The Authority Resolution Framework: A Five-Domain Ontology for Governing Who and What Decides, at Scale
本文提出ARF五域本体，将权威关系定义为跨域原语，提供机器可解释的权威表示，支持AI智能体在执行行动前确定权威的来源、范围与有效性，属于AI治理交叉领域的知识表示与推理研究。
2026-08-18 cs.AI
ApplE: A Modular Ontology of Applied Ethics and Event Context for Ethical Decision Modeling
IIIT-Delhi（德里印度信息技术学院）
该研究提出模块化应用伦理本体ApplE，采用改进SAMOD构建，结合伦理理论与事件上下文，经医疗用例验证，遵循FAIR原则，可用于伦理AI系统等的建模资源。
2026-08-04 cs.AI cs.CY
Semantic Alignment of Multilingual Knowledge Graphs via Contextualized Vector Projections
Abhishek Kumar
本文提出了一种基于上下文向量投影的多语言知识图谱语义对齐方法，通过改进的嵌入生成和余弦相似度匹配，提升了跨语言本体对齐的精度和召回率。
2026-01-20 cs.AI
Ontomathedu Ontology Enrichment Method
Federal State Institution of the Federal Research Center NIISI RAS（俄罗斯科学院NIISI联邦研究中心联邦国家机构）；Kazan Federal University（喀山联邦大学）
如今，远程学习技术已经变得非常流行。最近的流行病对远程教育技术的发展产生了特别强烈的影响。喀山联邦大学有一个基于LMS Moodle的远程学习系统。本文描述了OntoMathEdu生态系统的结构，旨在改善学校数学课程的教学过程，并提供了一种方法，用于改进OntoMathEdu本体结构的基础上，确定上下文相关的概念之间的新连接。
2022-12-01 cs.AI
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
An Argumentation-Based Legal Reasoning Approach for DL-Ontology
Edinburgh Law School, University of Edinburgh（爱丁堡大学法学院）
本体是包括法律领域在内的不同领域中知识表示的一种流行方法，描述逻辑（DL）是其常用的描述语言。为了处理基于不一致DL的法律本体的推理，本文在ASPIC+的基础上提出了一个结构化的论证框架，并将法律本体转化为论证理论的公式和规则。从法律人工智能的角度特别关注自动驾驶汽车的设计，我们表明，使用这种形式化论证和基于DL的法律本体相结合的理论，可以获得可接受的断言不一致的本体的基础上，DL本体的传统推理任务也可以完成。此外，给出了推理结果解释的形式化定义。
2022-09-18 cs.AI
Revisiting Indirect Ontology Alignment : New Challenging Issues in Cross-Lingual Context
Université de Tunis El Manar（突尼斯埃尔马纳尔大学）
本体对齐过程在知识工程中被压倒性地引用为旨在绕过异构性并协调由本体表示的各种数据源的关键机制，即，语义网的基石。在这样的基础设施和环境中，假设覆盖特定知识领域的所有本体都成对对齐是不可想象的。此外，对准方法的高性能与两个因素密切相关，即，时间消耗和机器资源限制。因此，高质量的比对是有价值的，并且利用它们将是适当的。基于此，本文介绍了一种在跨语言环境下本体间接对齐的新方法。事实上，所提出的方法处理多语言本体的对齐，并实现了一个间接的本体对齐策略的组成和重用的基础上有效的直接对齐。所提出的方法过程的触发器是基于对齐代数，它管理的关系和置信度值的语义组成。经过彻底和详细的实验，所获得的结果是非常令人鼓舞的，并突出了新提出的方法的许多积极方面。
2021-04-04 cs.AI cs.IR
Multifaceted Context Representation using Dual Attention for Ontology Alignment
IIIT Hyderabad（印度信息技术与通信技术研究院海得拉巴分校）；IBM Research（IBM研究院）
本体对齐是一个重要的研究问题，发现应用在各个领域，如数据集成，数据传输，数据准备等国家的最先进的（SOTA）架构本体对齐通常使用天真的领域依赖的方法与手工制作的规则和手动分配的值，使它们不可扩展和效率低下。用于本体对齐的深度学习方法使用特定于领域的架构，这些架构不仅无法扩展到其他数据集和领域，而且由于各种限制（包括模型的过拟合，数据集的稀疏性等），通常比基于规则的方法表现更差。基于深度学习的模型，使用双重注意力机制来计算概念的上下文表示，以学习对齐。通过这样做，我们的方法不仅利用本体的语法和语义结构，它也是，通过设计，灵活和可扩展到不同的领域，以最小的努力。我们验证了我们的方法在不同领域的各种数据集和多语言设置，并显示其优越的性能SOTA方法。
2020-10-26 cs.AI cs.DB cs.LG
Learning from Ontology Streams with Semantic Concept Drift
INRIA（法国国家信息与自动化研究所）；Accenture Labs（埃森哲实验室）；Zhejiang University（浙江大学）；University of Aberdeen（阿伯丁大学）
数据流学习已经被大量研究，用于从连续和快速的数据记录中提取知识结构。在语义Web中，数据被解释为本体，其有序序列被表示为本体流。我们的工作利用这种流的语义来解决概念漂移的问题，即，数据分布的意外变化，导致大多数模型随着时间的推移而变得不那么准确。为此，我们重新审视了（i）有监督流学习背景下的语义推理，以及（ii）具有语义嵌入的模型。用都柏林和北京的数据进行了实验，结果表明该方法具有较好的预测效果。
2017-04-24 cs.AI
A Survey on Semantic Modeling for Building Energy Management
LASIGE, DI, Faculdade de Ciências, Universidade de Lisboa, Portugal（里斯本大学科学学院激光工程与信息研究所）
综述建筑运行阶段语义建模，分析60个模型和20多个用例，提出本体证据完备性指标，发现物理结构覆盖好而动态概念覆盖不足，指出提升互操作性和泛化能力的方向。
2026-09-07 cs.AI
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
Context Related Derivation of Word Senses
在自然语言文档处理的实际应用中，在分析一个新领域的文档时，经常会遇到特定领域的词汇空缺。本文介绍了一种方法，用于派生领域特定的概念，现有的本体的扩展。作为资源，我们需要一个初始的本体和一个部分处理的领域语料库。我们利用语料库中的子语言的具体特征。我们的方法是基于句法结构（名词短语）和复合分析，以提取所需的信息扩展GermaNet的词汇资源。
2005-01-31 cs.AI
Artificial Intelligence Algorithms for Natural Language Processing and the Semantic Web Ontology Learning
Sulaimani Polytechnic University（苏莱曼尼亚理工大学）；University of Southampton（南安普顿大学）
进化聚类算法被认为是最流行和最广泛使用的进化算法，在几乎所有领域的最小优化和实际问题。本文提出了一种新的进化聚类算法星型（ECA *）。此外，进行了一些实验，以评估ECA * 对五个国家的最先进的方法。为此，使用32个异构和多特征数据集，使用内部和外部聚类措施来检查其性能，并以操作框架的形式测量其性能对数据集特征的敏感性。结果表明，ECA * 克服了它的竞争技术方面的能力，找到正确的集群。基于其优越的性能，开发和适应ECA * 的本体学习具有重要的可能性。在从语料库中提取概念层次的过程中，形式背景的生成是一个非常耗时的过程。因此，形式上下文大小的减少导致去除不感兴趣的和错误的对，从而花费更少的时间来提取概念格和概念层次。在这一前提下，这项工作的目的是提出一个框架，以减少模糊的正式背景下，现有的框架，使用自适应版本的ECA *。在这两个框架下，使用维基百科的385个样本语料进行实验，研究了形式背景规模的减少，从而产生概念格和概念层次。使用概念格不变量对所得到的形式背景格进行评估。相应地，这两个格之间的同态保持了89%的质量，从而产生的概念层次结构的基本的，和减少的概念格继承了原来的结构关系。
2021-08-31 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
Role of Ontology in Semantic Web Development
Vienna University of Technology（维也纳技术大学）
万维网（WWW）是最流行的全球信息共享和通信系统，由三个标准组成，即，统一资源标识符（URL）、超文本传输协议（HTTP）和超文本标记语言（HTML）。通过使用HTML，信息以文本，图像，音频和视频格式在Web上提供，HTML被认为是定义和形式化上下文含义的非常规方法。
2010-08-07 cs.AI
Ontology Memory-Augmented ASR Correction for Long Text-Speech Interleaved Conversations
Institute of Computing and Intelligence, Harbin Institute of Technology (Shenzhen), China（哈尔滨工业大学（深圳）计算与智能研究所）；Shenzhen Loop Area Institute (SLAI), China（深圳环域研究所）
提出本体记忆增强的ASR校正框架，通过动态更新本体记忆存储实体、术语、变体、混淆和语义关系，解决长文本-语音交错对话中的上下文校正问题，在RAMC-Corr数据集上优于直接校正。
2026-06-15 cs.AI cs.CL
Ontology in Hybrid Intelligence: a concise literature review
University of Technology Sydney（悉尼科技大学）
本文综述了Ontology在Hybrid Intelligence中的应用，指出其在提升质量、互操作性和可解释性方面作用显著（70+%系统已应用），但指出文献缺乏对下一代混合智能环境的整体讨论及对自动推理的明确关注。
2023-10-17 cs.AI
NFRsTDO v1.2's Terms, Properties, and Relationships -- A Top-Domain Non-Functional Requirements Ontology
GIDIS_Web, Facultad de Ingeniería, UNLPam（GIDIS_Web，UNLPam工程学院）
本预印本指定并定义了NFRsTDO（非功能需求顶级领域本体）的所有术语、属性和关系。NFRsTDO v1.2，其UML概念如图1所示，是其前身NFRsTDO v1.1的稍微更新版本。NFRsTDO是一个本体，主要致力于质量（非功能）要求和质量/成本视图，它被放置在称为FCD-OntoArch（科学的基础，核心，领域和实例本体架构）的多层本体架构的上下文中的顶级域级别。图2描述了它的五个层，包括基础层、核心层、顶级域层、低级域层和实例层。每个级别都填充有本体组件，或者换句话说，本体。同一层次的本体可以相互关联，但基础层次的本体只有ThingFO（Thing Foundational Ontology），而且较低层次的本体的术语和关系可以通过较高层次的本体的术语和关系得到语义上的丰富。NFRsTDO的术语和关系主要从ThingFO、SituationCO（SituationCore Ontology）、ProcessCO（Process Core Ontology）和FRsTDO（Functional Requirements Top-Domain Ontology）扩展/重用。刻板印象是用于丰富NFRsTDO术语的机制。请注意，从先前版本（NFRsTDO v1.1）到当前版本（v1.2）的更新注释可参见附录A。
2023-02-02 cs.AI
Tractable Diversity: Scalable Multiperspective Ontology Management via Standpoint EL
TU Dresden（德累斯顿工业大学）
本文提出 Standpoint EL，一种 EL 的多模态扩展，用于集成表示多视角领域知识，并证明其保持 PTime 可推理性，而额外特性会导致不可处理。
2023-02-25 cs.AI
Multi-Ontology Integration with Dual-Axis Propagation for Medical Concept Representation
University of Kansas（堪萨斯大学）
针对多医学本体难以统一建模的问题，提出 LLM 增强的 LINKO 框架，以本体内部垂直与本体间水平双轴传播学习概念表示，并在两个公共数据集上验证其性能、低数据鲁棒性和罕见病预测优势。
2025-08-29 cs.AI cs.LG
Towards a Forensic Event Ontology to Assist Video Surveillance-based Vandalism Detection
Queen Mary University of London（伦敦玛丽女王大学）；ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）
事件的检测和表示是自动监控系统中的关键要素。我们在这里提出了一个本体表示复杂的语义事件，以协助基于视频监控的故意破坏检测。本体包含丰富的和明确的事件词汇表的定义，旨在帮助法医分析客观地识别和表示复杂的事件。然后，我们的本体论被应用于2011年发生的伦敦骚乱的背景下。我们还报告进行的实验，以支持复杂的犯罪事件从视频数据的分类。
2019-03-21 cs.AI eess.IV
Toward Effective and Reliable LLM Agents via Dynamic Ontology
本文提出OaK框架，通过动态构建优化面向任务的本体论，在TravelPlanner等数据集上验证其可提升LLM智能体的证据基础与多步推理可靠性。
2026-08-25 cs.AI
Developing an ontology for the access to the contents of an archival fonds: the case of the Catasto Gregoriano
这项研究被提议利用和扩展Catasto Gregoriano的信息资产的关系和上下文性质，保存在罗马的Archivio di Stato。开发的MODEUS项目（使开放数据有效地使用），这项研究源于MODEUS的以下关键思想：要求开放数据表示的本体论，并包括这样的本体论作为数据本身的文档。因此，开放数据通过本体自然地联系在一起，这符合关联开放数据愿景的要求。
2017-02-15 cs.AI cs.DL
Ontology-supported AI Model and Dataset Management
FZI Research Center for Information Technology（FZI信息技术研究中心）；University of Tübingen（蒂宾根大学）
本文提出一款融入本体的AI模型交换平台，用于工业场景下AI模型与数据集的交换管理，通过实时关键系统用例验证其实用性。
2026-08-24 cs.AI
ProcessCO v1.3's Terms, Properties, Relationships and Axioms - A Core Ontology for Processes
UNLPam（拉潘帕国立大学）
本预印本指定并定义了ProcessCO（过程核心本体）的所有术语、属性、关系和公理。ProcessCO是一个本体论，主要用于工作实体和相关术语，它被放置在称为FCD-OntoArch（科学的基础，核心和领域本体论架构）的多层本体论架构的上下文中的核心级别。这是一个五层的本体架构，它考虑了基础，核心，域和实例级别，其中域级别分为两个子级别，即：顶级域和低级域。除了基础层次只有ThingFO（Thing Foundational Ontology）外，其他层次的本体可以相互关联，并且较低层次的本体的术语和关系可以被较高层次的本体的术语和关系语义丰富。请注意，ThingFO和核心级别的本体（如ProcessCO、SituationCO等）都是与其术语无关的域。原型是用于主要从ThingFO本体丰富ProcessCO术语的机制。请注意，在本文档的最后，我们解决了ProcessCO与ThingFO的非分类关系验证矩阵。此外，请注意，从先前版本（ProcessCO v1.2）到当前版本（v1.3）的更新注释可参见附录A。例如，增加了6个公理。
2021-08-05 cs.AI
An Experiment in Retrofitting Competency Questions for Existing Ontologies
University of Liverpool（利物浦大学）
针对现有本体缺乏能力问题（CQs）的问题，提出利用生成式AI和大型语言模型直接从本体中提取候选CQs的RETROFIT-CQs方法，并验证了其流程在多个现有本体上的应用。
2023-11-09 cs.AI
Ontology-Amplified Distillation and Contextuality Auditing for Sovereign Enterprise Language Models: A Combined Proof-of-Mechanism and Negative-Results Method Study
AgenticOS（智能操作系统）
研究针对受数据驻留规则约束的金融机构需求，结合本体增强蒸馏机制验证与上下文审查方法，对Qwen3.6 - 27B学生模型进行训练及测试，结果不支持模型在多方面的优势，为企业语言模型应用提供参考。
2026-07-15 cs.AI cs.CL cs.LG
AIdentifyAGE Ontology for Decision Support in Forensic Dental Age Assessment
InESC-ID Lisboa（里斯本INESC-ID）；Instituto Superior Técnico（技术学院）；Faculdade de Medicina Dentária da Universidade de Lisboa（里斯本大学牙医学院）；FCiências.ID - Centro de Estatística e Aplicações da Universidade de Lisboa (CEAUL)（里斯本大学FCiências.ID）；Instituto Politécnico de Leiria - Escola Superior de Tecnologia e Gestão（莱里亚技术学院）；IST-ID；Instituto Superior de Engenharia de Lisboa（里斯本工程学院）
AIdentifyAGE本体通过标准化框架整合法医牙科年龄评估流程，提升医法律决策支持系统的透明度和可解释性。
2026-01-28 cs.AI
GPT, Ontology, and CAABAC: A Tripartite Personalized Access Control Model Anchored by Compliance, Context and Attribute
Harvard Business School（哈佛商学院）
本研究提出GPT-Onto-CAABAC框架，结合GPT、医疗法律本体与情境感知属性访问控制，动态解释策略以适应医疗法律环境，实证证明能提升电子健康记录访问安全，并具广泛适用性。
2024-03-13 cs.AI cs.CR cs.CY
An Ontology Design Pattern for representing Recurrent Situations
University of Bologna（博洛尼亚大学）
在本文中，我们提出了一个本体的设计模式，表示在定期复发的情况下，共享一些不变的因素，统一他们的概念：我们指的是这一组经常性的情况下，经常性的情况系列。所提出的模式似乎是基础性的，因为它可以概括为建模的顶级域独立的概念的复发，这是严格关联的不变性。该模式重用了其他基本模式，如收集、描述和情况、分类、顺序。事实上，一个经常性的情况系列是形式化的情况下，定期发生的时间和统一的一些属性，是共同的所有成员，和一个情况本身，它提供了一个关系上下文的成员，满足参考描述。除了包括这种模式的一些例证的例子，我们展示了它是如何被实施和专业化，以模拟经常性的文化活动和仪式在ArCo，意大利文化遗产的知识图谱。
2021-01-01 cs.AI
BERTMap: A BERT-based Ontology Alignment System
University of Oxford（牛津大学）；Samsung Research（三星研究院）
本体对齐（也称为本体匹配（OM））在知识集成中起着至关重要的作用。由于机器学习在许多领域的成功，它已经在OM中得到了应用。然而，现有的方法，往往采用ad-hoc特征工程或非上下文词嵌入，尚未优于基于规则的系统，特别是在无监督的设置。在本文中，我们提出了一种新的OM系统命名BERTMap，它可以支持无监督和半监督设置。该方法首先在文本语义语料库上使用基于上下文嵌入模型BERT的分类器预测映射，然后利用本体的结构和逻辑，通过扩展和修复来细化映射。我们对生物医学本体的三个对齐任务的评估表明，BERTMap通常比领先的OM系统LogMap和AML表现得更好。
2022-05-03 cs.AI cs.CL cs.LG
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
RIO: Minimizing User Interaction in Ontology Debugging
Alpen-Adria Universität（阿尔卑斯-亚德里亚大学）
高效的本体调试是语义Web环境中许多活动的基石，特别是当自动工具产生本体（部分）时，例如在本体匹配领域。目前已知的最好的交互式调试系统依赖于一些Meta信息的故障概率，这可以加快调试过程中的好的情况下，但也可以在坏的情况下的性能产生负面影响。问题在于，对Meta信息的评估只能在事后进行。因此，只要实际故障未知，就总是存在一些次优交互诊断区分的风险。作为一种替代办法，人们可能更愿意依靠一种追求无风险战略的工具。然而，在这种情况下，可能无法利用精心选择的Meta信息，从而再次导致低效的调试操作。在这项工作中，我们提出了一个强化学习策略，不断适应其行为取决于实现的性能，并最大限度地减少使用低质量的Meta信息的风险。因此，该方法适用于难以获得可靠的先验故障估计的应用场景。在本体匹配领域使用有问题的本体，我们表明，建议的风险感知查询策略优于主动学习方法和无风险的策略，平均而言，所需的用户交互量。
2012-09-17 cs.AI
5W1H+Which: Context-Valid Semantic Indexing with Progressive Ontology Binding
PwC China AI Center（普华永道中国人工智能中心）；Tsinghua University（清华大学）
提出5W1H+Which语义索引，分离内容提取与本体绑定，通过渐进式绑定和上下文约束提升跨任务证据覆盖，并计划用事实图基线验证其可测试性。
2026-10-27 cs.AI cs.CL cs.IR
From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration
Gamaizer；Université de technologie de Compiègne, CNRS, Heudiasyc（法国图尔学院、CNRS、Heudiasyc）；Sorbonne Université, CNRS UMR 7585, LPMHE（索邦大学、CNRS UMR 7585、LPMHE）
提出一种基于本体（CCAI）的框架，通过结构化建模任务、角色、资源和约束，将提示-响应交互转化为可查询的协作轨迹，以提升信息密集型工作流中的可追溯性和问责性。
2026-05-28 cs.AI cs.HC cs.IR
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
Detecting fake news for the new coronavirus by reasoning on the Covid-19 ontology
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
在新型冠状病毒肺炎大流行的背景下，许多人迅速传播欺骗性信息。我在这里研究如何推理描述逻辑（DL）可以检测可信的医疗来源和不可信的不一致。不受信任的信息以自然语言表示（例如，“Covid-19仅影响老年人”）。为了自动转换为DL，我使用了FRED转换器。然后使用Racer工具执行描述逻辑中的推理。
2020-04-26 cs.AI cs.CL
SituationCO v1.2's Terms, Properties, Relationships and Axioms -- A Core Ontology for Particular and Generic Situations
UNLPam（拉潘帕国立大学）
当前的预印本是SituationCO v1.1（Situation Core Ontology）的更新，代表了其新版本1.2。它指定并定义了SituationCO v1.2的所有术语、属性、关系和公理，作为一个特定和通用情境的本体论，置于称为FCD-OntoArch（科学基础、核心和领域本体论架构）的四层本体论架构的核心层面。这是一个四层的本体架构，它考虑了基础，核心，域和实例级别。反过来，域级别又分为两个子级别，即：顶级域和低级域本体级别。因此，实际上，我们可以将其视为五层架构。除了基础层次只有ThingFO（Thing Foundational Ontology）外，其他层次的本体可以相互关联，并且较低层次的本体的术语和关系可以被较高层次的本体的术语和关系语义丰富。请注意，ThingFO和核心级别的本体（如SituationCO、ProcessCO等）都是域独立的。SituationCO的术语和关系主要来自ThingFO。它还完全重用了主要来自ProcessCO、ProjectCO和GoalCO本体的术语。刻板印象是用来丰富SituationCO术语的机制。请注意，在本文档的最后，我们解决了SituationCO与ThingFO非分类关系验证矩阵。
2021-07-21 cs.AI
Automated Extraction and Creation of FBS Design Reasoning Knowledge Graphs from Structured Data in Product Catalogues Lacking Contextual Information
Indian Institute of Science（印度科学学院）；Harting India Private Limited（浩亭印度私人有限公司）
针对缺乏上下文的企业结构化产品数据无法直接构建标准本体知识图谱的问题，提出基于规则的方法与工作流，结合KG与NLP从遗留数据自动提取构建FBS本体知识图谱，经工业试点验证有效并总结了相关挑战与机遇。
2024-12-08 cs.AI cs.CL cs.IR
Ontology and Cognitive Outcomes
University at Buffalo（布法罗大学）；Cognotekt GmbH（科格诺泰克有限公司）；CUBRC, Inc.（CUBRC公司）
在这里，我们将“情报”理解为指为评估和维护国家安全而收集的知识项目。美国情报界（英语：Intelligence community of the United States，简称IC）是一个为美国收集和处理情报的组织团体。IC依赖于基于人机的分析策略，1）访问和整合来自不同来源的大量信息，2）持续处理这些信息，以便3）最大限度地全面了解世界参与者及其行为。在这里，我们描述了一种利用基于结果的学习（OBL）来支持这些努力的方法，该方法基于情报分析师进行的认知过程的本体论。对于认知过程本体论来说，特别重要的是被描述的类表示。这种表述在本质上是描述性的，其真实性值得信任。后者是因为一个被验证的表征总是由一个经过审查（或成功设计）的过程产生的，以可靠地产生真实的表征。因此，在其他上下文中，我们可能会称之为“知识项”。
2021-01-08 cs.AI
$γ(3,4)$ `Attention' in Cognitive Agents: Ontology-Free Knowledge Representations With Promise Theoretic Semantics
Oslo University College Chitek-i AS（奥斯陆大学学院奇特克-艾公司）
本文提出基于承诺理论语义的$γ(3,4)$图表示方法，通过特征角色分类替代复杂本体，提升不确定性条件下的推理效率。
2025-12-22 cs.AI
Thing Foundational Ontology: ThingFO v1.3's Terms, Properties, Relationships and Axioms
UNLPam（拉潘帕国立大学）；Engineering School, UNLPam（拉潘帕国立大学工程学院）
此预印本指定并定义了ThingFO（Thing Foundational Ontology）v1.3的所有术语、属性、关系和公理，这是其前身ThingFO v1.2的略微更新版本。它是一个特定和普遍事物的本体论，位于一个名为FCD-OntoArch（科学的基础，核心，领域和实例本体论架构）的五层本体论架构的基础级别。图2描述了它的五个层，包括基础、核心、顶级域、低级域和实例级别。两个指导方针和三个规则，指导本体的位置和约束，在这个本体架构中记录在一个单独的部分。每个级别都填充有本体组件，或者换句话说，本体。除了在基础级别（在基础级别中仅发现ThingFO本体）之外，在相同级别的本体可以彼此相关。此外，在较低级别的本体的术语和关系可以由来自较高级别的本体的术语和关系在语义上丰富。ThingFO和核心级别的本体，如ProcessCO，SituationCO等，是领域独立或中立的。ThingFO由三个主要概念组成，即：Thing，Thing Category和Assertion，它们代表了人类对特定和普遍事物的不同方面的表达。图1显示了UML语言中指定的ThingFO的概念化。请注意，从先前版本（v1.2）到当前版本（v1.3）的更新注释可参见附录A。
2022-02-28 cs.AI
Onto4MAT: A Swarm Shepherding Ontology for Generalised Multi-Agent Teaming
University of New South Wales（新南威尔士大学）
近年来，多智能体团队合作的研究大幅增加，支持团队合作过程的基于知识的系统通常专注于为团队提供功能（通信）解决方案，以响应方向。使人类能够有效地与一群自主认知代理进行交互和合作是人类群体合作研究中的一个开放性研究挑战，部分原因是专注于开发支持这些系统的使能架构。通常，代理之间的双向透明性和共享语义理解并没有优先考虑人群合作中的设计机制，这可能限制了人类和群团队如何通过概念和上下文\textemdash共享理解和信息\textemdash数据以实现目标。为了解决这个问题，我们提供了一个正式的知识表示设计，使集群人工智能的原因，其环境和系统，最终实现一个共同的目标。我们提出了本体的广义多智能体合作，Onto4MAT，使人类和团队之间更有效的合作，通过生物启发的方法牧羊。
2022-03-24 cs.AI
Contextualized Structural Self-supervised Learning for Ontology Matching
Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（卢蒙巴大学））；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对现有深度本体匹配模型存在的参考对齐缺失、推理延迟高、图结构利用不足等问题，提出融合概念上下文与结构信息的自监督本体匹配框架LaKERMap，在Bio-ML数据集上的对齐质量和推理速度均优于当前最优系统。
2023-10-05 cs.AI cs.CL cs.LG
Semantic Web Search based on Ontology Modeling using Protege Reasoner
VIT University（VIT大学）
语义网工作在现有的Web上，它将信息的含义表示为人们理解的定义良好的词汇表。同时，语义搜索通过理解搜索的意图并提供上下文相关的结果来提高搜索的准确性。本文介绍了一种语义的方法，通过PHP应用程序的Web搜索。其目标是解析用户的浏览历史，并为所提供的搜索查询返回语义相关的网页。
2013-05-24 cs.AI cs.IR
pro-team at LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning
Indian Institute of Information Technology Allahabad（印度阿拉哈巴德信息技术学院）
该团队针对LLMs4OL 2026挑战赛的两个本体学习任务，采用检索增强生成与词汇约束过滤方法，取得了特定指标结果，但存在未提取非分类关系的局限。
2026-09-02 cs.AI
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
Ontology Learning Using Formal Concept Analysis and WordNet
UNIVERSITY OF SOUTHAMPTON（南安普顿大学）；Faculty of Physical Science and Engineering（物理科学与工程学院）；School of Electronics and Computer Science（电子与计算机科学学院）
本文提出基于形式概念分析和WordNet的框架，从自由文本中学习概念层次结构，通过词性标注、解析和过滤构建形式背景，并测试基于WordNet和频率的方法缩减背景以加速概念格导出，实验证明该方法具有前景。
2023-11-10 cs.AI cs.CL
Know your exceptions: Towards an Ontology of Exceptions in Knowledge Representation
Free University of Bozen-Bolzano（波尔扎诺自由大学）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
针对可废止推理形式化体系的本体论适配选择难题，研究提出基于例外性与可废止性的比较框架，通过对四种系统的对比验证了框架可揭示不同体系的本体论差异。
2024-03-05 cs.AI
Joint learning of ontology and semantic parser from text
Jožef Stefan International Postgraduate School（约热夫·斯特凡国际研究生院）
语义解析方法用于捕获和表示文本的语义。捕捉文本中所有概念的意义表示可能并不总是可用的，或者可能不够完整。本体提供了一种结构化和推理能力的方式来建模文本集合的内容。在这项工作中，我们提出了一种新的方法来联合学习的本体和语义分析器从文本。该方法是基于半自动归纳的上下文无关文法从语义注释的文本。语法将文本解析成语义树。语法和语义树都用于在多个级别上学习本体-类，实例，分类和非分类关系。该方法在维基百科描述人物的页面的第一句话上进行了评估。
2016-01-05 cs.AI cs.CL
Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems
本文提出了一种混合架构，通过扩展LLMs的外部本体记忆层，实现结构化知识图谱的构建与维护，提升多步推理性能并支持生成-验证-修正流程。
2026-04-22 cs.AI
Personalization of Itineraries search using Ontology and Rules to Avoid Congestion in Urban Areas
University of Valenciennes and Hainaut-Cambrésis（瓦伦谢纳与埃诺-康布雷西大学）；University of Sfax（斯法克斯大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）
关于城市货运的研究相对较少。大多数关于城市交通的研究都集中在客运车辆上，而不是货运的商用车辆。然而，在许多方面，城市货运造成了拥堵、空气污染、噪音、事故和更多的燃料消耗，从而提高了物流成本，从而提高了产品价格。本文的主要重点是提出一种新的解决拥堵的方法，以改善城市地区的货物配送过程，优化运输成本，交付时间，燃料消耗和环境影响，同时保证货物和乘客的安全。针对这一问题，提出了一种基于城市物流本体和规则的个性化行程搜索方法。个性化的集成在捕获或推断每个利益相关者（用户）的需求，然后在给定的上下文中满足这些需求方面起着关键作用。所提出的方法实施的行程搜索问题，在城市地区的货运证明其能力，以促进智能决策支持检索最佳行程，满足大多数用户的喜好（利益相关者）。
2014-08-30 cs.AI
Ontology-Guided Evidence Path Inference for Multi-hop Knowledge Graph Question Answering
National University of Defense Technology（国防科技大学）；Pengcheng Laboratory（鹏城实验室）
提出OPI框架，利用关系中心本体图进行双向检索和迭代精炼，解决多跳KGQA中搜索空间爆炸和语义约束问题，在WebQSP、CWQ和MetaQA上显著提升性能。
2026-06-29 cs.AI
A Framework for Evaluating Agricultural Ontologies
Tel-Aviv University（特拉维夫大学）；Ben Gurion University of the Negev（本·古里安大学内盖夫分校）
本体是领域知识的一种形式化表示，它可以被机器解释。近年来，本体已经成为领域知识表示的主要工具，并且是许多知识管理系统、决策支持系统和其他智能系统的核心组成部分，特别是在农业背景下。然而，对现有农业本体论文献的回顾表明，大多数提出农业本体论的研究都缺乏明确的评价程序。这是不希望的，因为没有结构良好的评估过程，很难考虑本体的研究和实践的价值。此外，它是很难依赖于这样的本体，并共享它们的语义Web或语义感知应用程序之间。随着越来越多的基于本体的农业系统和语义网的日益普及，它成为必要的，这样的发展和评价方法，提出了指导未来的努力本体发展。我们的工作有助于农业本体的文献，提出了一种方法来评估农业本体，这似乎是从大多数现有的研究农业本体缺失。该框架支持匹配适当的评价方法为一个给定的本体的基础上本体的目的。
2019-06-26 cs.AI
