Ontology Enabled Hybrid Modeling and Simulation
University at Buffalo（布法罗大学）；The MITRE Corporation（MITRE公司）
本研究探究本体对混合建模与仿真的增强作用，区分两类本体解决三维互操作性挑战，结合语义网技术实现双重功能，通过四个案例验证实效，最后分析相关挑战与机遇。
2025-06-14 cs.AI
BPCMont: Business Process Change Management Ontology
Université Lumiere Lyon 2（里昂第二大学）
当业务逻辑、横切面和工作流因业务策略或组织和技术环境的变化而发生变化时，对不断发展的协作业务流程开发进行变更管理至关重要。在变更实施过程中，对业务流程进行分析和改进，以确保它们捕获拟议的变更，并且不包含任何不需要的功能或变更副作用。本文提出了业务流程变更管理的方法，以有效和高效地实施业务流程的变更。我们的方法背后的关键技术是我们提出的业务流程变更管理本体（BPCMont），这是本文的主要贡献。BPCMont作为一种形式化的变更规范，有助于在系统崩溃、中间冲突阶段或未经授权的变更完成的情况下将BP恢复到一致的状态，有助于在新版本和旧版本的业务流程中跟踪变更，可以有效地看到和估计变更效果，便于利益相关者验证和验证变更实施等。
2016-02-13 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
Decision support system for Forest fire management using Ontology with Big Data and LLMs
Indian Institute of Information Technology Allahabad（阿拉哈巴德印度信息技术学院）
本文提出一种结合SSN本体、SWRL规则、大语言模型与Apache Spark的森林火灾管理决策支持系统，实现早期火灾检测、实时警报与风险预测，并通过多种指标验证其有效性。
2025-07-21 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
MIPO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning
Australian AI Institute, Faculty of Engineering and IT, University of Technology Sydney（澳大利亚人工智能研究所，工程与信息技术学院，悉尼技术大学）；School of Information Technology and Electrical Engineering, The University of Queensland（信息科技与电气工程学院，昆士兰大学）；Department of Data Science and AI, The Hong Kong Polytechnic University（数据科学与人工智能学院，香港理工大学）；Health Economics and Research Division, Department of Health and Aged Care（健康经济学与研究部，健康与老龄化部）
MIPO通过整合患者旅程与医学本体，提升医疗表示学习的鲁棒性和可解释性。
2026-01-09 cs.AI
OPTION: OPTImization Algorithm Benchmarking ONtology
Jožef Stefan Institute（约泽夫·斯蒂芬研究所）；Jožef Stefan International Postgraduate School（约泽夫·斯蒂芬国际研究生院）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Leiden Institute for Advanced Computer Science（莱顿高级计算机科学研究所）
许多优化算法基准测试平台允许用户共享他们的实验数据，以促进可重复和可重用的研究。然而，不同的平台使用不同的数据模型和格式，这极大地复杂化了相关数据集的识别、解释和互操作性。因此，一个语义丰富的，基于本体的，机器可读的数据模型，可以使用不同的平台是非常可取的。在本文中，我们报告这样一个本体的发展，我们称之为OPTION（OPTIMization算法基准本体）。我们的本体提供了所需的词汇语义注释的核心实体参与基准测试过程中，如算法，问题和评估措施。它还提供了自动数据集成、改进的互操作性和强大的查询功能，从而增加了基准数据的价值。我们演示了OPTION的实用性，通过注释和查询来自COCO框架的BBOB集合和Nevergrad环境的另一个黑盒优化基准（YABBOB）系列的基准性能数据的语料库。此外，我们将BBOB功能性能景观的功能集成到OPTION知识库中，使用公开的数据集进行探索性景观分析。最后，我们将OPTION知识库集成到IOHprofiler环境中，并为用户提供对性能数据进行荟萃分析的能力。
2022-11-21 cs.AI cs.SE
A Framework for Parallelizing OWL Classification in Description Logic Reasoners
Concordia University（康考迪亚大学）
在本文中，我们报告了一个黑盒的方法来并行化现有的描述逻辑（DL）的Web本体语言（OWL）的推理。OWL本体分类是一种重要的推理服务，得到了各大OWL/DL推理机的支持。我们提出了一个灵活的并行框架，可以应用到现有的OWL推理机，以加快其分类过程。为了测试其性能，我们评估了我们的框架并行化的主要OWL推理机的概念分类。与所选的黑盒推理器相比，我们的结果表明，对于大多数真实世界的本体，本体分类的挂钟时间可以提高一个数量级。
2019-06-18 cs.AI cs.DC
A Fourfold Pathogen Reference Ontology Suite
National Center for Ontological Research（国家本体研究中心）；University at Buffalo, State University of New York（纽约州立大学布法罗分校）；KadSci LLC（卡德科学有限责任公司）；CUBRC, Inc.（CUBRC公司）；University of Michigan-Ann Arbor（密歇根大学安娜堡分校）
本文采用“中心辐射”方法构建了针对病毒、细菌、真菌和寄生虫的四类病原体特异性传染病本体扩展（VIDO、BIDO、MIDO、PIDO），以提升IDO生态系统中数据的模块化与可重用性。
2025-04-24 cs.AI cs.LO q-bio.OT
Hierarchical Classification via Cascading Feature Elimination: Application to Human Phenotype Ontology-Aligned Facial Phenotyping (FaceMesh2HPO)
University of Augsburg（奥格斯堡大学）；University of Bonn（波恩大学）
FaceMesh2HPO框架利用临床医生注释及图像生成3D面部网格，基于PointNet训练含级联分类与特征消除的分层管道，结合多种数据实现面部表型分类，虽有成果但罕见叶节点性能受限，需改进策略增强实用性。
2026-08-20 cs.AI cs.CV cs.LG
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
SANOM Results for OAEI 2019
Delft University of Technology（代尔夫特理工大学）；TNO Research institute（TNO研究院）
基于模拟退火的本体匹配（SANOM）第二次参加2019年本体对齐评估计划（OAEI）。本文介绍了SANOM的配置及其在解剖和会议轨道上的结果。与OAEI 2017相比，SANOM有了显着改善，其结果与最先进的系统相比具有竞争力。特别是，SANOM在会议跟踪中的参与系统中具有最高的召回率，并且在F-测量方面与表现最好的系统AML竞争。SANOM在解剖学方面也与LogMap具有竞争力，LogMap是该领域中性能最好的系统，无需使用特定的生物医学背景知识。SANOM已被改编为HOBBIT平台，现在可供注册用户使用。
2020-06-09 cs.AI
Enhanced Integrated Scoring for Cleaning Dirty Texts
越来越多的本体工程的方法，从文本是面向使用在线资源，如公司内部网和万维网。尽管有这样的上升，没有太多的工作可以找到在预处理和清理脏文本从在线源方面。本文提出了一种改进的综合评分拼写错误纠正，缩写扩展和情况恢复（ISSAC）。ISSAC是本体工程系统中文本预处理阶段的一部分。使用700条聊天记录对增强的ISSAC进行的新评估显示，与仅使用基本ISSAC和Aspell的96.5%和71%相比，准确率提高了98%。
2008-10-02 cs.AI
Ontology-Free General-Domain Knowledge Graph-to-Text Generation Dataset Synthesis using Large Language Model
Graduate School of Artificial Intelligence, POSTECH（浦项科技大学人工智能研究生院）；Department of Computer Science and Engineering, POSTECH（浦项科技大学计算机科学与工程系）
针对通用领域高质量G2T数据集稀缺的问题，研究提出利用LLM和Data-QuestEval生成含585万对数据的无本体WikiOFGraph数据集，实验证明在其上微调的PLM性能更优，为G2T数据生成提供了可扩展的有效方案。
2024-09-11 cs.AI cs.CL
Generating Reliable Adverse event Profiles for Health through Automated Integrated Data (GRAPH-AID): A Semi-Automated Ontology Building Approach
Kansas State University（堪萨斯州立大学）
本文提出一种利用Python及rdflib库的半自动化本体构建方法GRAPH-AID，通过自动生成类与公理实现Neo4j数据库与OWL的无缝集成，解决了不良药物事件数据集的本体生成挑战并提升药物安全监测。
2025-06-25 cs.AI cs.DB cs.SE
Natural Language Knowledge Graph Query Execution: Leveraging Controlled Semantics in the LLM Context Window
Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）
NLKGQ通过OWL本体在LLM上下文中传递受控语义，零样本生成SPARQL查询，并在多个知识图谱基准上显著提升查询匹配率。
2026-09-15 cs.AI cs.DB
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
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
DIALOG: A framework for modeling, analysis and reuse of digital forensic knowledge
University College Dublin（都柏林大学学院）
本文介绍了DIALOG（数字调查本体）;数字调查知识管理、重用和分析的框架。DIALOG提供了一个通用的、独立于应用程序的词汇表，可用于描述不同详细级别的调查。DIALOG定义为封装数字取证领域的所有概念以及它们之间的关系。特别是，我们专注于Windows注册表，其中注册表项是根据其结构和功能建模的。注册表分析软件工具以类似的方式建模，我们说明了如何使用本体的推理功能来解释其结果
2019-02-21 cs.AI cs.CR cs.DL
Incentives or Ontology? A Structural Rebuttal to OpenAI's Hallucination Thesis
RA Software（RA软件公司）；Sofia University “St. Kliment Ohridski”（索非亚大学“圣克里门特·奥里兹斯基”）
本文反驳OpenAI关于幻觉源于激励不匹配的观点，指出幻觉是Transformer架构的必然结果，需通过外部验证模块消除，而非改变激励或微调。
2025-12-16 cs.AI cs.CL cs.LG
Ontology Verbalization using Semantic-Refinement
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
我们提出了一种基于规则的技术来产生冗余-OWL实体的自由NL描述。现有的解决OWL本体语言化问题的方法生成的NL文本片段与对应的OWL语句接近。其中一些方法还对这些NL文本片段进行分组和聚合，以生成更流畅和更全面的内容形式。将我们的注意力限制在对个体的描述上，我们发现，目前可用的工具所遵循的方法是确定给定的个体/概念名称所满足的所有逻辑条件的集合，并将这些条件逐字翻译成相应的NL描述。这种描述的人类可理解性受到重复和冗余的影响，因为它们对它们的OWL表示具有高度的保真度。在文献中，在生成实体的NL描述之前，没有努力去除逻辑级的冗余和重复，并且我们发现这是所生成的文本缺乏可读性的主要原因。在此，我们提出了一种称为语义细化（SR）的技术来生成给定OWLontology的个人和概念的有意义和易于理解的描述。我们识别OWL/DL结构导致重复/冗余的描述，并提出了一系列细化规则，以保持意义的方式重写个体/概念所满足的条件。然后，将缩减的条件集用于生成NL描述。我们的实验表明，SR导致显着改善本体实体的描述。我们还测试了生成的描述的有效性和有用性，验证本体的目的，并发现所提出的技术确实是有帮助的上下文中。
2016-10-31 cs.AI cs.CL
Evaluating Adaptive Personalization of Educational Readings with Simulated Learners
School of Computing and Augmented Intelligence（计算与增强智能学院）；Arizona State University（亚利桑那州立大学）
本文提出框架，通过理论指导的模拟学习者评估教育阅读材料的自适应个性化，通过构建学习目标和知识组件本体，生成对齐的阅读评估对，结果显示自适应阅读在计算机科学中有显著提升，在无机化学中略有提升，在一般生物学中则无明显效果。
2026-05-13 cs.AI cs.CL cs.HC
Ontology-Aware RAG for Improved Question-Answering in Cybersecurity Education
本文提出CyberRAG，一种面向本体的检索增强生成方法，用于提升网络安全教育中问答系统的可靠性与准确性。
2025-11-24 cs.AI cs.CY
MedTQ: Dynamic Topic Discovery and Query Generation for Medical Ontologies
University of Missouri-Kansas City（密苏里大学堪萨斯城分校）
生物医学本体是指通过开放数据运动极大地改善了数据管理和数据共享的感兴趣的生物医学领域的共享概念化。生物医学数据的快速增长和可用性使得对大规模本体进行手动分析和查询处理变得不切实际且计算昂贵。缺乏能力，从这样的各种来源的本体分析，并支持临床实践和生物医学研究的知识发现，应克服新技术。在这项研究中，我们开发了一个医学主题发现和查询生成框架（MedTQ），这是由一系列的方法和算法组成。介绍了一种基于谓词邻域模式的方法，该方法能够计算本体中谓词（关系）的相似性。给定谓词相似性度量，机器学习算法已经被开发用于自动主题发现和查询生成。通过扩展已有的有监督聚类算法（K-means clustering）来构造主题层次结构，设计了一种主题发现算法--层次K-means算法。在分层K-Means算法中，针对主题元素之间的强关联性，采用逐层优化策略。自动查询生成的主题，可以引导用户进行交互式查询设计和处理。评价进行生成主题层次的DrugBank本体作为一个案例研究。结果表明，MedTQ框架可以通过从特定领域的数据和本体中捕获底层结构来增强知识发现。
2018-02-12 cs.AI cs.DB cs.IR
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
Development of Ontological Knowledge Bases by Leveraging Large Language Models
本文提出利用大语言模型开发本体知识库的结构化迭代方法，通过案例研究展示加速本体构建、提升一致性及透明度的贡献。
2026-03-13 cs.AI cs.IR
Answering Counting Queries over DL-Lite Ontologies
University of Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立理工学院）；LaBRI（波尔多计算机科学研究实验室）；Inria（法国国家信息与自动化研究所）；DI ENS（巴黎高等师范学院计算机系）；ENS（巴黎高等师范学院）；University PSL（巴黎文理研究大学）
本体介导的查询应答（OMQA）是一种很有前途的数据访问和集成方法，在知识表示和数据库社区中已经被积极研究了十多年。OMQA的绝大多数工作都集中在合取查询上，而具有计数或其他聚合形式的更具表达力的查询在很大程度上尚未探索。在本文中，我们介绍了一种一般形式的计数查询，将其与以前的建议，并研究在DL-Lite本体的存在下回答这种查询的复杂性。由于它遵循现有的工作，查询回答是棘手的，往往是高复杂性，我们考虑一些实际相关的限制，我们建立改进的复杂性界限。
2020-09-02 cs.AI cs.CC cs.DB
CyberAGENTS: Structured Autonomy for Agentic Gamified Learning in Cybersecurity
Arizona State University（亚利桑那州立大学）；Amazon AGI（亚马逊AGI）
本研究提出CyberAGENTS框架，通过结构化自主机制实现游戏化网络安全学习，经课堂评估验证其可提升学习者参与度与对AI响应的信任度，为相关系统设计提供蓝图。
2026-08-11 cs.AI
Increasing the LLM Accuracy for Question Answering: Ontologies to the Rescue!
data.world AI Lab（data.world AI实验室）
针对Text-to-SPARQL问答中LLM生成错误路径查询的问题，提出OBQC本体语义检查与LLM修复相结合的方法，将基准准确率提升至72%、错误率降至20%。
2024-05-20 cs.AI cs.DB cs.IR
"Is depression related to cannabis?": A knowledge-infused model for Entity and Relation Extraction with Limited Supervision
Artificial Intelligence Institute, University of South Carolina（南卡罗来纳大学人工智能研究所）
由于大力宣传使用大麻对改善心理健康的好处，大麻合法化是立法者的优先事项。然而，初步的科学研究并没有最终将大麻与改善心理健康联系起来。在这项研究中，我们探讨了抑郁症和大麻消费之间的关系，在一个有针对性的社交媒体语料库中，涉及个人使用大麻，目的是获得其潜在的心理健康益处。我们使用的推文包含领域专家注释的三个类别之间的关联-原因，效果和成瘾。最先进的自然语言处理技术在提取大麻短语和抑郁指标之间的这些关系方面存在不足。我们试图通过使用领域知识来解决这一限制;具体来说，药物滥用本体论与精神疾病诊断和统计手册的心理健康词汇增强成瘾。由于领域专家的时间有限而缺乏注释，我们使用监督对比学习结合在大量语料库上训练的GPT-3，即使在监督有限的情况下也能提高性能。实验结果表明，我们的方法可以显着提取大麻抑郁症的关系比最先进的关系提取器。可以使用最近邻方法提供高质量的注释，该方法使用可被科学界用来更好地理解大麻与抑郁症之间的关联的学习表示。
2021-02-01 cs.AI cs.CL
Online Dynamic Reliability Evaluation of Wind Turbines based on Drone-assisted Monitoring
University of Bradford（布拉德福德大学）；University of Hull（赫尔大学）；University of Sheffield（谢菲尔德大学）
海上风能由于具有较低的环境影响而日益成为一种有吸引力的能源。有效的操作和维护，确保使用海上设施的能源生产过程的最大可用性和最低的生产成本，是提高这种能源相对于其他传统能源的竞争力的两个关键因素。状态监测系统广泛用于海上风电场的健康管理，以改善运营和维护。风电场的可靠性越来越多地被评估，以帮助维护过程，从而提高风电场的可用性。然而，许多可靠性分析是基于统计数据离线执行的。在这篇文章中，我们提出了一个无人机辅助监测的方法，在线可靠性评估的风力涡轮机。风力涡轮机的叶片系统被用作一个说明性的例子来证明所提出的方法。
2022-11-23 cs.AI cs.RO cs.SY
