Information-theoretic Interestingness Measures for Cross-Ontology Data Mining
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of Arizona（亚利桑那大学）；Mississippi State University（密西西比州立大学）
具有来自多个生物本体的概念的生物实体的社区注释已经创建了具有正交本体之间的嵌入式隐式关系的基于本体的注释数据的大型且不断增长的存储库。开发有效的数据采掘方法和度量来挖掘和评估所挖掘的关系的质量没有跟上注释数据的增长。在这项研究中，我们提出了一个数据采掘的方法，使用本体指导的泛化发现跨本体的关系，以及一个新的兴趣度度量的基础上信息论。我们应用我们的数据采掘算法和兴趣度措施的数据集从基因表达数据库在小鼠基因组信息作为一个初步的概念证明，以挖掘小鼠解剖本体和基因本体概念（生物过程，分子功能和细胞成分）的发展阶段之间的关系。此外，我们提出了我们的兴趣度指标与现有的四个指标的比较。基于本体的注释数据集为发现跨本体的关系提供了宝贵的资源。使用高效的数据采掘方法和适当的兴趣度度量使得能够识别高质量的关系。
2016-05-16 cs.AI cs.CE q-bio.QM
Assessing the Capability of Large Language Models for Domain-Specific Ontology Generation
University of Bologna, Italy（博洛尼亚大学，意大利）；ISTC-CNR, Italy（ISTC-意大利国家研究理事会）；Linköping University, Sweden（林雪平大学，瑞典）
本研究探讨了大型语言模型在自动本体生成中的应用，通过95个能力问题测试DeepSeek和o1-preview在六个领域的表现，发现其性能跨领域高度一致，验证了LLM在可扩展、领域无关本体构建中的潜力。
2025-04-24 cs.AI
GPTON: Generative Pre-trained Transformers enhanced with Ontology Narration for accurate annotation of biological data
University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）；Yale University（耶鲁大学）
研究开发了GPTON，利用GPT-4进行本体叙述将结构化知识注入LLMs，为超68%的基因集实现了准确的文本与本体注释，人工评估证实其稳健性，有望显著推进生物医学研究。
2024-10-17 cs.AI q-bio.QM
Ontology as a Source for Rule Generation
Riga Technical University（里加工业大学）
本文揭示了潜在的OWL（Web本体语言）本体生成的规则。本文的主要目的是确定新类型的规则，这可能是从OWL本体生成的。从OWL本体生成的规则是语义Web专家系统运行所必需的。语义网专家系统（SWES）将能够处理来自Web的本体，以补充甚至发展其知识库。
2014-04-18 cs.AI
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
The Bag Semantics of Ontology-Based Data Access
University of Oxford（牛津大学）
基于本体的数据访问（OBDA）是通过共享本体集成和查询多个数据源的流行方法。使用映射将本体链接到源，映射将数据上的视图分配给本体谓词。出于OBDA系统支持数据库风格的聚合查询的需要，我们提出了一个包的OBDA语义，在由映射定义的视图中的重复元组被保留，在标准数据库的情况下。我们表明，袋语义使OBDA中的合取查询回答在数据复杂度上是困难的。为了恢复易处理性，我们考虑了一个相当一般的一类查询，并显示其可重写的概括的关系演算袋。
2017-05-19 cs.AI
DLOLIS-A: Description Logic based Text Ontology Learning
DA-IICT（印度信息技术学院）
本体学习在过去的十年里一直是深入研究的主题。在这一领域的研究人员一直受到激励的可能性，自动建立一个知识库的顶部的文本文件，以支持推理为基础的知识提取。虽然这一领域的大多数工作主要是统计的（称为轻量级本体学习），但在从自然语言文本文档中进行公理化本体学习（称为重量级本体学习）方面没有进行太多尝试。与统计本体学习相比，重量级本体学习支持更精确的基于形式逻辑的推理。本文提出了一个良好的本体学习工具DLOL_（IS-A），它将英语IS-A语句映射成其等价的描述逻辑表达式，自动生成一对一致的T-box和A-box，从而形成规则（定义形式）和广义（公理形式）的描述逻辑本体。本文目前的研究范围仅限于IS-A句，排除了以下可能的结构：（i）隐含IS-A句，（ii）“Wh”IS-A疑问句。其他语言的细微差别，产生了语用学和认知的是-A句超出了本工作的范围。我们采用了黄金标准的本体学习评估选择IS-A丰富的维基百科文档。
2013-03-24 cs.AI
Extensions of Generic DOL for Generic Ontology Design Patterns
University of Bremen（不来梅大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Otto-von-Guericke University of Magdeburg（马格德堡奥托·冯·格里克大学）
通用本体是作为分布式本体、建模和规约语言（DOL）的扩展而引入的，其目的是为通用本体设计模式提供一种语言。在本文中，我们提出了一些新的语言结构，增加了通用DOL的表现力和一般性，其中顺序和可选参数，列表参数递归，和当地的子模式。这些都说明了与非平凡的模式：通用值集和（嵌套）定性分级关系，证明在应用领域的定义构建块。
2019-06-14 cs.AI cs.LO
CQ4OE: A benchmark for assessing LLM-assisted ontology generation from competency questions
Ontology Engineering Group, Universidad Politécnica de Madrid（马德里理工大学本体工程组）
CQ4OE是一个新基准，用于系统评估大语言模型从能力问题生成本体的性能，提供带来源的黄金本体和两个互补任务，实验表明LLM在术语恢复上优于完整本体构建。
2026-09-23 cs.AI
OntoExtend: A Framework for Requirement-driven and Scalable Ontology Extension with LLMs
Linköping University（林雪平大学）；University of Bologna（博洛尼亚大学）；Bosch（博世公司）；ISTC-CNR（意大利国家研究委员会信息科学与技术研究所）
研究基于需求驱动的本体扩展问题，提出用检索增强生成的OntoExtend框架，通过在相关输入本体和需求上应用该框架，在两个用例的能力问题上评估，结果显示其可作为现实场景中本体扩展起草助手，对问题特异性和建模概要敏感。
2026-07-21 cs.AI
Realization of Ontology Web Search Engine
本文描述了本体Web搜索引擎的实现。本体Web搜索引擎既可以作为独立的项目实现，也可以作为其他项目的一部分实现。本文的主要目的是介绍作为语义网专家系统一部分的本体网搜索引擎的实现细节，并给出本体网搜索引擎的运行结果。语义网专家系统将能够处理来自Web的本体，从这些本体生成规则并开发其知识库。
2017-02-22 cs.AI cs.IR
A Comprehensive Survey of Ontology Summarization: Measures and Methods
University of Georgia（佐治亚大学）；Georgia Southern University（佐治亚南方大学）
语义Web正在成为一个大规模的框架，使数据能够以本体的形式发布，共享和重用。本体作为语义网的基本构件，由数据层和模式层两层组成。随着当前本体在数据量和模式复杂度方面的指数级发展，本体理解在本体工程、本体学习等不同任务中发挥着重要作用，变得越来越困难本体摘要作为一种从本体中提取知识并生成简化版本以便于更好地理解的方法，近年来受到越来越多的关注。有各种方法可用于本体摘要，这些方法专注于不同的措施，以便为给定的本体产生适当的摘要。在本文中，我们主要集中在本体摘要的常用度量，并满足了本体摘要的最新发展。
2018-01-05 cs.AI cs.IR
Leveraging LLM for Automated Ontology Extraction and Knowledge Graph Generation
Arizona State University（亚利桑那州立大学）
本文提出 OntoKGen 流水线，利用 LLM、自适应迭代 CoT 和交互式界面，从 RAM 技术文档中按用户需求抽取本体并生成 KG，支持 Neo4j 集成与未来 RAG 应用。
2024-12-10 cs.AI
Mapping Biomedical Ontology Terms to IDs: Effect of Domain Prevalence on Prediction Accuracy
Computer Science Department（计算机科学系）；Missouri State University（密苏里州立大学）；Kummer Institute Center for AI and AS（Kummer研究所人工智能与自动系统中心）；Missouri University of Science & Technology（密苏里科技大学）；Cooperative Engineering Program（合作工程计划）
研究评估LLM将HPO、GO和UniProtKB术语映射到本体ID的能力，发现ID文献流行度显著预测准确率，但HUGO基因符号因高度词汇化而例外。
2025-05-12 cs.AI cs.CL
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
Ontology Matching Techniques: A Gold Standard Model
VIT University（韦洛尔理工学院）；EFREI（法国电子与计算机信息学院）
通常，本体匹配技术是在诸如结构、语义、语法、实例等的各种抽象级别上操作的非常不同类型的匹配器的组合。一般而言，期望在所有可能的抽象级别上采用匹配器的本体匹配技术在精度方面给出最佳结果，由于匹配机会的改进，以及如果我们忽视效率问题，则可以通过更好的计算资源（例如并行处理）来改进召回率和F度量。通过对本体匹配技术的模型分类，提出了一种金标准本体匹配模型。还基于金标准本体匹配模型定义了合适的度量标准。回顾了该领域最近的研究论文中指定的各种本体匹配技术，根据新提出的金标准模型对本体匹配技术进行分类，并计算了整个组的度量值。上述研究结果支持了提出的金标准本体匹配模型。
2018-11-26 cs.AI cs.DB
Towards the Ontology Web Search Engine
本文提出了本体Web搜索引擎的设计方案。本文的主要目的是开发这样一个项目，可以很容易地实现。本体网络搜索引擎是一种在网络中查找和索引本体的软件。OWL（Web Ontology Languages）是指本体，它们是SWES（Semantic Web专家系统）运行所必需的。SWES是一个专家系统，它将使用从Web上找到的本体，从中生成规则，并将用这些生成的规则补充其知识库。预计SWES将作为一般用户的通用专家系统。
2015-05-04 cs.AI cs.DL cs.IR
An Automatic Ontology Generation Framework with An Organizational Perspective
Virginia Commonwealth University（弗吉尼亚联邦大学）；University of Sydney（悉尼大学）
本体以其知识的语义表示而闻名。本体不能自动演变以反映在各个域中发生的更新。为了解决这个问题，研究人员呼吁从非结构化文本语料库中自动生成本体。不幸的是，旨在从非结构化文本语料库中生成本体的系统是特定领域的，需要人工干预。此外，他们遭受的不确定性，创造概念的联系和困难，找到公理相同的概念。知识图谱（KGs）已经成为知识动态表示的一个强大模型。然而，幼儿园有许多质量限制，需要广泛改进。本研究旨在发展一个新的领域无关本体自动生成框架，将非结构化的文本语料转换为领域一致的本体形式。该框架从非结构化文本语料库中生成知识库，并对其进行改进和校正，使其与领域本体保持一致。所提出的自动生成的本体的力量是，它集成了知识库的动态特征和本体的质量特征。
2022-01-15 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
Smart Mobility Ontology: Current Trends and Future Directions
Ryerson University（瑞尔森大学）
本体是对领域中概念及其相互关系的明确的、形式化的表示。运输科学是一个广泛的领域，涉及各种复杂和相互关联的运输系统，如陆地，航空和海上运输的流动性，并可以从本体开发中获得相当大的优势。虽然在最近的文献中可以找到一些研究，但存在很大的潜力来改进和开发一个全面的智能移动本体。本章旨在介绍本体开发的不同方面，如本体开发方法，语言，工具和软件。随后，它介绍了目前可用的移动性相关的本体开发跨不同的领域，如交通，智能城市，货物移动，传感器。确定了现有本体的当前差距，并提出了本体开发的未来方向，可以将即将到来的自动驾驶和联网车辆，移动性即服务（MaaS）以及其他颠覆性的交通技术和服务结合起来。
2020-12-15 cs.AI
Ontology-based Data Access: A Study through Disjunctive Datalog, CSP, and MMSNP
CNRS（法国国家科学研究中心）；Université Paris Sud（巴黎南大学）；UC Santa Cruz（加州大学圣克鲁兹分校）；University of Bremen（不来梅大学）；University of Liverpool（利物浦大学）
基于本体的数据访问涉及在本体提供的特定领域知识存在的情况下查询不完整的数据源。在这种设置中的中心概念是本体介导的查询，这是一个数据库查询与本体耦合。在本文中，我们研究了几类本体介导的查询，其中数据库查询被给定为某种形式的合取查询，本体被制定在描述逻辑或一阶逻辑的其他相关片段，如保护片段和一元否定片段。本文的贡献有三个方面。首先，我们描述了表达能力的本体介导的查询片段的析取数据。其次，我们建立了本体中介查询和约束满足问题（CSP）及其逻辑推广，MMSNP公式之间的密切联系。第三，我们利用这些连接，以获得新的结果（一）一阶重写和数据记录重写的本体为中介的查询，（ii）P/NP二分法本体为中介的查询，和（iii）查询包含问题的本体为中介的查询。
2013-06-06 cs.AI cs.DB
A Cyber Science Based Ontology for Artificial General Intelligence Containment
Capitol Technology University（国会理工大学）
人工智能的发展被许多人认为是不可避免的。这种智能在意识到之后会做什么并不确定。为此，研究表明，人工通用智能对人类产生敌意的可能性很大，足以让人们研究限制这种潜力的方法。因此，遏制人工通用智能是一个及时而有意义的研究课题。虽然探索可能的遏制战略的研究有限，但这些工作受到战略所借鉴的基本领域的限制。因此，我们着手构建一个本体来描述任何未来遏制技术中的必要元素。利用现有的学术文献，我们开发了一个单一的领域本体包含5个级别，32个代码，和32个相关的描述符。此外，我们构建了本体图来展示预期的关系。然后，我们将人类、AGI和网络世界确定为未来遏制活动所必需的新型代理对象。总的来说，这项工作解决了三个关键差距：（a）识别和安排基本结构;（b）将AGI遏制置于网络科学中;以及（c）在该领域内发展科学严谨性。
2021-08-01 cs.AI
Preliminaries of a Space Situational Awareness Ontology
University of Maryland（马里兰大学）；APUS/AMU（美国公立大学系统/美国军事大学）；Center for Space Standards and Innovation, Analytical Graphics Inc.（分析图形公司空间标准与创新中心）
空间态势感知对于国际安全和保障以及空间旅行的未来至关重要。通过改善SSA数据共享，我们改善了全球SSA。计算本体论可以为实现这一目标提供一种手段。本文开发了空间态势感知领域的本体，并采取步骤创建空间态势感知本体。本体论的目标，要求和desiderata概述，并描述了SSA域和学科的本体论。本体论的目的包括：探索本体论开发和工程的潜力，以便（一）表示空间态势感知数据、一般领域知识、物体和关系，（二）注释和表达这些数据的含义，以及（三）促进空间态势感知行为者、轨道碎片数据库、空间物体目录和其他空间态势感知数据储存库之间的空间态势感知数据交换和整合。通过数据和知识共享改善空间态势感知，我们可以（iv）扩大我们对空间环境的科学知识，（v）提高我们防御近地天体的能力，以及（vi）确保未来几代人的安全空间飞行。
2016-06-23 cs.AI cs.DB
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
Cell-ontology guided transcriptome foundation model
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；University of Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）；Cornell University（康奈尔大学）；HEC Montréal（蒙特利尔高等商学院）；CIFAR AI Chair（加拿大高级研究所人工智能主席职位）
针对现有转录组基础模型忽略细胞类型间本体关系的问题，提出细胞本体引导的scCello模型，通过引入细胞类型一致性和本体对齐损失进行预训练，在识别新细胞类型、预测标记基因及癌症药物反应等任务上性能优于现有模型。
2025-02-28 cs.AI cs.LG
An Ontology-driven Framework for Supporting Complex Decision Process
The Hong Kong Polytechnic University（香港理工大学）
针对决策问题和决策群体具有复杂结构的决策过程，提出了一种基于本体论的群体决策支持系统（ONTOGDSS）框架。它能够降低问题结构和群体关系的复杂性。该系统允许决策者通过网络环境，通过本体关系参与群体决策。它促进了决策过程作为一个整体的管理，从标准生成，备选方案的评估，意见的相互作用，决策汇总。嵌入式本体结构提供了重要的形式化描述功能，以方便决策分析和验证。它检查了软件体系结构，选择方法，决策路径等，最后，该系统的本体应用说明了具体的实际案例，以展示其对决策发展的潜力。
2011-07-15 cs.AI
An Ontology Construction Approach for the Domain Of Poultry Science Using Protege
Narasu’s Sarathy Institute of Technology（纳拉苏萨拉蒂理工学院）
现有的信息检索系统主要是基于关键词的全文匹配或基于主题的分类。这种关键字匹配往往返回大量无关信息，这不符合用户的查询要求。为了解决这一问题，并利用语义环境增强搜索，本文实现了一种家禽领域的本体技术。本体是当前语义环境研究领域的一种新兴技术。本文使用Protege 4.0构建了家禽本体，并为家禽本体的Web应用生成了资源描述框架模式和XML脚本。
2013-02-21 cs.AI
Enhancing Cluster Quality of Numerical Datasets with Domain Ontology
Charles Sturt University（查尔斯斯特大学）
本文提出一种基于领域本体的聚类方法，利用本体降低数值数据集属性维度，并通过GenClust++算法聚类，实验证明其能从本体低层级到高层级逐渐提升聚类质量。
2023-04-02 cs.AI cs.DB cs.LG
A New Hierarchical Redundancy Eliminated Tree Augmented Naive Bayes Classifier for Coping with Gene Ontology-based Features
University College London（伦敦大学学院）
树增强朴素贝叶斯分类器是一种概率图模型，可以表示一些特征依赖关系。在这项工作中，我们提出了一个分层冗余消除树增强朴素贝叶斯（HRE-TAN）算法，它考虑在分类器的学习过程中，消除分层冗余处理数据时，包含层次结构的功能。实验结果表明，HRE-TAN在以Gene Ontology术语为特征的衰老相关基因数据集上获得了比传统的树增强朴素贝叶斯分类器更好的预测性能，并增强了对不平衡类分布的鲁棒性。
2016-07-06 cs.AI cs.LG
Dynamic Bayesian Ontology Languages
TU Dresden（德累斯顿工业大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
许多形式主义结合本体语言与不确定性，通常以概率的形式，已经研究了多年。然而，这些形式主义中的大多数都假设知识的概率结构随着时间的推移保持静态。我们提出了一个通用的方法来扩展本体语言来处理动态贝叶斯网络所代表的随时间变化的不确定性。我们展示了如何在原始语言和动态贝叶斯推理推理可以利用有效的推理在我们的框架。
2015-06-26 cs.AI cs.LO
Amnestic Forgery: an Ontology of Conceptual Metaphors
University of Bologna（博洛尼亚大学）；ISTC-CNR（意大利国家研究委员会认知科学与技术研究所）
本文在概念隐喻理论的启发下，提出了一个基于MetaNet的隐喻语义本体-遗忘伪造。Amnestic Forgery重用和扩展了Framester模式，作为一个理想的本体设计框架，以处理框架，角色，映射和最终混合的符号和参考方面。资源的描述提供了讨论其应用程序，从隐喻生成的例子，和隐喻映射的参考问题。架构和数据都可以从Framester SPARQL端点获得。
2018-05-30 cs.AI cs.CL
Inductive Learning for Rule Generation from Ontology
本文提出了一种将归纳学习用于本体规则生成的思想。本文的主要目的是评估的可能性归纳学习使用规则生成的本体，并制定如何做到这一点。生成的规则是必要的补充，甚至开发语义Web专家系统（SWES）的知识库。SWES是专家系统概念向Web演进的结果，SWES是基于语义Web技术的。现有文献表明，基于归纳学习的本体规则生成问题研究得还不够深入。
2015-02-17 cs.AI
HINO: a BFO-aligned ontology representing human molecular interactions and pathways
University of Michigan Medical School（密歇根大学医学院）
许多数据库资源，如Reactome，从同行评议的出版物中收集手动注释的反应，相互作用和途径。互动者（例如，蛋白质）、相互作用和途径在这些数据资源中通常被表示为使用BioPAX（标准途径数据交换格式）的实例。然而，这些相互作用更好地表示为类（或共性），因为它们总是在适当的条件下发生。本研究旨在通过与基本形式本体（BFO）对齐的形式本体，将各种人类交互路径和网络表示为类。为了实现这一目标，人类交互网络本体（HINO）是通过扩展BFO对齐的交互网络本体（INO）。在Reactome中列出并在BioPAX中表示的所有人类途径和相关过程和相互作用者首先通过在INO下对齐它们来转换为本体类。来自外部本体的相关术语和相关联的关系和层次（例如，CHEBI和GO）也被检索并导入HINO。HINO本体术语在链接的本体数据服务器Ontobee中解析。存储在RDF三元组存储中的RDF三元组可通过SPARQL程序查询。这样的本体系统支持高级途径数据集成和应用。
2013-11-14 cs.AI cs.DB q-bio.MN
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
Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management
Yonyou AI Lab（用友人工智能实验室）；Yonyou Network Technology Co., Ltd.（用友网络技术有限公司）
本文提出大型本体模型（LOM），通过构建、对齐和推理框架，实现企业知识管理中多源异构数据的整合与复杂语义推理，实验表明其在复杂图推理任务中表现优于现有模型。
2026-01-18 cs.AI cs.CL cs.LG
Populous: A tool for populating ontology templates
University of Manchester（曼彻斯特大学）；Institut National de la Santé et de la Recherche Médicale（法国国家健康与医学研究院）
我们提出了Populous，一个工具，用于收集内容，填充本体。领域专家需要添加内容，这些内容通常在形式上是重复的，但不必处理底层的本体表示。Populous为用户提供了一个基于表格的表单，其中的列被限制为从特定的本体中取值;用户可以通过其有意义的标签从本体中选择一个概念，为给定的实体属性提供一个值。填充的表被映射到模式，然后可以用于自动生成本体的内容。Populous的贡献在于本体论发展的知识聚集阶段。它将知识收集与概念化分开，也将用户与标准本体创作环境分开。因此，Populous可以允许以直接的方式收集知识，然后可以用于大规模生产本体内容。
2010-12-08 cs.AI
JSI at the FinSim-2 task: Ontology-Augmented Financial Concept Classification
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；Jožef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）
在过去的几年里，本体越来越多地用于机器推理。它们可以提供概念的解释，或者如果存在从期望的标签到相关本体的映射，则用于概念分类。使用本体的另一个优点是它们不需要学习过程，这意味着我们在使用它们之前不需要训练数据或时间。本文提出了一个实际使用的本体的分类问题，从金融领域。它首先将一个给定的本体转换为一个图，并进行泛化，目的是找到金融概念的输入集的共同语义描述。我们提出了一个解决方案的共享任务学习语义相似性的金融领域（FinSim-2任务）。我们的任务是设计一个系统，可以自动分类的概念，从金融领域到最相关的上位概念在外部本体-金融行业业务本体。我们提出了一种方法，将给定的概念映射到所提到的本体，并进行图搜索最相关的上位词。我们还采用了一个词向量化方法和一个机器学习分类器，以补充该方法与每个概念的标签的排名列表。
2021-06-17 cs.AI
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
The Information Flow Foundation for Conceptual Knowledge Organization
The Ontology Consortium（本体联盟）
不同话语社区之间的本体共享使他们能够将自己的信息结构与共享共同术语和语义的其他社区的信息结构进行比较-本体共享促进了在线知识组织之间的互操作性。本文演示了本体共享是如何形式化的信息流（IF）的概念知识模型。信息流间接地表示通过可指定的本体扩展层次结构与同义类型等效增强的共享-两个本体通过各自扩展的公共通用本体共享术语和含义。使用形式化为IF逻辑的参与者社区本体、形式化为IF理论的公共共享可扩展本体、从公共本体到可形式化为IF理论解释的参与者社区本体的参与者社区规范链接的范式，本文认为本体共享集中在社区连接的虚拟本体中，并且演示了该虚拟本体如何可计算为参与本体的融合-参与本体之和模本体共享结构的商。
2018-10-19 cs.AI cs.DL
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
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
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
Merging of Ontologies Through Merging of Their Rules
本体合并是重要的，但并不总是有效的。本体合并效果不佳的主要原因是本体合并没有考虑目标。目标定义的方式，其中本体被合并得更有效。本文阐述了本体合并的规则，这是从这些本体生成。这对进一步应用于专家系统是必要的。
2020-01-13 cs.AI cs.IR
A RAG Approach for Generating Competency Questions in Ontology Engineering
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对本体工程中能力问题生成依赖专家、耗时费力的问题，提出基于检索增强生成（RAG）的方法，以领域科学论文为知识库自动生成CQs，实验表明该方法比零样本提示性能更优。
2025-02-11 cs.AI
Dire n'est pas concevoir
Université de Savoie（萨瓦大学）
从文本构建的概念模型很少是本体。事实上，这样的概念化是依赖于语料库的，并没有提供我们期望从本体的主要属性。此外，从文本中提取的本体一般与专家使用形式语言定义的本体不匹配。这并不奇怪，因为本体论是一种语言外的概念化，而从文本中提取的知识是语篇语言学所关注的。文本的不完整性和使用修辞格，如省略，修改了我们可能有的概念化的感知。本体知识，这是必要的文本理解，一般不嵌入到文件。
2010-02-10 cs.AI cs.CL
Test-Driven Development of ontologies (extended version)
University of Cape Town（开普敦大学）；Poznan University of Technology（波兹南理工大学）
新兴的本体创作方法，以增加知识的本体集中在改善验证瓶颈。新增加的公理的验证仍然是一个尝试，看看推理机说什么，因为缺少一个系统的测试平台本体创作。我们试图通过引入测试驱动开发的方法来解决这个问题。我们指定了36个通用测试，作为TBox查询和TBox公理测试通过个人，并在一个'开盒'的方式，其中涵盖了OWL 2 DL语言的功能，其内部工作结构。这是作为Protege插件实现的，因此可以将TDD测试作为黑盒测试来执行。我们评估了这两种测试方法的性能。TBox查询更快，本体越大，这种效果就越明显。我们提供了一个通用序列的TDD过程中本体工程作为TDD方法的基础。
2015-12-19 cs.AI
GeoFault: A well-founded fault ontology for interoperability in geological modeling
Sirius Center, Department of Informatics, University of Oslo（奥斯陆大学信息学系Sirius中心）；Geosiris SAS（Geosiris SAS公司）；Department of Geosciences, University of Oslo（奥斯陆大学地球科学系）；Informatics Institute, Federal University of Rio Grande do Sul（南里奥格兰德联邦大学信息学研究所）
地质建模目前使用各种基于计算机的应用程序。通过本体论在语义层面上的数据协调对于使这些应用程序具有互操作性至关重要。由于地质建模目前是多学科项目的一部分，语义协调不仅需要对地质知识进行建模，还需要在一般水平上整合其他领域的知识。因此，用于描述地质知识的领域本体必须建立在良好的本体背景之上，以保证所描述的地质知识的可集成性。本文提出了一个领域本体：GeoFault，基于基本形式本体BFO（Arp et al.，2015）和GeoCore本体（Garcia等人，2020年）。它对与地质断层有关的知识进行建模。断层对各个行业都是必不可少的，但建模复杂。它们可以被描述为薄的变形岩石体或由于地质块体的不同位移而产生的空间排列。在更广泛的范围内，断层目前被描述为仅仅是表面，这是复杂的断层阵列的组成部分。对BFO和GeoCore包的引用允许分配这些不同的故障元素，以在一致的本体框架内定义本体类及其逻辑链接。GeoFault本体涵盖了断层“狭义”的核心知识，不包括韧性剪切变形。这一词汇主要是描述性的，与区域露头尺度有关，不包括微观、造山和构造板块结构。本体在OWL 2中成型，通过两个用例的能力问题进行验证，并使用内部本体驱动的数据录入应用程序进行测试。GeoFault的工作为断层知识的消歧提供了一个坚实的框架，为应用程序和用户提供了断层数据集成的基础。
2023-02-14 cs.AI
Formal Ontology Learning from English IS-A Sentences
Rygbee；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；DA-IICT；University of Bonn（波恩大学）
本体学习（OL）是从纯文本文档自动生成本体知识库的过程。在本文中，我们提出了一个新的本体学习方法和工具，称为DLOL，它产生一个知识库中的描述逻辑（DL）SHOQ（D）从收集的事实非否定的IS-A句子的英语。我们提供了广泛的实验结果DLOL的准确性，实验比较三个国家的最先进的现有OL工具，即Text 2 Onto，FRED和LEXO。在这里，我们使用标准的OL准确性措施，称为词汇准确性，和一种新的OL准确性措施，称为基于实例的推理模型。在我们的实验结果中，DLOL分别比其他三种方法中最好的方法好21%和46%。
2018-02-11 cs.AI cs.CL
Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema
Chinese University of Hong Kong（香港中文大学）
本文提出一种本体引导的LLM知识图谱构建方法，通过生成能力问题、提取关系并与Wikidata对齐来约束生成过程，在基准数据集上取得有竞争力的效果，实现了低人工干预、高质量且可解释的知识图谱自动构建。
2024-12-30 cs.AI cs.IR
An Energy Ontology for Global City Indicators (ISO 37120)
University of Toronto（多伦多大学）
为了创造未来的智慧城市，今天的举措需要创造可衡量的改进。然而，城市是一个复杂的系统，衡量其绩效会产生广泛的问题。具体而言，确定应衡量哪些标准，应如何定义适应症，以及应如何得出已确定的指标。本工作文件是系列文件中的一份，它解决了创建基于语义网的ISO 37120指标的17个不同主题的表示，作为更大的PolisGnosis项目的一部分（Fox，2017）。我们定义了一个标准的本体，用于表示能源主题指标的一般知识，并表示用于导出能源指标的定义和数据。
2020-07-19 cs.AI cs.CY
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
BEACON-SP: Ontology-Grounded GraphRAG Framework for Clinical Suicide Risk Assessment
Nexcepta；United States Military Academy（美国军事学院）
BEACON-SP提出本体锚定的图检索增强生成框架，整合患者知识图谱与自杀预防本体，支持多跳推理，在临床问答中优于向量RAG基线，76.4%案例被优先选择。
2026-10-08 cs.AI cs.CL cs.IR
Enterprise domain ontology learning from web-based corpus
University Politehnica Bucuresti（布加勒斯特理工大学）
企业知识是竞争和快速变化的企业环境中的一项关键资产。学习、储存和传播隐性和显性知识的能力可能是成功与失败的区别。虽然企业知识管理是一个定义明确的研究领域，但目前的实施缺乏对中小企业的定位。我们提出了一个语义搜索引擎，在企业中的相关文件，自动生成的领域本体的基础上。在本文中，我们专注于本体学习和人口的组成部分。
2021-01-29 cs.AI cs.SE
Ontology Learning and Knowledge Graph Construction: A Comparison of Approaches and Their Impact on RAG Performance
本文比较了不同知识图谱构建策略对RAG性能的影响，发现融合文本块信息的本体引导知识图谱性能优于向量检索基线，且基于关系数据库构建的本体引导知识图谱在性能相当的同时，具有降低LLM使用成本和避免本体合并复杂性的双重优势。
2025-11-08 cs.AI cs.IR
