Towards an Action-Centric Ontology for Cooking Procedures Using Temporal Graphs
Ashoka University(阿什oka大学)
针对烹饪流程形式化的复杂性与模糊性问题,提出一种可扩展领域特定语言将食谱表示为有向行动图,可精准建模复杂烹饪工作流,经英式早餐食谱评估验证了表达力,为构建烹饪领域行动中心本体、实现烹饪流程的机器理解与自动化奠定基础。
2025-09-04 cs.AI cs.CL
Machine Learning Techniques with Ontology for Subjective Answer Evaluation
Panjab University(旁遮普大学)
英语论文的计算机评估是使用机器学习技术,如潜在语义分析(LSA),广义LSA,双语评估替代和最大熵。本体是领域知识的概念图,可以提高这些技术的性能。使用本体使评估过程的整体存在的关键字,同义词,正确的词组合和覆盖的概念可以检查。在本文中,上述技术的实现与本体论和无共同的输入数据组成的计算机科学的技术答案进行了测试。设计并开发了计算机图形学领域本体。用于实现的软件包括Java程序设计语言和工具,如MATLAB,Protégé等。测试使用计算机图形学中的10个问题,每个问题有60个答案。对结果进行了分析,得出了使用本体的结果更准确的结论。
2016-05-09 cs.AI cs.CL cs.IR
From Conjunctive Queries to Instance Queries in Ontology-Mediated Querying
University of Liverpool(利物浦大学)
我们认为本体介导的查询(OMQs)的表达描述逻辑的ALC家庭和(工会)的合取查询的基础上,研究重写成OMQs的实例查询(IQs)的基础上。我们的研究结果包括精确的刻画时,这样的重写是可能的和严格的复杂性界限决定可重写性。我们还给出了一个紧密的复杂性界的相关问题,决定是否一个给定的MMSNP句子是等价的CSP。
2020-10-22 cs.AI cs.DB
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
Translating the Untranslatable: An Operationalizable Ontology for Untranslatability
University of Southern California Information Sciences Institute(南加州大学信息科学研究所)
提出一个结构化的不可译性本体论和补偿策略分类法,构建多语言数据集,通过人类偏好研究发现注释补偿策略最受青睐,为策略感知机器翻译奠定基础。
2026-06-17 cs.AI cs.CL
Visualizing the Flow of Discourse with a Concept Ontology
University of Notre Dame(圣母大学)
理解和可视化人类话语一直是一项具有挑战性的任务。虽然最近的论点挖掘工作已经成功地对各种句子的作用进行了分类,但识别概念和理解讨论它们的方式仍然具有挑战性。给定一个电子邮件线程或一个小组讨论的记录,我们的任务是提取相关的概念,并了解它们是如何在整个讨论中被引用和重新引用的。在目前的工作中,我们提出了一个初步的方法提取和可视化组话语适应维基百科的类别层次结构是一个外部的概念本体。从用户研究中,我们发现,我们的方法取得了更好的效果比4强替代方法,我们说明了我们的可视化方法的基础上提取的话语流。
2018-02-23 cs.AI cs.CL cs.IR
OLGA : An Ontology and LSTM-based approach for generating Arithmetic Word Problems (AWPs) of transfer type
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
算术应用题(AWP)的机器生成具有挑战性,因为它们表达了数量和数学关系,并且需要一致。ML求解器需要一个带有语言变体的大型注释训练集。利用领域知识进行一致性检查是必要的,而基于LSTM的方法对于产生具有语言变体的文本是很好的。结合这些,我们提出了一个系统,OLGA,产生一致的TC(Transfer-Case)类型的字的问题,涉及代理之间的对象转移。虽然我们提供了一个用于训练的一致的2-agent TC问题的数据集,但只有大约36%的基于LSTM的生成器的输出是一致的。我们使用的TC-Ontology的扩展,我们以前提出的,以确定问题的一致性。在剩下的64%中,大约40%有轻微的错误,我们使用相同的本体修复。为了检查一致性和修复过程,我们构造了一个自动生成问题的实例特定表示(ABox)。我们使用一个句子分类器和BERT模型来完成这个任务。这些LM的训练集是问题文本,其中,用本体类名注释了重复部分。随着三代理问题的时间越来越长,基于LSTM的方法产生的一致性问题的百分比会进一步下降。因此,我们提出了一个基于本体的方法,扩展一致的2-代理问题一致的3-代理问题。总的来说,我们的方法产生了大量的一致的TC型AWP涉及2或3代理。由于ABox拥有问题的所有信息,因此也可以生成任何注释。采用所提出的方法来生成其他类型的AWP是未来有趣的工作。
2022-11-22 cs.AI cs.CL cs.IR
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
Solving puzzles described in English by automated translation to answer set programming and learning how to do that translation
Arizona State University(亚利桑那州立大学)
我们提出了一个系统,能够自动解决组合逻辑难题(简化)英语。它涉及到翻译成答案集编程(ASP)的难题的英文描述,并使用ASP求解器提供的难题的解决方案。为了翻译这些描述,我们使用了一种基于概率组合范畴语法(PCCG)的基于微积分的方法,其中单词的含义与参数相关联,以便能够区分同一单词的多种含义。许多单词的含义和参数都是学习的。在ASP中使用适用于大量逻辑谜题的本体来表示谜题。
2011-08-18 cs.AI cs.CL cs.LO
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
Quantification and Aggregation over Concepts of the Ontology
KU Leuven(鲁汶大学)
本文提出一阶逻辑的扩展以支持对本体概念集合的量化与聚合,区别于二阶量化,并扩展了FO(.)语言与IDP-Z3引擎,实现了无需具体化的细化容忍建模。
2023-08-30 cs.AI cs.LO
Redundancy-free Verbalization of Individuals for Ontology Validation
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
本文研究领域本体的Web本体语言(OWL)公理的语言化问题。现有的方法通过探索用不同的语言形式表达相同的OWL公理的不同方法来解决动词化的OWL文本对OWL语义的保真度问题。它们还执行将对应于每个OWL语句生成的自然语言(NL)句子分组和聚合成可理解的结构。然而,没有努力尝试在逻辑层面上的语义减少,以消除冗余和重复,使减少的公理集可以用于生成更有意义和人类可理解的(我们称之为无冗余)文本。实验结果表明,在逻辑层次上进行形式化语义约简有助于生成无冗余的本体实体描述。在本文中,我们特别关注基于SHIQ本体的个体描述的生成。一个案例研究的细节,以支持有用的冗余的NL描述的个人,在知识验证应用。
2016-07-24 cs.AI
Using Linguistic Analysis to Translate Arabic Natural Language Queries to SPARQL
The Islamic University of Gaza(伊斯兰大学(加沙))
语义网基于逻辑的机器可理解的框架往往挑战天真的用户,当他们试图查询基于本体的知识库。现有的研究工作已经接近这个问题,通过引入自然语言(NL)接口的本体。这些NL接口具有基于NL用户查询构造SPARQL查询的能力。然而,大多数努力仅限于用英语表达的查询,并且它们通常受益于英语NLP工具的进步。然而,很少有研究已经做了支持查询的阿拉伯语内容的语义Web上使用NL查询。本文提出了一种独立于领域的方法,利用语言分析将阿拉伯语NL查询转换为SPARQL。基于对名词短语(NPs)的特殊考虑,我们的方法使用语言解析器从阿拉伯语解析树中提取NPs和关系,并将它们与底层本体进行匹配。然后,它利用本体中的知识将NP分组为基于三重的表示。通过提取目标和修饰符,并将它们解释为SPARQL,最终生成SPARQL查询。对高级语义特征包括否定、连词和转折修饰语的解释也得到了支持。使用OWL测试数据和查询数据集对该方法进行了验证,结果证实了该方法将阿拉伯语NL查询转换为SPARQL的可行性。
2015-08-06 cs.AI cs.CL cs.DB
A Study on AI-FML Robotic Agent for Student Learning Behavior Ontology Construction
Tokyo Metropolitan University(东京都立大学);National University of Tainan(台南大学)
在本文中,我们提出了一个AI-FML机器人代理的学生学习行为本体的建设,可应用于英语口语和听力领域。具有本体的AI-FML机器人Agent包含感知智能、计算智能和认知智能,用于分析学生的学习行为。此外,在AI-FML机器人Agent中有三个智能Agent,包括感知Agent、计算Agent和认知Agent。我们部署的感知代理和认知代理的机器人Kebbi空气。此外,具有深度神经网络(DNN)模型的计算代理在云中执行,并且可以通过互联网与感知代理和认知代理进行通信。建议的AI-FML机器人代理在台湾应用,并在日本进行测试。实验结果表明,该智能体可以用于未来教育的人机协同学习模型。
2020-06-27 cs.AI cs.CY cs.HC
Cross-Dialect Sentence Transformation: A Comparative Analysis of Language Models for Adapting Sentences to British English
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
本研究比较了不同语言模型将美式、印度和爱尔兰英语方言转换为英式英语的能力,发现印度和爱尔兰英语翻译与英式英语相似度较高,而美式英语略低;Llama-2-70b表现最佳,强调了模型选择对翻译质量的关键作用。
2023-11-05 cs.AI cs.CL
English Contrastive Learning Can Learn Universal Cross-lingual Sentence Embeddings
Carnegie Mellon University(卡内基梅隆大学)
通用跨语言句子嵌入将语义相似的跨语言句子映射到共享的嵌入空间中。对齐跨语言句子嵌入通常需要监督的跨语言平行句子。在这项工作中,我们提出了mSimCSE,它扩展SimCSE到多语言设置,并揭示了英语数据的对比学习可以令人惊讶地学习高质量的通用跨语言句子嵌入,而无需任何并行数据。在无监督和弱监督的设置,mSimCSE显着改善了以前的跨语言检索和多语言STS任务的句子嵌入方法。在检索低资源语言和多语言STS方面,无监督mSimCSE的性能与完全监督方法相当。当跨语言NLI数据可用时,性能可以进一步增强。我们的代码可在https://github.com/yaushian/mSimCSE上公开获取。
2022-11-11 cs.AI cs.CL
Ontology engineering with Large Language Models
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学)
本研究通过微调GPT-3模型将自然语言自动翻译为描述逻辑以丰富本体,涵盖多种OWL语法约束,并在人工监督下生成公理,最终作为Protégé插件公开发布。
2023-07-31 cs.AI cs.CL
Finetuning a Kalaallisut-English machine translation system using web-crawled data
Dartmouth College(达特茅斯学院)
西格陵兰语(英语:West Greenlandic),被当地人称为Kalaallisut,是一种资源极其贫乏的多合成语言,在格陵兰约有56,000人使用。在这里,我们试图使用来自大约30个多语言网站的网络爬行伪平行句子来微调预训练的Kalaallisut到英语神经机器翻译(NMT)系统。我们编译了超过93,000 Kalaallisut句子和超过140,000丹麦句子的语料库,然后使用跨语言的句子嵌入和近似最近邻搜索,试图从这些语料库中挖掘近翻译。最后,我们将丹麦语句子翻译成英语,以获得合成Kalaallisut-English对齐语料库。尽管生成的数据集太小且噪音太大,无法改进预训练的MT模型,但我们相信,通过额外的资源,我们可以构建更好的伪并行语料库,并在MT上取得更有希望的结果。我们还注意到其他可能使用的单语Kalaallisut数据,并讨论未来的工作方向。我们公开了我们实验的代码和数据。
2022-06-05 cs.AI cs.CL
A Corpus for English-Japanese Multimodal Neural Machine Translation with Comparable Sentences
University of Georgia(佐治亚大学);Kyoto University(京都大学);Osaka University(大阪大学)
多模态神经机器翻译(NMT)多年来已经成为一个越来越重要的研究领域,因为额外的模态,如图像数据,可以为文本数据提供更多的上下文。此外,训练多模态NMT模型的可行性没有一个大的平行语料库继续调查,由于低可用性的图像,特别是英语-日语数据的平行句子。然而,这个空白可以用包含双语术语和平行短语的可比句子来填补,这些句子是通过社交网络帖子和电子商务产品描述等媒体自然创建的。在本文中,我们提出了一个新的多模态英语-日语语料库,具有可比的句子,从现有的图像描述数据集编译。此外,我们补充我们的可比句子与一个较小的平行语料库的验证和测试目的。为了测试这种可比句子翻译场景的性能,我们用可比语料库训练了几个基线NMT模型,并评估了它们的英日翻译性能。由于我们的基线实验中的翻译分数较低,我们认为当前的多模态NMT模型并没有被设计为有效地利用可比的句子数据。尽管如此,我们希望我们的语料库被用来进一步研究多模态NMT与可比的句子。
2020-10-17 cs.AI cs.CL cs.CV
SC-Ques: A Sentence Completion Question Dataset for English as a Second Language Learners
TAL Education Group(好未来教育集团);Guangdong Institute of Smart Education, Jinan University(暨南大学广东省智慧教育研究院);City University of Hong Kong(香港城市大学);Shenzhen Everants Technology(深圳云之鼎科技有限公司)
本文提出了面向ESL学习者的大规模句子填空数据集SC-Ques,包含289,148道真实考试题目,并基于预训练语言模型构建自动解题基准,通过详细分析模型性能、局限性与权衡推动该领域研究。
2023-04-07 cs.AI cs.CL
English Sentence Recognition using Artificial Neural Network through Mouse-based Gestures
CMJ University(CMJ大学)
手写是人们日常交流的重要手段之一。虽然手写体识别问题已经被考虑了60多年,但仍然有许多悬而未决的问题,特别是在无约束手写句子识别任务中。本文研究了基于人工神经网络的连续英文句子自动识别系统。所提出的人工神经网络是使用传统的自监督神经网络的反向传播算法进行训练的,该算法为系统提供了很强的学习能力,从而在前馈人工神经网络的训练中被证明是非常成功的。所设计的算法不仅能够翻译离散的手势动作,而且能够通过鼠标翻译连续的手势。本文采用高效的神经网络方法对鼠标画出的英文句子进行识别。该方法有效地提取了英语句子的边界,确定了识别英语句子的区域,并将其绘制在图像中,然后利用人工神经网络进行识别。所提出的方法英语句子识别(ESR)系统的设计和测试成功。实验结果表明,该方法具有较高的检测速度和检测精度.
2013-01-20 cs.AI
MTet: Multi-domain Translation for English and Vietnamese
VietAI Research(VietAI研究院)
我们介绍MTet,最大的公开可用的英语越南语翻译平行语料库。MTet由420万个高质量的训练句子对和越南研究社区改进的多领域测试集组成。结合以前的英越翻译工作,我们将现有的并行数据集扩展到6.2M句子对。我们还为英语和越南语发布了第一个预训练模型EnViT5。结合这两种资源,我们的模型在翻译BLEU分数上显著优于之前的最先进结果,最高可达2分,同时小1.6倍。
2022-10-19 cs.AI cs.CL
Predicate-Argument Structure Divergences in Chinese and English Parallel Sentences and their Impact on Language Transfer
Department of Environmental Sciences, Informatics and Statistics(环境科学、信息学与统计学系);Department of Linguistic Sciences And Foreign Literatures(语言科学与外国文学系)
本文针对汉英平行句的谓词论元结构差异展开分析,通过双向标注投影实验验证了语言迁移的不对称性,为跨语言NLP的源语言选择及相关研究提供参考。
2025-11-12 cs.AI cs.CL
BiST: A Gold Standard Bangla-English Bilingual Corpus for Sentence Structure and Tense Classification with Inter-Annotator Agreement
Kennesaw State University(肯尼索州立大学)
BiST是一个精心编纂的孟加拉语-英语双语语料库,用于句子级别的语法分类,标注了句法结构和时态。该语料库包含30,534个句子,通过多阶段框架和Fleiss Kappa值确保高质量标注,支持语法建模任务。
2026-04-06 cs.AI cs.CL
A System for Automatic English Text Expansion
University of Vigo(维戈大学);Defense University Center(国防大学中心);University of Aberdeen(阿伯丁大学)
该系统结合语言规则与统计方法实现自动文本扩展,生成连贯英语句子,具有模块化和跨语言适应性,并通过AAC概念验证及英西对比评估了其有效性。
2024-05-28 cs.AI cs.CL
UD-English-CHILDES: A Collected Resource of Gold and Silver Universal Dependencies Trees for Child Language Interactions
Georgetown University(乔治城大学);University of Florida(佛罗里达大学)
本文发布首个UD树库UD-English-CHILDES,基于CHILDES数据统一标注,含超4.8万金标准句及百万银标准句,支撑儿童语言交互研究。
2025-06-17 cs.AI cs.CL
Towards Ontology-Enhanced Representation Learning for Large Language Models
IQVIA(艾昆纬)
本文提出通过注入参考本体的语言与结构知识,利用生成式LLM编译概念定义集并结合对比学习微调嵌入大模型,有效提升了其在生物医学领域内的句子相似度评估能力且不损害领域外表现。
2024-05-30 cs.AI cs.CL
Align and Shine: Building High-Quality Sentence-Aligned Corpora for Multilingual Text Simplification
Centre for Translation, Localisation and Interpreting Studies(翻译、本地化与诠释研究中心);School of Languages, Cultures and Societies(语言、文化和社会学院);University of Leeds, UK(利兹大学)
本文通过收集和处理可比语料库中的众包简化数据,构建了多语言文本简化任务的高质量句子对语料库,解决了其他语言缺乏大规模高质量数据的问题。
2026-05-10 cs.AI cs.CL
Solving ESL Sentence Completion Questions via Pre-trained Neural Language Models
TAL Education Group(好未来教育集团);Federation University Australia(澳大利亚联邦大学);Michigan State University(密歇根州立大学)
句子完成(SC)问题呈现一个句子,其中有一个或多个空格需要填写,三到五个可能的单词或短语作为选项。SC问题广泛应用于英语作为第二语言(ESL)的学生学习,建立自动解决此类问题的计算方法对语言学习者是有益的。在这项工作中,我们提出了一个神经框架来解决SC问题在英语考试中,利用预先训练的语言模型。我们在一个真实的K-12 ESL SC问题数据集上进行了大量的实验,结果证明了我们的模型在预测精度方面的优越性。此外,我们运行精度召回权衡分析,以讨论在现实生活中部署它时的实际问题。为了鼓励可重复的结果,我们在\url{https://github.com/AIED2021/ESL-SentenceCompletion}上公开了我们的代码。
2021-07-15 cs.AI cs.CL