Towards an ontology of HTTP interactions
Néréide（Néréide 公司）
企业信息系统采用了基于网络的基础，以便在不同的方案之间进行交流。这些程序通过Web API提供和使用由URI标识的一些资源，URI的表示通过HTTP传输。此外，HTTP仍然是所有Web开发的核心（语义Web，链接数据，物联网...）。因此，程序必须能够推理HTTP交互（请求-响应）的情况越来越多。这需要一个明确的正式规范的共享概念化的这些相互作用。已提出一项关于RDF词汇的建议，其目的是进行网络应用程序一致性测试并记录测试结果。此词汇表已被重用。在本文中，我们建议调整和扩展它，使其更可重用。
2020-07-20 cs.AI
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
OM4OV: Leveraging Ontology Matching for Ontology Versioning
Australian National University（澳大利亚国立大学）；Monash University（墨尔本大学）
本文系统分析了本体匹配与本体版本控制的异同，提出OM4OV框架以提升版本控制支持。通过Agent-OM系统实现并评估，发现现有本体匹配系统在版本控制任务中需优化以避免偏差和性能问题。
2026-10-19 cs.AI cs.CL cs.IR
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
FOCA: A Methodology for Ontology Evaluation
UFAL（阿拉戈斯联邦大学）；UFPE（伯南布哥联邦大学）；USP（圣保罗大学）
本体建模是一项艰巨而耗时的任务。虽然方法是有用的本体论创建良好的本体，他们没有帮助的任务，评估本体的质量被重用。因此，在本体构建之后或重用之前，对本体的质量进行评估是非常必要的，但很少有研究仅仅给出一组标准和问题，而没有对本体进行评估的指导。评估一个本体的工作量非常大，因为要深入理解标准和问题，非常依赖评估者的专业知识。而且，评价还是很主观的。本研究提出一种新的本体评估方法，考虑到三个基本原则：i）它是基于目标，问题，度量方法的实证评估; ii）的目标的方法是基于知识表示的作用结合具体的评估标准; iii）每个本体的评估根据本体的类型。该方法进行了经验评估，使用不同的本体论和本体论的同一领域。本研究的主要贡献是：i）定义一个逐步的方法来评估本体的质量; ii）提出一个基于知识表示的角色的评价; iii）根据本体的类型明确的差异的评价iii）一个问卷调查，以评估本体; iv）一个统计模型，自动计算的本体的质量。
2017-09-02 cs.AI
A Planning Ontology to Represent and Exploit Planning Knowledge for Performance Efficiency
University of South Carolina（南卡罗来纳大学）；IIIT-Delhi（德里印度信息技术学院）
本文利用IPC数据构建规划本体，以语义化组织规划器与领域知识，并通过宏等机制支持规划器选择和性能提升。
2024-07-08 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
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
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
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
EBOCA: Evidences for BiOmedical Concepts Association Ontology
Centro de Tecnología Biomédica（生物医学技术中心）；Universidad Politécnica de Madrid（马德里理工大学）
现在有大量的在线文档数据源。缺乏结构和格式之间的差异是自动提取信息的主要困难，这也对它的使用和重用产生了负面影响。在生物医学领域，DISNET平台的出现为研究人员提供了一个资源，通过大规模的异构源获得人类疾病网络范围内的信息。在生物医学领域，不仅要提供从不同来源提取的信息，而且要提供支持这些信息的证据。本文提出了EBOCA本体，它描述了（i）生物医学领域的概念和它们之间的关联，（ii）支持这些关联的证据;其目的是提供一种模式以改进该领域中证据和生物医学关联的出版和描述。本体已经成功地进行了评估，以确保没有错误，建模陷阱，并满足先前定义的功能要求。测试数据来自一个子集的DISNET和自动关联提取文本已被转换，根据建议的本体创建一个知识图谱，可以在实际情况下使用，并已被用于评估所提出的本体。
2022-08-01 cs.AI
Ontology-based knowledge graph infrastructure for interoperable atomistic simulation data
本文提出基于本体的知识图谱基础设施，用于整合和表示原子模拟数据，解决异构格式、元数据不全和标准表示不足的问题，通过统一表示实现跨数据集的一致查询与分析。
2026-03-31 cond-mat.mtrl-sci cs.AI cs.DB
OntoChat: a Framework for Conversational Ontology Engineering using Language Models
King’s College London（伦敦国王学院）；Cefriel – Politecnico di Milano（Cefriel - 米兰理工大学）；Vienna University of Economics and Business（维也纳经济大学）；Universidad Politécnica de Madrid（马德里理工大学）
针对大型项目中多方交互导致的本体工程需求获取歧义与人工依赖问题，提出对话式本体工程框架OntoChat，支持需求获取、分析和测试，通过对话代理辅助用户故事创建、胜任力问题提取及早期本体测试，并在Music Meta Ontology复制实验中验证了有效性。
2024-04-26 cs.AI
InBiodiv-O: An Ontology for Indian Biodiversity Knowledge Management
为了表达生物多样性信息，需要一个语义模型来连接生物及其栖息地的各种数据。模型必须能够编码人类知识，以便机器理解。本体提供了最丰富的机器可解释（而不仅仅是机器可处理）和显式的语义，被广泛用于生物多样性领域。生物多样性领域开发了各种本体论，但对当前景观的审查表明，这些本体论无法定义印度的生物多样性信息，尽管印度是megadiversity国家之一。为了从语义上分析印度生物多样性信息，建立一个本体来描述网络上非结构化格式数据中的所有基本术语是至关重要的。由于本体的管理在很大程度上取决于这些实现的领域，因此还没有定义理想的方法论以供普遍使用。本文的目的是开发一个本体，语义编码的所有条款的印度生物多样性信息的所有方面的基础上提出的方法。对所提出的本体的综合评价表明，该本体在特定领域中构建得很好。
2022-10-28 cs.AI
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
SAREF-based Ontology for Distributed AI Workflows across the Edge-Fog-Cloud Continuum
本文提出一种符合SAREF的本体，扩展SAREF4SYST本体加入AI相关概念，经智能电网场景验证，可实现边-雾-云环境下分布式AI工作流的语义互操作，部署成功率90%-100%，平均编排决策时间低于80ms。
2026-08-28 cs.AI
An Ontology for Satellite Databases
Center for Orbital Debris Education and Research (CODER), University of Maryland（马里兰大学轨道碎片教育与研究中心（CODER））；National Aeronautics and Space Administration (NASA) Datanauts（美国国家航空航天局（NASA）Datanauts）
本文展示了卫星数据库本体的发展。首先，我为忧思科学家联盟（UCS）卫星数据库（简称UCSSD）创建了一个计算本体，称为UCS卫星本体（或UCSSO）。其次，在开发UCSSO时，我展示了空间态势感知本体（SSAO）（Rovetto和Kelso 2016）-现有的空间领域参考本体-以及作者的相关本体工作（Rovetto 2015，2016）可以（i）与数据库特定的本地本体（如UCSSO）一起使用，或者（ii）代替它。在情况（i）中，诸如UCSSO之类的本地本体可以重用SSAO术语，执行术语映射或对其进行扩展。在情况（ii）中，诸如SSAO之类的作者的轨道空间本体工作可由UCSSD和具有其他空间对象目录的组织用作提供公共语义丰富的领域模型的参考本体套件。SSAO、UCSSO和更广泛的轨道空间环境领域本体项目在http://purl.org/space-ontology和GitHub上在线。这种本体论的努力，部分目的是提供准确的形式表示的领域的各种应用程序。本体工程有可能促进共享和整合来自联合数据库和传感器的卫星数据，以实现更安全的航天飞行。
2018-01-06 cs.AI cs.DB
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
Reasoning over Ontologies with Hidden Content: The Import-by-Query Approach
Oxford University（牛津大学）
当前，对用于隐藏正被另一本体Kv重用的本体Kh的签名的部分的技术的兴趣日益增长。为了实现这一目标，在本文中，我们提出了进口的查询框架，这使得内容的Kh访问通过一个有限的查询接口。如果Kv以某种受限的方式重用来自Kh的符号，则可以通过仅访问Kv和查询接口来推理Kv U Kh。我们绘制出按查询导入问题的全貌。特别是，我们概述了我们的框架的局限性，并证明了某些限制的表现力的Kh和Kv重用的符号从Kh的方式是严格必要的，使推理在我们的设置。我们还确定了推理是可能的情况下，我们提出了合适的进口查询推理算法。
2014-01-23 cs.AI cs.LO
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
An Algebra of Lightweight Ontologies
PUC-Rio（里约热内卢天主教大学）
本文认为，某些本体论设计问题是有益的解决治疗本体论的理论，并通过定义一组操作，创建新的本体论，包括他们的约束，其他本体论。本文首先展示了如何在本体重用的上下文中使用这些操作，如何利用这些操作来比较不同的本体或本体的不同版本，以及这些操作如何以自底向上的方式帮助设计中介模式。本文的核心讨论了如何计算轻量级本体的操作，并解决了轻量级本体的约束集最小化的问题。最后，本文描述了一个实现的操作，作为一个Protégé插件。
2018-09-05 cs.AI cs.LO
Development Of Ontology-Based Intelligent System For Software Testing
软件测试是软件产业的重要组成部分。除了了解测试的重要性外，只有有限的时间用于教授测试。如果测试与编程基础同时教授，效率会更高。这种测试技术和编程的综合学习允许程序员以更好的方式执行，这导致了行业进步的性能的提高。本文介绍了一种本体技术，该技术首先对测试过程进行层次化定义，并定义测试过程之间的关系，以实现知识的共享和重用，然后通过自然语言处理生成元数据，最后应用本体来支持测试管理。它作为多种环境的知识库，集成了编程基础和测试概念的教学。关键词：Meta Data，Ontology，软件测试，集成，编程基础.
2013-02-21 cs.AI cs.SE
Knowledge Patterns
Boeing（波音公司）；University of Texas（得克萨斯大学）
本文介绍了一种新的技术，称为“知识模式”，用于帮助构建公理丰富的，正式的本体，识别和明确表示的知识（理论图式）在本体中的重复模式的基础上，然后说明这些模式映射到特定领域的概念在本体。从建模的角度来看，知识模式提供了对形式本体结构的重要见解：而不是将形式本体简单地视为术语和公理的列表，知识模式将其视为抽象的模块化理论（“知识模式”）的集合，以及说明如何使用这些理论对世界的不同方面进行建模的建模决策的集合。知识模式使这些抽象理论及其到感兴趣领域的映射变得明确，从而使建模决策变得清晰，并避免了可能出现的一些本体论混乱。此外，从计算的角度来看，知识模式提供了一个简单的和计算效率的机制，促进知识重用。我们描述的技术和使用它们构建的应用程序，然后批评它的优点和缺点。我们的结论是，这种技术使我们能够更好地解释结构和建模决策时，构建一个正式的公理丰富的本体。
2020-05-08 cs.AI
A curated, ontology-based, large-scale knowledge graph of artificial intelligence tasks and benchmarks
Institute of Artificial Intelligence, Medical University of Vienna（维也纳医科大学人工智能研究所）
人工智能（AI）的研究正在通过快速增长的模型和方法来解决越来越多的任务。这使得很难跟踪新的人工智能方法在哪里成功应用-或仍然不成功-，如何衡量进展，不同的进步如何相互协同，以及未来的研究应该如何优先考虑。为了帮助解决这些问题，我们创建了智能任务本体和知识图谱（ITO），这是一个关于人工智能任务、基准测试结果和性能指标的全面、结构丰富和手动管理的资源。当前版本的ITO包含685，560条边，1，100个表示AI过程的类和1，995个表示性能指标的属性。ITO的目标是对AI任务和能力的全球格局进行精确和基于网络的分析。ITO基于的技术允许轻松集成和丰富外部数据，自动推理以及对底层本体模型的持续，协作专家策展。我们公开了ITO数据集和一系列使用ITO的笔记本电脑。
2021-10-06 cs.AI
OntoKG: Ontology-Oriented Knowledge Graph Construction with Intrinsic-Relational Routing
本文提出OntoKG方法，通过内在-关系路由机制设计可重用的本体分析 schema，构建了34.0M节点和61.2M边的知识图谱，验证了其在本体结构分析、标注审计等任务中的有效性。
2026-04-03 cs.AI
A Domain Ontology for Modeling the Book of Purification in Islam
本文开发了伊斯兰教洁净篇的本体论，通过六步策略定义关键概念、属性和关系，以支持知识共享与重用。
2025-05-23 cs.AI cs.DL
DINGO: an ontology for projects and grants linked data
ERCEA（欧洲研究理事会执行机构）
我们提出了DINGO（数据整合补助金本体论），本体论，提供了一个机器可读的可扩展框架，为语义启用的应用程序，相对于项目，资金，演员，特别是在研究领域的资助政策的数据建模。DINGO旨在产生高建模能力和弹性，以应对资金，研究和政策实践的巨大变化，这使得它也适用于除研究之外的其他领域，其中资金是一个重要方面。我们讨论了它的主要特点，遵循的原则，其发展，其社区摄取，其维护和演变。
2020-06-24 cs.AI cs.CY cs.DL
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
NCBO Ontology Recommender 2.0: An Enhanced Approach for Biomedical Ontology Recommendation
University of A Coruña（拉科鲁尼亚大学）；University of Montpellier（蒙彼利埃大学）
生物医学研究人员使用本体来用本体术语注释他们的数据，从而实现更好的数据集成和互操作性。然而，当前生物医学本体的数量、种类和复杂性使得研究人员难以确定哪些本体可以重新用于他们的特定需求。为了克服这个问题，2010年，国家生物医学本体中心（NCBO）发布了本体推荐器，这是一种接收生物医学文本语料库或关键字列表并建议适合引用指定术语的本体的服务。我们开发了一个新版本的NCBO本体推荐。该系统采用了一种新的推荐方法，根据以下四个标准来评估本体与生物医学文本数据的相关性：（1）本体覆盖输入数据的程度;（2）本体在生物医学界的接受程度;（3）本体类覆盖输入数据的详细程度;（4）本体类在生物医学领域的应用程度。以及（4）本体到输入数据的域的专门化。我们的评估表明，增强的推荐提供了更高质量的建议比原来的方法，提供更好的覆盖范围的输入数据，更详细的信息，他们的概念，增加专业化的领域的输入数据，并在社区中更大的接受和使用。此外，它还为用户提供了更多的解释性信息，以及不仅是单个本体，而且是本体组的建议。它还可以定制以适应不同场景的需求。Ontology Recommender 2.0结合了其前身的优势，并进行了一系列调整和新功能，以提高其可靠性和实用性。Ontology Recommender 2.0从NCBO BioPortal平台推荐了500多个生物医学本体，在那里它是公开的。
2017-05-25 cs.AI cs.IR
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
Supporting Cybersecurity Risk Management for Medical Devices via the SECUMAN Ontology and Shapes
Faculty of Computer Science, TU Dresden（德累斯顿工业大学计算机学院）；Else Kröner Fresenius Center for Digital Health（Else Kröner Fresenius数字健康中心）；secunet Security Networks AG（secunet安全网络股份公司）
研究针对医疗设备网络安全风险管理文档维护难的问题，提出SECUMAN本体与形状，结合OWL和SHACL实现文档初验、可追溯性及集成，对齐相关标准与本体并扩展网络安全相关概念。
2026-08-04 cs.AI cs.CR
Towards an ontology of state actors in cyberspace
University at Buffalo（布法罗大学）；National Center for Ontological Research（国家本体论研究中心）
本文提出构建网络空间国家行为体与网络行动的形式化本体，以整合多源数据、支持自动推理和情报复用，并给出评估、扩展现有网络安全本体工具的指标与计划。
2024-08-03 cs.AI cs.CR cs.LO
IEDM, an Ontology for Irradiation Experiment Data Management
MINES ParisTech, PSL University（巴黎文理研究大学巴黎矿业学院）；CERN（欧洲核子研究组织）
辐照实验（IE）是高能物理（HEP）粒子加速器和探测器发展的重要步骤。他们通过在短时间内模拟由于高能粒子轰击而导致的常见长期降解效应，评估HEP实验设备中使用的材料的辐射硬度。IE还用于其他科学和工业领域，例如医学（例如，用于癌症治疗、医学成像等），空间/航空电子设备（例如，用于有效载荷设备的辐射测试）以及在工业中（例如，用于食品杀菌）。这些复杂的过程通常使用电离辐射进行，需要高度专业化的基础设施：辐照设施。目前，全世界有数百个这样的设施。为了帮助开发最佳实践和促进计算机辅助处理和管理的IE，我们介绍IEDM，一个新的基于OWL的辐照实验数据管理本体。本文概述了IEDM的类和属性。由于IEDM的关键设计选择之一是最大限度地重用现有的基础本体，如科学实验本体（EXPO），测量单位本体（OM）和朋友的朋友本体（FOAF），我们讨论了IEDM与这些进口本体集成的方法问题。我们说明了IEDM的使用，通过一个实际的IE最近在IRRAD，欧洲核子研究中心的质子辐照设施。最后，我们讨论这项工作的其他动机，包括使用IEDM的IE管理的用户界面的生成，以及它们对我们的方法的影响。
2019-01-16 cs.AI cs.SE
DAOnt: A Formal Ontology for EU Data Act Compliance
Universidad Politécnica de Madrid（西班牙马德里理工大学）
本文提出DAOnt本体，通过机器可读表示支持数据共享协议的推理，复用LKIF-Core、ODRL和DPV本体元素，实现数据法案合规性检查。
2026-03-27 cs.AI cs.CY cs.DB
How Users Explore Ontologies on the Web: A Study of NCBO's BioPortal Usage Logs
Stanford University（斯坦福大学）；Graz University of Technology（格拉茨技术大学）；GESIS（莱布尼茨社会科学研究所）；University of Koblenz-Landau（科布伦茨-兰道大学）
生物医学领域的本体论数量众多，高度专业化，开发成本非常昂贵。因此，本体采用和重用的一个重要前提是有效地支持探索和发现现有的本体。为了实现这一目标，国家生物医学本体中心（NCBO）开发了BioPortal-一个在线知识库，旨在支持用户探索和查找500多个现有的生物医学本体。2016年，BioPortal是探索语义生物医学词汇和术语的最大门户之一，被许多研究人员和从业者使用。虽然这个门户的使用率很高，但我们对用户究竟如何搜索和探索本体以及首先存在什么样的使用模式或用户组知之甚少。深入了解用户在这些门户网站上的行为可以提供有价值的信息，以制定更好地支持用户探索和查找现有本体的策略，从而实现更好的本体重用。为此，我们使用数据采掘技术研究和分组用户根据他们的浏览行为在BioPortal上。此外，我们使用所获得的组来表征和比较探索策略跨本体。特别是，我们能够识别出七种不同的浏览行为类型，它们都使用了BioPortal提供的不同功能。例如，搜索浏览器广泛使用搜索功能，而本体树浏览器主要依赖于类层次结构来浏览本体。此外，我们表明，本体的具体特点影响用户探索和互动的网站。我们的研究结果可能会指导开发更多的面向用户的系统在Web上的本体探索。
2016-10-31 cs.AI cs.DL cs.HC
Efficient Computation of General Modules for ALC Ontologies (Extended Version)
LISN（LISN实验室）；CNRS（法国国家科学研究中心）；Université Paris-Saclay（巴黎萨克雷大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对描述逻辑ALC本体，提出基于均匀插值的通用模块提取方法，能生成比经典模块和现有均匀插值更小且计算更快的模块，并改进了二者的计算。
2023-05-16 cs.AI cs.LO
Science and Technology Ontology: A Taxonomy of Emerging Topics
University of Warwick（华威大学）
本文提出一种自动构建的科学与技术本体论（S&TO），利用BERTopic分析39万余篇论文，覆盖四个科学领域，生成5,153个主题和13,155个语义关系，以促进跨学科研究和新领域发现。
2023-05-06 cs.AI cs.DL
Systematic Analysis of COVID-19 Ontologies
Department of Library and Information Science, Calcutta University（加尔各答大学图书馆与信息科学系）
本文通过系统综述和参数化评估方法，对24个COVID-19本体从设计方法、形式化程度、词汇重用和领域覆盖等方面进行系统分析，为领域本体比较和未来发展提供参考。
2023-09-15 cs.AI cs.DL cs.IR
A Diversity-Aware Domain Development Methodology
University of Trento（特伦托大学）
领域本体模型的发展，虽然是一个成熟的研究领域的支持下建立了良好的方法，仍然遭受两个关键的缺点。首先，本体概念的语义持久化及其在领域开发中的灵活重用问题，采用现有的方法。其次，由于在理解和重用现有的基础本体的顶层概念的困难，关于领域表示的语义性质的混淆。该论文基于上述表示多样性的缺点，并提出了一个三重解决方案-（i）用于渲染概念重用的管道，（ii）最小化基础知识模型的第一个表征，命名为基础目的论，语义上解释了执行域表示的静态和动态性质的基础区别，以及（iii）灵活的，复用原生方法的多样性感知域开发利用解决方案（i）和（ii）。报告的初步工作验证了解决方案组件的潜力。
2022-08-27 cs.AI cs.DB
The Artificial Intelligence Ontology: LLM-assisted construction of AI concept hierarchies
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；UC Berkeley（加州大学伯克利分校）；Helen Wills Neuroscience Institute（海伦·威尔斯神经科学研究所）；Redwood Center for Theoretical Neuroscience（红杉理论神经科学中心）
本文提出人工智能本体AIO，通过人工策展与大语言模型辅助，构建涵盖Networks、Layers、Functions、LLMs、Preprocessing和Bias六大分支的AI概念层级体系，并开源发布以支持标准化术语与跨学科研究。
2024-04-03 cs.AI cs.LG
SSBD Ontology: A Two-Tier Approach for Interoperable Bioimaging Metadata
RIKEN Information R&D and Strategy Headquarters（日本理化学研究所信息研发与战略本部）；RIKEN Bioresource Research Center（日本理化学研究所生物资源研究中心）；RIKEN Center for Biosystems Dynamics Research（日本理化学研究所生物系统动力学研究中心）
针对生物成像元数据管理难题，提出SSBD本体两层架构，融合灵活实例与健壮类，促进互操作、数据重用及新机制发现，助力FAIR数据生态。
2025-08-04 cs.AI cs.DB cs.DL
Consistency Verification in Ontology-Based Process Models with Parameter Interdependencies
Chair of Automation Ruhr University Bochum, Bochum, Germany（自动化教研室鲁尔大学波恩，波恩，德国）
本文针对本体过程模型中的参数相互依赖，提出了一套包含SPARQL过滤、单位一致性检查和数据完整性检查的验证机制，并通过树脂传递模塑用例展示其应用。
2025-06-19 cs.AI cs.DB
IRSKG: Unified Intrusion Response System Knowledge Graph Ontology for Cyber Defense
Mississippi State University（密西西比州立大学）；Argonne National Laboratory（阿贡国家实验室）
本文提出统一入侵响应系统知识图谱本体IRSKG，通过整合异构监控日志与管理员策略并支持动态更新，简化AICA接入流程，提升自动化与可解释性，从而缩短关键响应时间。
2024-11-23 cs.AI cs.CR cs.LG
Knowledge-based Drug Samples' Comparison
University of Burgundy（勃艮第大学）；Institut Agro Dijon（第戎农业学院）
本文提出一种基于本体和逻辑规则的知识获取与形式化方法，以改进法国警方毒品样本人工比对流程，并确保结果可解释且可跨领域复用。
2024-07-16 cs.AI
Natural Language Access to Domain-Specific Metadata: A Reusable Framework for LLM Query Generation
Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物信息学研究所）
研究针对特定领域档案元数据查询难题，提出NLKGQ系统，借助OWL本体和LLMs，能零样本生成准确结构化查询。经神经影像档案元数据实验，最佳配置准确率达100%，明确影响准确率关键因素，还对比SPARQL与SQL，凸显OWL优势。
2026-09-11 cs.AI cs.DB
Ontology-Based Recommendation of Editorial Products
The Open University（开放大学）；Springer-Verlag GmbH（施普林格-维尔格有限公司）
主要的学术出版商需要能够分析其庞大的产品目录，并选择最好的项目在科学场所销售。这是一项复杂的工作，需要高度精确地描述数千本书的主题，并将其与相关社区的兴趣相匹配。在Springer Nature中，这项任务传统上由出版编辑手动处理。然而，科学出版物数量的快速增长和计算机科学领域的动态特性使得这种解决方案越来越低效。我们通过创建智能图书推荐器（SBR）来解决这个问题，SBR是开放大学与施普林格·自然合作开发的基于本体的推荐系统，支持他们的计算机科学编辑团队选择产品在特定场所销售。SBR通过利用约27K编辑产品的语义增强表示来推荐与会议相关的书籍、期刊和会议记录。这是基于计算机科学本体论，一个非常大规模的，自动生成的分类研究领域。SBR还允许用户调查为什么系统建议某个出版物。它通过一个交互式图形视图来实现这一点，该视图显示推荐的编辑产品的主题分类，并将其与输入会议的以主题为中心的特征进行比较。由七位Springer Nature编辑和七位研究人员进行的评估证实了该解决方案的有效性。
2021-03-24 cs.AI cs.DL cs.IR
Pattern-based design applied to cultural heritage knowledge graphs
University of Bologna（博洛尼亚大学）；Central Institute for Cataloguing and Documentation（中央编目与文献研究所）；Ministry of Cultural Heritage and Activities（文化遗产与活动部）；Institute of Cognitive Sciences and Technologies（认知科学与技术研究所）；Italian National Research Council（意大利国家研究委员会）
本体设计模式（ODPs）已经成为保证高质量本体工程的既定和公认的实践。有几个ODP存储库，其中ODP是共享的，以及本体设计方法，建议重用它们。建议执行严格的测试，以及支持本体维护和验证产生的资源对它的激励需求。然而，要找到如何应用这些方法来开发特定领域的知识图谱的指导方针并不那么简单。ArCo是意大利文化遗产的知识图谱，采用极限设计（XD）开发，这是一种ODP和测试驱动的方法。在其开发过程中，XD已经适应了CH领域的需求，例如从开放的、多样化的消费者社区收集需求，定义了新的ODP，并且许多ODP已经专门用于满足特定的CH需求。本文介绍了ArCo，并介绍了如何应用XD的CH知识图谱的开发和验证，还详细介绍了（智能）的过程中遇到的建模问题匹配ODP。相关的贡献还包括一个新的网络工具，支持单元测试的知识图谱，严格的评估ArCo，并讨论在ArCo开发过程中吸取的方法学经验教训。
2020-06-20 cs.AI cs.CY cs.DB
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
An Ontology-Driven Graph RAG for Legal Norms: A Structural, Temporal, and Deterministic Approach
Federal Senate of Brazil（巴西联邦议会）
本文提出一种基于本体的图式RAG框架，通过建模法律规范的结构和时间特性，解决法律领域检索增强生成系统中对法律层级、时间性和因果关系的忽视问题。
2025-09-11 cs.AI cs.CL cs.IR
SCX Router: Streaming Zero-Shot Model Selection with a Decoder-KV Classifier and a Real-World Task Ontology
Knowledgator（诺莱格特）；SCX.ai Holdings Limited（SCX.ai控股有限公司）
本研究提出基于GLiClass的轻量级SCX Router，结合Qwen3解码器与任务本体实现流式零样本模型选择，在LiveBench子集上性能优于候选模型均值，1000任务子集累计Top-1得分达0.707，优于最强固定模型。
2026-09-03 cs.AI cs.CL
A Multi-Level Architecture for Reusable Materials Ontologies -- The OntoCrafter Ceramics Ontology (OCO) as Reference Implementation
Numberland
针对材料科学本体在水平、垂直和机制三个维度上的碎片化问题，提出一种多层次模块化架构，通过抽象层次和消费受众两个独立分类轴，并在材料特定层内采用七层机制解释骨架，以OntoCrafter陶瓷本体(OCO v0.94)作为参考实现。
2026-06-17 cond-mat.mtrl-sci cs.AI physics.app-ph
Knowledge-based system for collaborative process specification
EBM WebSourcing；Université de Toulouse-Mines d’Albi（图卢兹-阿尔比矿业大学）
本文提出了一种基于本体的协同业务过程模型（CBP）的设计方法。该CBP被视为一种需求说明，以便为组织网络建立一个协作信息系统。这项研究是一个模型驱动的工程方法的CIS在一个特定的企业互操作性框架，将被总结的一部分。业务流程建模符号（BPMN）的适应是用来表示CBP模型。我们开发了一个基于知识的系统（KbS），它是由三个主要部分组成：知识收集，知识表示和推理，协同业务过程建模。第一部分从一个高抽象级别开始，在这个级别上捕获来自业务合作伙伴的知识。协作本体的定义，以提供一个结构来存储和使用所捕获的知识。与此同时，我们尝试重用MIT Process Handbook存储库中有关业务流程的通用现有知识。这导致了一个协作过程本体，也被描述。定义了一组规则，以便从两个先前的本体中提取关于CBP模型的片段的知识。这些片段最终在KbS的第三部分中组装。KbS的原型已经开发，以实施和支持这种方法。该原型是CBP的计算机辅助设计工具。在本文中，我们将介绍这个KbS的每个部分的理论方面，以及我们开发和使用的工具，以支持其功能。
2015-09-30 cs.AI cs.SE
KG-Hub -- Building and Exchanging Biological Knowledge Graphs
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；University of Colorado（科罗拉多大学）；Swiss Institute of Bioinformatics（瑞士生物信息学研究所）；Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心）；University of Milano（米兰大学）；MD Anderson Cancer Center（MD安德森癌症中心）；Oregon State University（俄勒冈州立大学）；Helix Genomics Inc.（Helix Genomics公司）；University of North Carolina（北卡罗来纳大学）；Politecnico di Milano（米兰理工大学）；Semanticly Ltd.（Semanticly有限公司）；Delphinai Corporation（Delphinai公司）；University of Colorado Anschutz Medical Campus（科罗拉多大学安舒茨医学校区）；The Jackson Laboratory for Genomic Medicine（杰克逊基因组医学实验室）
知识图（KGs）是一种强大的方法，用于集成异构数据，并在生物学和许多其他领域进行推理，但缺乏一个连贯的解决方案，用于构建，交换和促进知识图的下游使用。在这里，我们介绍了KG-Hub，这是一个支持知识图标准化构建、交换和重用的平台。特性包括一个简单的模块化提取-转换-加载（ETL）模式，用于生成符合Biolink模型的图形（用于标准化生物学数据的高级数据模型），易于集成任何OBO（开放生物和生物医学本体）本体，上游数据源的缓存下载，具有稳定URL的版本化和自动更新的构建，云基础设施上KG工件的可Web浏览存储，以及跨项目轻松重用转换后的子图。目前的KG-Hub项目涵盖了COVID-19研究、药物再利用、微生物与环境的相互作用和罕见疾病研究等用例。KG-Hub配备了工具，可以轻松分析和操作知识图。KG-Hub还与图形机器学习（ML）工具紧密集成，这些工具允许自动图形机器学习，包括节点嵌入和链接预测和节点分类模型的训练。
2023-01-31 cs.AI cs.LG q-bio.QM
Characterising LLM-Generated Competency Questions: a Cross-Domain Empirical Study using Open and Closed Models
Taibah University, Madinah, Saudi Arabia（塔伊卜大学，麦地那，沙特阿拉伯）；University of Liverpool, Liverpool, UK（利物浦大学，利物浦，英国）
本文通过跨领域分析，系统比较了不同大语言模型生成的能力问题在可读性、相关性和结构复杂性方面的特性。
2026-04-17 cs.AI
