例如,用于有效载荷设备的辐射测试)以及在工业中(例如,用于食品杀菌)。这些复杂的过程通常使用电离辐射进行,需要高度专业化的基础设施:辐照设施。目前,全世界有数百个这样的设施。为了帮助开发最佳实践和促进计算机辅助处理和管理的IE,我们介绍IEDM,一个新的基于OWL的辐照实验数据管理本体。本文概述了IEDM的类和属性。由于IEDM的关键设计选择之一是最大限度地重用现有的基础本体,如科学实验本体(EXPO),测量单位本体(OM)和朋友的朋友本体(FOAF),我们讨论了IEDM与这些进口本体集成的方法问题。我们说明了IEDM的使用,通过一个实际的IE最近在IRRAD,欧洲核子研究中心的质子辐照设施。最后,我们讨论这项工作的其他动机,包括使用IEDM的IE管理的用户界面的生成,以及它们对我们的方法的影响。
2019-01-16 cs.AI cs.SE
Biomedical Document Clustering and Visualization based on the Concepts of Diseases
Purdue School of Engineering and Technology, IUPUI(印第安纳大学与普渡大学印第安纳波利斯联合分校普渡工程与技术学院)
文档聚类是一种文本挖掘技术,用于在数字图书馆或在线语料库中提供更好的文档搜索和浏览。基于现有本体的生物医学文档聚类已经有了很多研究。但是,医学概念的关联和同现并没有很好地表示使用本体。在本研究中,提出了一种疾病概念的向量表示和概念间的相似性度量。他们在语料库的背景下识别最接近的疾病概念。每个文档都使用向量空间模型表示。一个权重计划,提出了考虑本地内容和概念之间的关联。采用自组织映射作为文档聚类算法。SOM的矢量投影和可视化特性使其能够可视化和分析二维的空间上的聚类分布和相互关系。实验结果表明,提出的文档聚类框架产生有意义的集群,并促进可视化的疾病概念的基础上的集群。
2018-10-22 cs.AI cs.CL cs.LG
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
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
Ontology-Based Contextual AI Evaluations (OB-CAIE) Methodology
Humane Intelligence;Dynamical Systems Group(动力系统小组);Meta;Reliabl
OB-CAIE方法论通过定义领域特定本体和评估过程本体,明确测试内容,平衡人类与自动化,提升AI评估的科学严谨性、可复现性及失败点可追溯性。
2026-10-02 cs.AI cs.CY
CVE-SAI: Counterfactual Visual Evidence-Guided Selective Attribute Indexing for Risk-Controlled E-commerce Search
Sun Yat-Sen University(中山大学);Nanyang Technological University(南洋理工大学);Tencent(腾讯)
本研究提出CVE-SAI方法,将电商属性推断与索引准入分离,通过反事实视觉证据控制风险,在5%不安全准入预算下,于Amazon Berkeley Objects数据集上实现了更优的属性补全与检索性能。
2026-08-27 cs.AI cs.CV
CyberCane: a privacy-bounded neuro-symbolic retrieval framework for phishing detection under distribution shift
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Bowie State University(鲍威州立大学)
CyberCane结合确定性符号分析与隐私保护RAG,通过形式本体推理实现高召回率的钓鱼检测,在隐私保护和抗AI攻击方面表现优异。
2026-10-20 cs.AI cs.CR cs.IR
Learning Visually Grounded Domain Ontologies via Embodied Conversation and Explanation
School of Informatics, The University of Edinburgh(爱丁堡大学信息学院)
本研究提出一种通过具身对话与解释学习视觉接地领域本体的框架,借助教师对智能体错误解释的反馈补全本体知识与修正视觉识别,实验验证该框架能提升低资源视觉任务的学习数据效率。
2024-12-13 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
An ontology-based chatbot for crises management: use case coronavirus
Tunis El Manar University(突尼斯埃尔马纳尔大学);Faculty of Sciences of Tunis(突尼斯理学院)
今天是机器智能的时代。随着人工智能的进步,机器已经开始模仿不同的人类特征,聊天机器人是会话服务领域的下一件大事。聊天机器人是一个虚拟人,能够与人进行自然对话。它们可以包括使它们能够以音频,视觉或文本格式与人类交谈的技能。人工智能对话实体,也称为聊天机器人、对话代理或对话系统,是这种机器的一个很好的例子。在正确的时间和地点获得正确的信息是有效灾害管理的关键。“灾害管理”一词包括自然灾害和人为灾害。为了帮助市民,我们的项目是创建一个COVID助理,以提供24小时可用的最新信息。随着万维网的发展,用户对快速和相关正确的信息感兴趣是可以理解的。聊天机器人可以被看作是一个问答系统,在这个系统中,专家提供知识来征求用户。这篇硕士论文致力于讨论COVID Assistant聊天机器人,并详细解释每个组件。建议聊天机器人的设计介绍了它的七个组成部分:本体,网页搜罗模块,数据库,状态机,关键字提取器,训练聊天机器人,和用户界面。
2020-11-02 cs.AI cs.HC
Knowledge Base Approach for 3D Objects Detection in Point Clouds Using 3D Processing and Specialists Knowledge
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。在这里,我们分享我们的经验,关于创建三维语义设施模型的无组织的三维点云。因此,一个基于知识的检测方法的对象使用OWL本体语言。此知识用于定义SWRL检测规则。此外,SWRL规则中的3D处理内置和拓扑内置的组合允许更灵活和智能的检测,以及3D点云中包含的对象的注释。所创建的WiDOP原型以一组3D点云作为输入,并产生与VRML语言中可视化的索引场景相对应的填充本体作为输出。该研究的背景下,是具体化的德国铁路公司的场景,如信号,技术柜,电线杆等,因此,产生的丰富和填充本体,它包含在点云中的对象的注释,用于饲料的GIS系统或IFC文件的架构目的的检测。
2013-01-21 cs.AI
Comparison of ontology alignment systems across single matching task via the McNemar's test
Delft University of Technology(代尔夫特理工大学);Ferdowsi University of Mashhad(马什哈德 Ferdowsi 大学);TNO Research Institute(TNO 研究所)
本体对齐被广泛用于发现不同领域中不同本体之间的对应关系。在发现对齐之后,可以使用几个性能分数来评估它们。分数通常需要所识别的对齐和包含给定本体的潜在实际对应关系的参考。对齐评估的当前趋势是提出新的分数(例如,精度、加权精度等)并通过并置所获得的分数来比较各种比对。然而,在其他指标中选择一个指标进行比较是非常具有挑衅性的。最重要的是,声称一个系统是否具有比另一个更好的性能不能仅仅通过比较两个标量来证实。在本文中,我们提出的统计程序,使我们能够在理论上有利于一个系统比另一个。麦克内马尔的测试是统计手段,通过比较两个本体对齐系统,本文提出了一个匹配任务,该检验适用于一个2 × 2列联表,该列联表可以根据线路的不同情况用两种不同的方法构造,每种方法都有各自的优点和缺陷。文中详细阐述了列联表的构造方法和McNemar检验中的各种适用统计量。在有两个以上线路系统进行比较的情况下,预期会发生全族出错率。因此,也讨论了防止这种错误的方法。有向图可视化了在存在多个对齐系统的情况下McNemar测试的结果。从这个图中,很容易理解一个系统是否优于另一个系统,或者它们的差异是否无法察觉。所提出的统计方法被应用于参加OAEI 2016解剖跟踪的系统,并且还比较用于相同匹配问题的几个公知的相似性度量。
2018-04-20 cs.AI
Semantic Sensor Network Ontology based Decision Support System for Forest Fire Management
Indian Institute of Information Technology Allahabad(印度理工学院阿拉哈巴德分校);National Institute of Technology Patna(印度国立理工学院巴特那分校)
森林是每个国家的重要资产。当它被破坏时,它可能会对环境产生负面影响,森林火灾是主要原因之一。火灾天气指数被广泛用于衡量火灾危险性,并用于发布火灾预警。它还可以用来预测应急管理资源的需求。传感器网络在数据汇集和处理能力方面越来越受欢迎,用于医疗、环境监测、家庭自动化等行业的各种应用。语义传感器网络可以收集各种气候情况,如风速、温度和相对湿度。然而,估计火灾天气指数是具有挑战性的,由于处理传感器产生的数据流所涉及的各种问题。因此,森林火灾探测的重要性日益增加。底层的语义传感器网络(SSN)本体的建立,使开发人员能够创建计算火灾天气指数的规则,并将数据集转换为资源描述框架(RDF)。本研究描述了制定火灾天气指数计算规则的各个步骤。此外,这项工作提出了一个基于Web的映射界面,以帮助用户可视化火灾天气指数随时间的变化。在推理规则的帮助下,设计了一个基于SSN本体的决策支持系统,并通过SPARQL查询SSN本体。提出的火灾管理系统根据情况采取行动,支持推理和开放世界的一般语义,所有本体都遵循
2022-07-13 cs.AI cs.CY
Visual Analysis of Ontology Matching Results with the MELT Dashboard
在这个演示中,我们介绍了MELT仪表板,一个交互式的Web用户界面的本体对齐评估,这是创建与现有的匹配评估工具包(MELT)。与本体匹配领域中现有的静态评估接口相比,我们的仪表板允许交互式自助服务分析,例如深入到数据类型属性的匹配器性能或在一定置信度阈值内的匹配器性能。此外,仪表板提供了详细的组评估功能,允许在广泛的评估活动中应用,如本体对齐评估计划(OAEI)。
2020-04-27 cs.DB cs.IR
SYNTHIA: Novel Concept Design with Affordance Composition
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California Los Angeles(加州大学洛杉矶分校)
SYNTHIA通过分层概念本体和课程学习方案,实现基于功能连贯性的新颖设计生成。
2025-12-04 cs.AI cs.CV
Distributional semantic modeling: a revised technique to train term/word vector space models applying the ontology-related approach
受最近的本体相关方法(使用不同类型的上下文知识,如句法知识、术语知识、语义知识等)的启发,我们设计了一种基于神经网络的分布式语义建模方法--术语向量空间模型。能够识别术语(术语抽取)和它们之间的关系(关系抽取)的技术称为语义预处理技术-- SPT。我们的方法依赖于从自然语言文本中自动提取术语,并随后形成面向问题或面向应用(也有深度注释)的文本语料库,其中基本实体是术语(包括非成分和成分术语)。这给了我们一个从分布式词表示(或词嵌入)转换到分布式词表示(或词嵌入)的机会。这种转换将允许生成不同主题域的更准确的语义映射(也是输入术语之间的关系-这对于探索集群和对立或测试您对它们的假设很有用)。语义映射可以使用Vec 2graph表示为一个图,Vec 2graph是一个Python库,用于将词嵌入(在本例中为术语嵌入)可视化为动态和交互式图。结合术语嵌入的Vec 2graph库不仅可以提高解决标准NLP任务的准确性,还可以更新自动化本体开发的传统概念。我们工作的主要实际成果是开发工具包(表示为Web服务API和Web应用程序的工具包集),它提供了所有必要的例程,用于基本的语言预处理和乌克兰语自然语言文本的语义预处理,用于将来的术语向量空间模型的训练。
2020-03-06 cs.AI cs.CL
Visual Affect Around the World: A Large-scale Multilingual Visual Sentiment Ontology
Columbia University(哥伦比亚大学);Idiap Research Institute(伊迪亚普研究所);EPFL(洛桑联邦理工学院);Yahoo Labs(雅虎实验室);JW Player(JW Player公司)
每一种文化和语言都是独一无二的。我们的工作明确地集中在文化和语言的独特性与人类的影响,特别是情绪和情感语义,以及它们如何体现在社会多媒体。我们通过调整最初由Borth et al.(2013)引入的称为形容词-名词对的语义结构来开发情感和情感极化的视觉概念集。我们提出了一种新的依赖于语言的方法来自动发现这些形容词-名词结构。我们展示了如何将此管道应用于社交多媒体平台,以创建大规模的多语言视觉情感概念本体(MVSO)。与Borth et al.(2013)中的平面结构不同,我们的统一本体论是由视觉上可检测的名词的多语言集群和这些名词的情感偏见版本的子集群分层组织的。此外,我们提出了一个基于图像的预测任务,以显示如何推广的语言特定的模型是在多语言的背景下。一个新的,公开可用的数据集,包含12种语言的>15.6K情感偏见视觉概念,具有语言特定的检测器库,>7.36M图像及其元数据。
2015-10-07 cs.CL cs.CV cs.IR
A Review of Multilingualism in and for Ontologies
University of Cape Town(开普敦大学)
多语言语义网已经被关注了十多年。关联数据和RDF中的多语言性已被大量采用,但自15年前的上次审查以来,本体论的情况尚不清楚。OWL的设计目标之一是国际化,目的是使本体可以跨语言和文化使用。与此同时,许多改进多语言本体的研究已经进行,并且推测多语言链接数据可以使用多语言本体。因此,本次审查旨在(一)阐明和比较多语言本体的建模选项,(二)检查现存的本体的多语言性,及(三)评估本体编辑器管理多语言本体的能力。确定了九种不同的对本体中的多语言性进行建模的主要方法,这些方法分为以下方法之一:使用多语言标签、语言模型或基于映射的方法。他们比较设计的特设可视化模式的建模多语言信息的本体,缺点,以及他们的目标是解决什么问题。对于本体,我们从BioPortal和LOV存储库中提取了生产级和可访问的本体,这两个存储库最多分别有6.77%和15.74%的多语言本体,其中大多数只有部分翻译,并且它们都只使用基于标签的方法。基于管理多语言本体的九个工具要求,对七个相关本体编辑器的评估表明,在工具支持方面存在重大差距,VocBench 3最接近于满足所有这些要求。这种盘点可以作为一个新的基线,并激励新的研究方向的多语言本体。
2022-10-06 cs.AI
Visual Concept Ontology for Image Annotations
尽管基于内容的数据管理得到了发展,但基于文本的检索仍然是许多领域多媒体检索的主要手段。因此,文本元数据的自动创建是增加多媒体对象的可查找性的重要工具。基于搜索的注释工具试图通过利用web数据来提供内容描述性关键字,这些数据很容易获得,但非结构化和嘈杂。这些数据需要在语义资源的帮助下进行分析,这些语义资源提供了关于给定领域中对象和关系的知识。在本文中,我们专注于通用图像注释的任务,并提出了VCO,一个新的本体的视觉概念开发的图像注释框架的一部分。本体与WordNet词汇数据库链接,因此注释工具可以轻松地集成来自这两个资源的信息。
2014-11-28 cs.DL cs.IR
A semi-automatic semantic method for mapping SNOMED CT concepts to VCM Icons
University Paris 13(巴黎第十三大学)
VCM(Visualization of Concept in Medicine,医学概念可视化)是一种用图标表示医学概念的图标语言。但是,将该语言与参考术语(如SNOMED CT)一起使用时,需要将其图标映射到这些术语的术语。在这里,我们提出并评估了一个半自动的语义SNOMED CT概念的VCM图标的映射方法。SNOMED CT和VCM本质上都是组合的; SNOMED CT用描述逻辑表示,VCM语义在OWL本体中形式化。所提出的方法涉及手动映射的VCM本体的底层概念的数量有限,然后自动生成其余的映射。我们将这种方法应用于SNOMED CT CORE子集的临床结果,并由三位专家对100个随机选择的映射进行评估。所获得的结果是有希望的,根据专家的说法,有82个SNOMED CT概念正确地与VCM图标相关联。大多数错误都很容易修复。
2013-12-03 cs.AI cs.HC
RNA-KG: An ontology-based knowledge graph for representing interactions involving RNA molecules
University of Milan(米兰大学);Columbia University Irving Medical Center(哥伦比亚大学欧文医学中心);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
提出RNA-KG,一个整合50多个数据库的RNA知识图谱,通过本体对齐统一表示RNA相关生物分子与医学概念,支持SPARQL查询与计算分析,为“RNA世界”研究提供集中一致的资源。
2023-11-30 cs.AI cs.CE
Toward the Automatic Generation of a Semantic VRML Model from Unorganized 3D Point Clouds
本文介绍了我们的经验,关于创建三维语义设施模型的无组织的三维点云。因此,一个基于知识的检测方法的对象使用OWL本体语言。此知识用于定义SWRL检测规则。此外,SWRL规则中三维处理内置和拓扑内置的结合旨在将三维点云的几何分析与专家知识相结合。这种组合允许更灵活和智能的检测和3D点云中包含的对象的注释。所创建的WiDOP原型以一组3D点云作为输入,并产生在VRML语言中可视化的彩色对象的索引场景作为输出。该研究的背景下是具体化的德国铁路场景,如信号,技术柜,电线杆等,因此,产生的丰富和填充域本体,包含在点云中的对象的注释,是用来喂养的GIS系统内的铁路对象的检测。
2013-01-21 cs.AI cs.CG
Ontology-based Secure Retrieval of Semantically Significant Visual Contents
图像分类是一个热门的研究领域,它根据图像的视觉内容将大量的图像数据分类为不同的类别。研究人员已经提出了各种基于低层次特征的技术,用于将图像分类为不同的类别。然而,由于视觉内容的复杂性,高效和有效的分类和检索仍然是一个具有挑战性的问题。此外,传统的信息检索技术容易受到安全风险的影响,使得攻击者很容易检索到患者记录和执法机构数据库等个人视觉内容。因此,我们提出了一种新的基于本体的框架,使用图像隐写安全的图像分类和信息检索。该框架使用特定领域的本体映射的低层次的图像特征,从而导致高效的分类的高层次概念的本体。此外,所提出的方法利用图像隐写隐藏图像语义作为一个秘密的消息在他们里面,使信息检索过程安全的第三方。所提出的框架最大限度地减少了传统技术的计算复杂性,增加了其适用于安全和实时的个性化图像数据库中的视觉内容检索。实验结果证实了效率,有效性和安全性所提出的框架相比,与其他国家的最先进的系统。
2015-10-08 cs.IR cs.MM
ODVICE: An Ontology-Driven Visual Analytic Tool for Interactive Cohort Extraction
IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
电子健康记录(EHR)的增加使研究人员能够研究各种医学问题。研究假设的队列选择是EHR分析的主要考虑因素之一。对于不常见的疾病,从EHR中提取的队列包含非常有限的记录数量-阻碍了任何分析的鲁棒性。数据增强方法已经成功地应用于其他领域,主要使用模拟记录来解决这个问题。在本文中,我们提出了ODVICE,一个数据增强框架,利用医学概念本体系统地增加记录使用一种新的本体指导的蒙特卡罗图生成算法。该工具允许最终用户指定一小组交互式控件来控制增强过程。我们通过对MIMIC-III数据集进行两个学习任务的研究来分析ODVICE的重要性。我们的研究结果证明了ODVICE增强队列的预测性能,与非增强数据集和其他数据增强策略相比,曲线下面积(AUC)提高了约30%。
2020-05-13 cs.IR cs.LG stat.ML
Visual Semantic Multimedia Event Model for Complex Event Detection in Video Streams
Lero-Irish Software Research Centre(Lero爱尔兰软件研究中心);National University of Ireland Galway(爱尔兰国立高威大学)
多媒体数据是高度表达性的,传统上机器很难解释。诸如复杂事件处理(CEP)之类的中间件系统从数据流中挖掘模式,并及时向用户发送通知。目前,CEP系统由于其数据复杂性和缺乏底层结构化数据模型而具有处理多媒体流的固有限制。在这项工作中,我们提出了一个视觉事件规范的方法,使复杂的多媒体事件处理,通过创建一个语义知识表示来自低级别的媒体流。该方法使得能够使用模式检测能力的集合来从媒体流中检测高级语义概念。语义模型与多媒体CEP引擎深度学习模型一致,以使最终用户能够灵活地使用时空事件演算来构建规则。这增强了CEP从媒体流中检测模式的能力,并弥合了以知识为中心的高表达性用户查询与多媒体数据的低级特征之间的语义差距。我们已经建立了一个小型的交通事件本体原型验证的方法和性能。本文的贡献是三个方面:i)我们提出了一个多媒体流的知识图谱表示,ii)一个分层的事件网络来检测来自媒体流的视觉模式和iii)使用事件演算定义复杂的多媒体事件推理的复杂模式规则
2020-09-30 cs.AI cs.DB cs.MM
Video (GIF) Sentiment Analysis using Large-Scale Mid-Level Ontology
Xiamen University(厦门大学)
随着更快的连接速度,互联网用户现在使社交网络成为文本,图像和视频剪辑(GIF)的巨大水库。情感分析可用于预测政治选举、评估经济指标等,但GIF情感分析具有相当大的挑战性,不仅因为它依赖于时空视觉内容的提取,而且这种提取与最终情感之间的关系还不清楚。本文提出了一种基于SentiPairSequence的时空视觉情感本体,它构成了GIF情感的中级表示。SentiPair的建立过程包括两个步骤。首先,我们构造Synset森林来定义视觉情感标签元素的语义树结构。然后,通过Synset森林,我们有机地选择和组合情感标签元素,形成一个中级的视觉情感表示。我们的实验表明,SentiPair优于其他竞争的中级属性。使用SentiPair,我们的分析框架可以达到令人满意的预测准确率(72.6%)。我们还向研究界开放了我们的数据集(GSO-2015)。GSO-2015包含了40,000多个候选项中的6,000多个手动注释的GIF。每个都标有情感和SentiPair序列。
2015-06-02 cs.CL cs.IR cs.MM
Ontology from Local Hierarchical Structure in Text
我们研究了可视化文本数据和导航文本集合的背景下的层次结构的概念。一个“层次”的形式框架是由超度量拓扑给出的。这为概念层次的建立提供了理论基础。主要目标是概念图的{ \em可扩展}注释或标记。偶然地,我们追求其他目标,例如导出常见的词对(和三重)短语,即,单词2-和3-克。我们评估我们的方法使用(i)文本的集合,(ii)一个单一的文本细分成连续的部分(为此,我们提供了一个互动的演示),(iii)在句子或行级细分的文本。虽然详细介绍了一个通用的框架,我们的工作的一个显着特点是,我们专注于{ \em局部}的层次结构,以提取语义信息。
2007-01-27 cs.IR
A model of Cross Language Retrieval for IT domain papers through a map of ACM Computing Classification System
本文提出了一个概念模型,以及相关的工具,以帮助高级学习者找到改编的书目。其目的是使用IT代表作为研究新人的教育研究软件。我们使用基于ACM的计算分类系统的本体,以便在没有任何正式请求的情况下找到与新研究人员的领域直接相关的科学文章。本体翻译在法国自动提出,可以基于Web 2.0增强了社区的用户。提出了一个可视化和导航模型,使其更容易访问,并给出了例子来展示我们的工具的界面:本体导航。
2011-11-30 cs.DL cs.HC cs.IR