OntoWind: An Improved and Extended Wind Energy Ontology
TÜBİTAK Energy Institute（土耳其科学技术研究理事会能源研究所）；Gazi University（加济大学）
本体是许多应用领域的重要语义信息源。因此，有本体论的建议，并利用领域，如医学，化学工程和电能。在本文中，我们提出了一个改进和扩展版本的风能本体先前提出的。首先，本体被重构以增加其可理解性和覆盖率。其次，它是丰富的新概念，清晰/模糊的属性，和实例，以增加其在语义应用程序中的可用性有关风能。最终本体利用基于Web的语义门户应用程序的风能，以展示其在一个真正的应用程序的贡献。因此，目前的研究是一个重要的风，从而可再生能源信息学，提出了公开的风能本体和实现的概念验证系统。
2018-03-07 cs.AI
Automatic ontology generation for data mining using fca and clustering
Ecole Nationale d’Ingénieurs de Tunis（突尼斯国家工程师学院）
由于数据采掘领域对形式化表示的需求日益增长，形式概念分析（FCA）和本体在计算机科学领域的成功应用，本文提出了一种融合概念聚类、模糊逻辑和形式概念分析的数据采掘模糊本体自动生成方法。在我们的方法中，我们建议生成的本体考虑到另一个程度的粒度到生成过程中。事实上，我们建议定义一个本体之间的类所产生的初步分类的数据。我们证明，这种方法优化了本体的定义，提供了一个更好的解释的数据和优化的空间内存和执行时间利用这些数据。
2013-11-07 cs.AI cs.DB
Fuzzy Quantification over OWL Ontologies and Knowledge Graphs
University of Zaragoza（萨拉戈萨大学）；Aragon Institute of Engineering Research (I3A)（阿拉贡工程研究所 (I3A)）；University of Bari Aldo Moro（巴里阿尔多莫罗大学）；CNR-ISTI（意大利国家研究委员会-信息科学与技术研究所）
提出一个通用框架，用于在标准/模糊本体和知识图谱上评估模糊量化查询，通过I型或II型模糊量化表达式检索个体，具有量化器类型、评估方法和数据源无关性，并实现了Q2S2系统。
2026-06-25 cs.AI
Answering Fuzzy Queries over Fuzzy DL-Lite Ontologies
University of Milano-Bicocca（米兰比可卡大学）
知识表示中的一个突出问题是如何回答查询，同时考虑表示领域知识的本体的隐含后果。虽然这个问题已经在描述逻辑本体论的领域内得到了广泛的研究，但令人惊讶的是，在模糊或不精确知识的背景下，特别是从数学模糊逻辑的角度来看，它被忽视了。在本文中，我们研究的问题，回答合取查询和阈值查询w.r.t.模糊DL-Lite中的本体。具体来说，我们通过重写的方法，阈值查询回答w.r.t.在数据复杂度方面，一致的本体保持在$AC_0$中，但是合取查询应答高度依赖于所选择的三角范数，这对底层语义有影响。对于幂等的哥德尔t-范数，我们提供了一个有效的方法的基础上减少到经典的情况。这篇论文是在逻辑程序设计理论与实践（TPLP）中考虑的。
2021-11-23 cs.AI
An enhanced method to compute the similarity between concepts of ontology
Hassan 1st University（哈桑一世大学）
随着本体在语义网、信息检索、人工智能等领域的广泛应用，相似性度量已经成为一个非常重要的研究领域。因此，本文提出了一种相似性度量方法，该方法利用Dijkstra算法定义并计算最短路径，然后利用该算法计算定义在同一层次本体中的两个概念之间的语义距离。然后，我们根据这个结果来计算语义相似度。最后，我们提出了我们的方法和其他方法之间的相似性测量的实验比较。
2017-09-26 cs.AI cs.DB cs.IR
FT-SWRL: A Fuzzy-Temporal Extension of Semantic Web Rule Language
Crops For the Future Research Centre（未来作物研究中心）；University of the West of England, Bristol（西英格兰大学布里斯托尔分校）
我们提出，FT-SWRL，一个模糊的语义Web规则语言（SWRL）的时间扩展，它结合了模糊理论的基础上的有效时间的时间模型提供了一个标准的方法建模不精确的时间域知识的OWL本体。该建议引入了一个模糊的时间模型的语义Web，这是在语法上定义为一个模糊的时间SWRL本体（SWRL-FTO）与一组新的模糊的时间SWRL内置的定义其语义。的SWRL-FTO分层定义必要的语言术语和变量的模糊时间模型。一个例子模型演示的有用性的模糊时间SWRL内置模型不精确的时间信息也表示。进一步讨论了基于区间时态逻辑的模糊化过程，作为我们的FT-SWRL规则的推理范式，目的是实现一个完整的基于OWL的模糊时态推理。文献回顾模糊时间表示的方法，无论是在和不使用本体，导致的结论是，FT-SWRL模型可以authoritarily作为一个正式的规范处理不精确的时间表达的语义Web。
2019-11-27 cs.AI
A Parametric Similarity Method: Comparative Experiments based on Semantically Annotated Large Datasets
Italian National Agency for New Technologies, Energy and Sustainable Economic Development (ENEA)（意大利国家新技术、能源与可持续经济发展局（ENEA））；Casaccia Research Centre（卡萨恰研究中心）
我们提出的参数化方法SemSimp旨在衡量数字资源的语义相似性。SemSimp基于信息内容的概念，它利用了参考本体和分类推理，包括用于加权本体概念的不同方法。特别地，可以通过考虑可用的数字资源或给定领域的参考本体的结构来计算权重。SemSimp的评估对六个有代表性的语义相似性的方法比较在文献中提出的概念集，通过进行实验，包括统计分析和专家判断评估。为了实现可靠的评估的目的，我们使用了一个真实世界的大型数据集的基础上的数字图书馆的计算机协会（ACM），和一个参考本体来自ACM计算分类系统（ACM-CCS）。对于每种方法，我们考虑了两个指标。第一个问题涉及的置信度，以确定属于一些特殊问题的论文之间的相似性，从信息系统杂志的ACM交易，第二皮尔逊相关与人类的判断。结果表明，SemSimp的配置之一优于其他评估方法。在物理学领域进行的额外实验表明，一般来说，SemSimp比其他相似性方法提供更好的结果。
2023-02-08 cs.AI
Semantic Similarity Measures Applied to an Ontology for Human-Like Interaction
Carlos III University（卡洛斯三世大学）
本文的重点是计算两个概念之间的相似度从一个本体的类人交互系统。为了便于计算，提出了一个相似性函数的基础上构成的本体知识的结构的五个维度（排序，成分，本质，限制性和描述性）。该文件包括一个建议，计算每个维度的知识的相似性函数。随后，对获得的相似性值进行加权和聚合以获得全局相似性度量。为了计算与每个维度相关联的权重，已经提出了四种训练方法。培训方法在适合的元素上有所不同：用户，概念或概念对，以及混合方法。为了评估该提案，知识库由WordNet提供，并通过使用知识编辑工具包（Cognos）进行扩展。通过比较系统响应与人类测试对象给出的响应，对提案进行评估，既提供了程序合理性的衡量标准，又揭示了提案可以改进的方式。
2014-01-18 cs.AI cs.CL
Using MathML to Represent Units of Measurement for Improved Ontology Alignment
Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究所）
本体提供了知识领域中概念及其关系的形式化描述。本体对齐的目标是在独立开发的本体中识别语义匹配的概念和关系，这些本体声称描述相同的知识。为了处理尽可能广泛的本体类，许多对齐算法依赖于术语和结构方法，但概念的模糊性使匹配过程复杂化。然而，由于其数学性质，应该提供明确匹配解决方案的一个领域是测量单位。有几种测量单位的理论可用，但没有尝试将它们统一起来，尽管技术互操作性具有明显的重要性。我们提出了一个通用的策略来映射这些（和类似的）本体，通过引入MathML来准确地捕捉其中指定的概念的语义描述。我们提供了三个本体的映射结果，并表明我们的方法提高了词汇比较。
2013-07-05 cs.AI
Calculating Semantic Similarity between Academic Articles using Topic Event and Ontology
State Key Laboratory of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室）
确定学术文档之间的语义相似度对于剽窃检测、自动技术调查和语义搜索等任务至关重要。目前的研究主要集中在概念、句子和短文本片段之间的语义相似度。然而，文档级语义匹配仍然基于表层的统计信息，忽略了文章结构和全局语义，这可能会导致文档理解的偏差。针对学术文献的文档级语义相似性问题，提出了一种新的方法。该方法以主题事件表示学术文章，利用研究目的、研究方法和研究领域等多个信息描述学术文章的研究工作，并基于领域本体计算主题事件之间的相似度，得到文章之间的语义相似度。实验表明，我们的方法实现了显着的性能相比，国家的最先进的方法。
2017-11-30 cs.AI cs.CL cs.IR
Matching Weak Informative Ontologies
Southeast University（东南大学）
本文针对弱信息本体（WIOs）匹配难题，提出利用本体结构信息、语义子图约束和相似度传播模型的方法，并在Lily系统中实现，在OAEI基准上显著提升了召回率和精度。
2023-12-01 cs.AI
Answering Fuzzy Conjunctive Queries over Finitely Valued Fuzzy Ontologies
Technische Universität Dresden（德累斯顿工业大学）；National and Kapodistrian University of Athens（雅典国立卡波迪斯特里安大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
模糊描述逻辑（DLs）提供了一种表示关于应用领域的模糊知识的方法。本文研究了基于有限真度链的DL $\mathcal{SROIQ}$上合取查询的模糊扩展。为了回答这样的查询，我们扩展了一个众所周知的技术，减少了模糊本体的经典之一，并使用经典的DL推理机作为一个黑盒子。我们提高了以前的减少技术的复杂性，为n-valued模糊DL，这使我们能够证明严格的复杂性结果，回答某些类型的模糊CQ。最后，我们的原型实现的实验评估，显示我们的方法的可行性。
2015-10-14 cs.AI cs.LO
LLM-Driven Ontology Construction for Enterprise Knowledge Graphs
Liber AI Research（Liber AI研究）
本文提出OntoEKG，利用大语言模型自动构建企业知识图谱的领域本体，通过提取和蕴含模块提升效率，但在范围定义和层次推理方面仍有挑战。
2026-02-01 cs.AI
A density compensation-based path computing model for measuring semantic similarity
Guangxi Normal University（广西师范大学）
在基于边的语义相似性度量中，分类本体中两个概念之间的最短路径通常用于表示概念之间的语义距离。过去，边缘计数被认为是路径计算的默认方法，其简单、直观且计算复杂性低。然而，一个大型的词汇分类，如WordNet的概念之间的链接密度不规则，由于其广泛的领域，但。基于边计数的路径计算方法对这种非均匀性问题无能为力。在本文中，我们主张路径计算可以从基于边的相似性度量中分离出来，形成各种通用的计算模型。因此，为了解决大型分类本体中概念密度不均匀的问题，提出了一种基于概念局部区域密度补偿的路径计算模型，该路径模型将概念的局部区域密度看作是边的扩展，的路径，并将局部区域密度除以其深度转化为具有可调参数的基于边缘的路径补偿，这一思想已被证明与信息论是一致的。该模型是一个通用的路径计算模型，可以应用于各种基于边缘的相似性算法。实验结果表明，在Miller和Charles基准测试中，该路径模型将基于边的度量与人类判断的平均相关度从小于0.8提高到大于0.85，在效率上比动态本体中的信息量（IC）计算有很大优势，从而成功解决了分类本体的非一致性问题.
2015-06-03 cs.AI
OPA2Vec: combining formal and informal content of biomedical ontologies to improve similarity-based prediction
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
动机：本体在生物学中被广泛用于数据注释、集成和分析。除了正式结构化的公理之外，本体还包含注释公理形式的元数据，这些注释公理提供了表征本体类的有价值的信息。本体中常用的注释包括类标签、描述或同义词。尽管是一个丰富的语义信息源，本体元数据通常是未开发的基于本体的分析方法，如语义相似性的措施。结果如下：我们提出了一种新的方法，OPA 2 Vec，通过结合形式本体公理和注释公理从本体元数据中生成生物实体的本体矢量表示。我们应用了一个Word 2 Vec模型，该模型已经在PubMed摘要上进行了预训练，以从我们收集的数据中生成特征向量。我们以两种不同的方式验证我们的方法：首先，我们使用获得的蛋白质的矢量表示作为相似性度量来预测两个不同数据集上的蛋白质-蛋白质相互作用（PPI）。其次，我们评估我们的方法预测基因-疾病协会的基础上表型相似性，通过生成向量表示的基因和疾病的表型本体，并应用所获得的向量来预测基因-疾病协会。这两个实验只是我们的方法的可能应用的说明。OPA 2 Vec可用于生成给定任何类型生物医学本体的任何生物医学实体的矢量表示。联系人：robert. kaust.edu.sa和xin. gao@kaust.edu.sa。https://github.com/bio-ontology-research-group/opa2vec
2018-04-29 cs.AI cs.CE cs.CL
Exploring Wasserstein Distance across Concept Embeddings for Ontology Matching
College of Computing and Informatics, Drexel University（德雷塞尔大学计算与信息学院）
本体元素之间的距离度量是本体匹配的基础。基于字符串的距离度量因浅语法匹配而臭名昭著。在这项探索性研究中，我们研究了Wasserstein距离，目标是可以包含各种类型信息的连续空间。我们使用一个预先训练好的词嵌入系统来嵌入本体元素标签。我们研究的有效性Wasserstein距离测量本体之间的相似性，发现和细化匹配的单个元素之间。我们的实验与OAEI会议轨道和MSE基准取得了竞争力的结果相比，领先的系统。
2022-09-21 cs.AI
Structural Weights in Ontology Matching
University of Sistan and Baluchestan（锡斯坦-俾路支斯坦大学）；University of Isfahan（伊斯法罕大学）
本体匹配发现不同本体的相似实体之间的对应关系。两个本体可能在结构、语义等方面相似。大多数本体匹配系统集成多个匹配器来提取两个本体可能具有的所有相似性。因此，我们面临着一个主要的问题，以聚合不同的相似性。一些匹配系统使用实验权重来聚合不同匹配器之间的相似性，而其他匹配系统使用机器学习方法和优化算法来找到分配给不同匹配器的最佳权重。然而，这两种方法都有自己的不足之处。本文将指出现有相似性聚合策略存在的问题和不足。然后，我们提出了一种新的策略，这使我们能够利用本体的结构信息来获得匹配器的权重，相似性聚合任务。为了实现这一目标，我们创建了一个新的本体匹配系统，它使用三个可用的匹配器，即GMO，ISub和VDoc。我们已经在OAEI 2012数据集上测试了我们的相似性聚合策略。实验结果表明，在几种情况下，特别是在匹配本体类的准确性显着提高。我们将比较我们的相似性聚合策略与其他知名的策略的性能
2013-11-15 cs.AI cs.IR
Uncertainty in Ontology Matching: A Decision Rule-Based Approach
LARODEC；University of Tunis（突尼斯大学）；ISG Tunis（突尼斯高等管理学院）；IRISA（IRISA研究所）；University of Carthage（迦太基大学）；IHEC Carthage（迦太基高等商业学院）
考虑到Web上发布的本体的高度异构性，本体匹配是一个关键问题，其目的是建立源本体的实体与目标本体的一个或多个实体之间的联系。完美的相似性措施，被认为是信息的来源，相结合，以建立这些联系。信度函数理论是一个强大的数学工具，结合这种不确定性的信息。在本文中，我们介绍了一个决策过程的基础上的距离测量，以确定最佳可能的匹配实体为一个给定的源实体。
2015-01-23 cs.AI
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
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
An Ontology-Guided, Deduplication-Aware Extraction Layer for Knowledge Graph Construction from Heterogeneous Documents
Konectu（科内克图）
本文提出一套本体引导的去重感知抽取层，用Qwen3.5-9B模型从异构文档抽取实体与关系，经五阶段优化后，在情报语料上使搜索召回率从70%升至95%且修正多类质量缺陷。
2026-08-03 cs.AI
Semantic F1 Scores: Fair Evaluation Under Fuzzy Class Boundaries
University of Southern California（南加州大学）；National Technical University of Athens, University of Southern California（雅典国家技术大学、南加州大学）
提出语义F1分数，利用标签相似度矩阵计算软精确率与召回率，在模糊类别边界下对多标签分类进行更公平、可解释的评估。
2025-09-25 cs.AI
A Markov Model for Ontology Alignment
The University of Georgia（佐治亚大学）
可用数据的爆炸式增长以及集成和利用这些数据的需求导致了对数据集成技术的迫切兴趣。在语义网技术中，本体对齐是异构知识库集成的关键步骤。在本文中，我们提出了边缘置信度技术，修改和改进流行的相似性洪水技术的本体对齐。
2013-04-20 cs.AI cs.DB
WOAH: Preliminaries to Zero-shot Ontology Learning for Conversational Agents
Telefónica R&D（西班牙电信研发部门）；Universidad Politécnica de Madrid（马德里理工大学）
本文提出了加权本体近似启发式（WOAH），一种新的zero-shot方法，本体估计会话代理开发环境。该方法提取动词和名词分别从数据中提取的依赖关系，并应用相似性和稀疏性度量生成一个本体估计可配置的泛化水平。
2017-09-19 cs.AI cs.CL
Enhancing Geometric Ontology Embeddings for $\mathcal{EL}^{++}$ with Negative Sampling and Deductive Closure Filtering
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对 $\mathcal{EL}^{++}$ 本体嵌入的局限，提出利用演绎闭包和新型负损失函数的方法，在知识库补全任务中优于基线。
2024-06-26 cs.AI
Semantic Similarity from Natural Language and Ontology Analysis
人工智能联合了许多科学领域，旨在开发能够帮助人类操作员执行复杂治疗的机器-其中大多数需要高认知技能（例如学习或决策过程）。这一探索的核心是让机器能够像人类估计刺激之间的相似性那样估计事物之间的相似性或相似性。在这种情况下，本书侧重于语义测量：设计用于比较语义实体的方法，例如语言单位，例如词，句子或定义为知识库的概念和实例。这些措施的目的是通过考虑它们的语义，即它们的含义，来评估这些语义实体的相似性或相关性-直观地，茶和咖啡这两个词都指刺激性饮料，将被估计为在语义上比太妃糖（糖果）和咖啡这两个词更相似，尽管最后一对词具有更高的句法相似性。两个国家的最先进的方法来估计和量化的语义相似性/相关性的语义实体的详细介绍：第一个依赖于语料库分析，是基于自然语言处理技术和语义模型，而第二个是基于或多或少正式的，计算机可读的和可行的知识形式，如语义网络，同义词或本体。(...)除了一个简单的库存和现有的措施分类，这本专著的目的是传达新手以及这些领域的研究人员对语义相似性估计和更普遍的语义措施有更好的理解。
2017-04-18 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
Moose: Latent concept learning with reasoning-shortcut awareness in $\mathcal{EL}^{++}$
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
Moose是在$\boldsymbol{\textit{EL}^{++}}$中编译本体为SDD的方法，可实现部分监督下的潜在概念学习，在相关基准上优于多种基线，还完成了OWL EL设置下的首次推理捷径分析。
2026-08-14 cs.AI
Onto2Vec: joint vector-based representation of biological entities and their ontology-based annotations
Computational Bioscience Research Center, King Abdullah University of Science and Technology（阿卜杜拉国王科技大学计算生物科学研究中心）
我们提出了Onto2Vec方法，一种基于生物实体对生物医学本体的注释来学习生物实体的特征向量的方法。我们的方法可以应用于广泛的生物信息学研究问题，如基于相似性的预测蛋白质之间的相互作用，使用监督学习或聚类的相互作用类型的分类。
2018-01-31 cs.AI q-bio.QM
Cloud Render Farm Services Discovery Using NLP And Ontology Based Knowledge Graph
BSA Crescent Institute of Science and Technology（BSA新月科学技术学院）；NEC Corporation of America（美国NEC公司）
针对云渲染农场服务发现难题，提出基于本体的RenderSelect引擎，利用概念、等价和数值相似性推理，实验证明其性能优于无本体及通用搜索方法。
2023-07-10 cs.AI cs.DC cs.IR
PN-OWL: A Two Stage Algorithm to Learn Fuzzy Concept Inclusions from OWL Ontologies
CNR-ILC（意大利国家研究委员会信息学与计算科学研究所ILC分部）；CNR-ISTI（意大利国家研究委员会信息学与计算科学研究所ISTI分部）
本文提出两阶段算法 PN-OWL，从含实值和布尔值属性的 OWL 本体中学习可由 Fuzzy OWL 2 表示的模糊概念包含公理，并通过 P、N 阶段平衡召回率与精确率。
2023-03-01 cs.AI
A web-based tool to Analyze Semantic Similarity Networks
在计算生物学中，生物实体（如基因或蛋白质）通常使用从基因本体（GO）中提取的术语进行注释。使用语义相似度度量（SSM）来评估本体中术语之间的功能相似度。最近，SSM的广泛应用产生了语义相似性网络（SSN）。SSN是边加权图，其中节点是概念（例如蛋白质），并且每条边具有表示相关节点对之间的语义相似性的关联权重。SSN的分析可能揭示生物学上有意义的知识。为了实现这些目标，需要引入能够管理和分析SSN的工具。因此，我们开发了SSN-Analyzer，一个基于Web的工具，能够建立和预处理SSN。作为概念证明，我们证明了社区发现算法应用于过滤（阈值）网络，具有更好的性能方面的生物相关性的结果，相对于使用原始的未过滤的网络。
2014-12-21 cs.AI cs.CE q-bio.MN
OntoAligner: A Comprehensive Modular and Robust Python Toolkit for Ontology Alignment
TIB - Leibniz Information Centre for Science and Technology（TIB - 莱布尼茨科学技术信息中心）；L3S Research Center, Leibniz University of Hannover（莱布尼茨汉诺威大学L3S研究中心）
OntoAligner是一个开源Python工具包，通过模块化架构集成模糊匹配、检索增强生成和大语言模型，解决现有本体对齐工具在可扩展性和集成性上的不足，实现高效高质量的大规模本体对齐。
2025-03-27 cs.AI cs.CL
Apport des ontologies pour le calcul de la similarité sémantique au sein d'un système de recommandation
Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Vivocaz
术语、词或文本数据之间的语义相关性或相似性的测量在处理文本数据的不同应用中起着重要作用，例如知识获取、推荐系统和自然语言处理。在过去的几年中，许多本体已经被开发并用作信息系统的知识库的结构化表示形式。基于本体的语义相似度计算方法得到了发展，并得到了其他基于上下文的相似度计算方法的补充。在本文中，我们提出并进行了基于本体的语义相似度的计算方法，在推荐系统的上下文中使用。
2022-05-25 cs.AI cs.IR
Data Infrastructure and Approaches for Ontology-Based Drug Repurposing
IBM Almaden Research Center（IBM阿尔马登研究中心）
我们报告了一个数据基础设施的发展，利用两个目前可用的化学本体的药物再利用。数据基础设施包括用分子本体标签增强的化合物-靶标关联的数据库。它还包含两个用于预测新关联的计算工具。我们描述了两个药物再利用系统：一个，新生本体信息检索药物再利用（NOIR-DR），基于信息检索策略，另一个，基于非负矩阵分解与化合物相似性，这是受到推荐系统。我们报告了这两种工具在药物再利用任务中的表现。
2018-07-12 cs.AI cs.IR
Semantic Sections: An Atlas-Native Feature Ontology for Obstructed Representation Spaces
本文提出语义区域作为图集原生的特征本体，用于处理受阻表示空间中的局部一致性问题，通过树支持传播、循环一致性等方法区分不同类型的语义区域，并验证其在多个模型中的有效性。
2026-03-21 cs.AI cs.CL cs.LG
Computing Fuzzy Rough Set based Similarities with Fuzzy Inference and Its Application to Sentence Similarity Computations
IIT Delhi（德里印度理工学院）
在利用模糊粗糙集进行分析时，已经提出了一些计算两个模糊集之间相似度的研究方案。这些技术产生两个措施，即。低相似性和高相似性。而在大多数应用中，只有一个实体对进一步分析和得出结论是有用的。本文的目的是提出一种新的技术，结合模糊粗糙集的上下相似度的模糊推理机。将该方法应用于句子相似度计算问题，并在SICK2014数据集上进行了测试.
2021-07-02 cs.AI
Extending Similarity Measures of Interval Type-2 Fuzzy Sets to General Type-2 Fuzzy Sets
University of Nottingham（诺丁汉大学）
相似性度量是模糊集推理的核心工具之一。虽然有许多类型的相似性措施存在的类型1和区间2型模糊集，有很少的相似性措施，使一般的2型模糊集的比较。在本文中，我们介绍了一个一般的方法，扩展现有的区间类型2相似性措施，一般类型2模糊集的相似性措施。具体来说，我们展示了如何区间类型2模糊集的相似性措施可以采用结合zSlices的一般类型2表示模糊集提供措施的相似性，保留所有的共同属性（即自反性，对称性，传递性和重叠）的原始区间类型2相似性措施。我们展示了这样的扩展模糊措施的例子，并提供（不同类型的）区间和一般的2型模糊措施之间的比较。
2013-08-23 cs.AI
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
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
Truveta Mapper: A Zero-shot Ontology Alignment Framework
Truveta
本研究将本体匹配视为翻译任务，提出零样本端到端框架Truveta Mapper，基于多任务序列到序列Transformer实现跨本体对齐，在OAEI22基准上优于现有方法，且复杂度低、后处理少。
2023-08-22 cs.AI cs.CL cs.LG
The Application of Energy and Laplacian Energy of Hesitancy Fuzzy Graph Based on Similarity Measures in Decision Making Problems
Vellore Institute of Technology（韦洛尔理工学院）
本文定义了一种新的犹豫模糊相似测度，并利用它构造了犹豫模糊相似测度矩阵，然后利用工作过程对犹豫模糊图进行分类。我们建立了一个工作程序（算法），通过应用犹豫模糊偏好关系（HFPRs）和通常的相似度的一个不同的HFPRs彼此的，用于估计合格的信誉评分值的专家。作为最后一步，我们提供实时的数值例子来演示和验证我们的工作程序。
2022-04-28 cs.AI
FLORA: Unsupervised Knowledge Graph Alignment by Fuzzy Logic
Télécom Paris, Institut Polytechnique de Paris（巴黎电信学院，巴黎理工学院）
本文提出FLORA，一种基于模糊逻辑的无监督知识图谱对齐方法，无需训练数据，可迭代对齐实体和关系，提供可解释结果并允许悬空实体，在主要基准上达到最先进性能。
2025-10-23 cs.AI cs.DB
Similarity, Cardinality and Entropy for Bipolar Fuzzy Set in the Framework of Penta-valued Representation
Tarom Company（罗马尼亚航空公司）
本文给出了双极模糊集及其特殊形式如直觉集、次协调集和模糊集的新的相似性、基数和熵测度。所有这些都是在多值表示的框架中构建的，并且基于使用以下逻辑值的五值逻辑：真、假、未知、矛盾和模糊。定义了有界实区间的一个新的距离。
2015-02-26 cs.AI
Similarity measure for aggregated fuzzy numbers from interval-valued data
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）
本文提出了一种基于区间一致性方法（IAA）计算两个集合模糊数之间相似度的方法。在这项研究中提出的相似性度量包含几个功能和属性，其中是新的聚合模糊数。在本研究中完全重新定义或修改的属性包括面积、周长、质心、四分位数和一致率。每个特征的推荐权重都是使用主成分分析（PCA）学习的。此外，一个说明性的例子提供了详细的应用程序和潜在的未来使用的相似性度量。
2020-12-04 cs.AI
Analysing Fuzzy Sets Through Combining Measures of Similarity and Distance
University of Nottingham（诺丁汉大学）
模糊集的推理可以通过相似性和距离等度量来实现。然而，这些措施往往会产生误导性的结果时，考虑独立，例如给予相同的值为两个不同的模糊集对。这在许多模糊集是从真实数据生成的情况下尤其是一个问题，并且虽然可以使用两种不同的测量来自动比较这样的模糊集，但是难以解释两种不同的结果。在大量模糊集作为推理系统的一部分进行比较的情况下尤其如此。本文介绍了一种将多个测度的结果合并为一个测度的方法，以便对模糊集进行分析和比较。该组合措施消除了模糊的结果，并有助于模糊集的自动比较。给出了组合测度的性质，并给出了实例，讨论了组合测度优于单一测度的优点。
2014-09-03 cs.AI
A New Approach to Intuitionistic Fuzzy Decision Making Based on Projection Technology and Cosine Similarity Measure
School of Management and Engineering, Capital University of Economics and Business（首都经济贸易大学管理工程学院）
本文针对多属性决策和医疗诊断问题，提出一种同时考虑方向与长度的基于投影技术和余弦相似性度量的直觉模糊集新相似性度量方法，能有效识别最优方案并快速诊断疾病。
2023-11-20 cs.AI
Possibility as Similarity: the Semantics of Fuzzy Logic
SRI International（SRI国际公司）；Artificial Intelligence Center（人工智能中心）
本文讨论的基本问题的性质的概念和结构的模糊逻辑，特别是集中在概念和功能之间存在的差异，概率和可能性的方法。语义模型提供了一个基本框架，通过一个函数来定义可能性结构和概念，该函数量化了可能世界对之间的接近度、接近度或相似性。由此产生的模型是一个自然的扩展，基于多个可构思的关系，模态逻辑概念的必要性和可能性。相比之下，面向机会的概率概念和结构依赖于集合扩展的度量，这些度量量化了命题为真的可能世界的比例。可能世界之间的相似性通过广义相似关系来量化：一个函数，它为每对可能世界分配一个介于O和1之间的数字。使用这种相似关系，这是一种形式的数字补充的一个经典的度量或距离，这是可能的定义和解释的主要结构和方法的模糊逻辑：条件和无条件的可能性和必要性分布和广义前件的扎德。
2013-03-27 cs.AI
Methods of ranking for aggregated fuzzy numbers from interval-valued data
The University of Melbourne（墨尔本大学）
本文主要提出了两种基于区间一致性方法的集结模糊数排序方法。在这项研究中提出的两个排名方法包含以前提出的相似性度量的组合和应用，以及属性的新的聚合模糊数从区间值数据。以前的措施的缺点，以及所提出的方法的改进，说明使用合成和现实世界的应用。现实世界中的应用程序考虑的技术顺序的偏好相似理想解（TOPSIS）算法，修改，包括以前和新提出的方法。
2020-12-03 cs.AI
Topological and Algebraic Structures of Atanassov's Intuitionistic Fuzzy-Values Space
Southwest Petroleum University（西南石油大学）；Zhuhai College of Jilin University（吉林大学珠海学院）；Shandong University of Finance and Economics（山东财经大学）；City University of Hong Kong（香港城市大学）；Shandong University（山东大学）
证明了基于得分函数和精确度函数的线性序直觉模糊值空间与基于相似度函数和精确度函数的线性序直觉模糊值空间具有相同的代数结构.通过引入基于得分函数和精度函数的线性序的IFV算子，我们证明了这样的算子是IFV的强否定。此外，我们观察到IFV空间是一个完备格和一个带有新算子的Kleene代数。我们还证明了具有由上述两个线性序诱导的序拓扑的IFV的拓扑空间不是可分的和可度量化的，而是紧的和连通的。从一些新的角度，我们的结果部分回答了Atanassov [Intuitionistic Fuzzy Sets：Theory and Applications，Springer，1999]和[On Intuitionistic Fuzzy Sets Theory，Springer，2012]提出的三个开放问题。此外，我们构造了一个同构的空间之间的IFV和q-横档矫形模糊值（q-ROFV）在相应的线性顺序。为此，我们引入了IFS的特殊阶容许相似性度量的概念，扩展了已有的IFS相似性度量的定义，构造了一种基于得分函数和准确度函数的线性阶容许相似性度量，并将其有效地应用于建筑材料分类的模式识别问题.
2022-06-01 cs.AI
A Simplified Description of Fuzzy TOPSIS
IIT Kanpur（坎普尔印度理工学院）
提出了一种模糊TOPSIS法的简化描述。我们已经适应了TOPSIS描述从现有的模糊理论文献和提取的理解和应用TOPSIS所需的最低限度的概念。最后给出了TOPSIS法在多准则群决策问题中的应用实例。
2017-06-03 cs.AI
Interval type-2 Beta Fuzzy Near set based approach to content based image retrieval
在自动搜索系统中，相似性是解决人工任务的关键概念。事实上，人类的过程通常是一种自然的分类，它是许多自然能力的基础，如图像恢复、语言理解、决策或模式识别。在图像搜索轴中，有几种方法来测量图像数据库中的图像与查询图像之间的相似性。按内容的图像搜索是基于图像的视觉特征的相似性。用于评估图像之间相似性的距离函数取决于搜索的标准，但也取决于图像特征的表示;这是近集和模糊集方法的主要思想。在这篇文章中，我们介绍了一类新的β型2模糊集的图像特征的描述，以及图像恢复的近集方法。最后，我们说明了我们的工作，在现实世界中使用的图像恢复问题的例子。
2018-12-07 cs.AI cs.CV
A New Similarity Measure for Taxonomy Based on Edge Counting
Manipal University（马尼帕尔大学）；NITK（卡纳塔克国家理工学院）
本文介绍了一种新的相似性度量的基础上边计数的分类，如WorldNet或本体。文本片段或概念之间的相似性度量在信息检索、本体匹配、文本挖掘、问答等领域有着重要的应用价值，人们已经提出了几种度量概念之间相似性的度量方法，其中Wu和Palmer [1]给出的度量方法简单，性能良好。Wu和Palmer [1]测度的缺点是没有考虑概念在语义上的距离。在我们的测量中，我们包括概念之间的最短路径和整个分类的深度以及Wu和Palmer [1]中使用的距离。该度量还具有以下缺点，即在某些情况下，包含在邻域中的IS-A本体的两个元素的相似性超过包含在同一层次中的两个元素的相似性值。我们的措施引入了一个惩罚因子，这种情况下，基于最短的长度之间的概念和深度的整个分类。
2012-11-20 cs.AI cs.IR
Consideration on Example 2 of "An Algorithm of General Fuzzy InferenceWith The Reductive Property"
Kim Il Sung University（金日成大学）
本文将证明：（1）“计算机科学Vol.34，No.4，pp.145-148，2007”中根据“IEEE Transactions On Systems，Man and Cybernetics，18，pp.1049-1056，1988”中关于模糊推理算法的结果是正确的;（2）根据Tursken I.B.提出的“基于相似性测度的近似类比推理方法”一文，给出了何颖思、全海金和邓慧文提出的“具有约化性质的广义模糊推理算法”一文中的例2。（3）修正了钟昭等人的错误，并补充了一个FMT的计算实例。
2017-12-13 cs.AI
