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
Ontology-Grounded Topic Modeling for Climate Science Research
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
在研究成果对社会产生重大影响的科学学科中，减少理解、综合和利用研究成果所需的时间是非常宝贵的。主题建模是一种有效的技术，用于总结一系列文档，以找到其中的主题，并对具有相似共现词混合的其他文档进行分类。我们展示了如何接地的主题模型与本体，从词汇表中提取的重要领域短语，提高了生成的主题，使他们更容易理解。将该方法应用于气候科学领域，并对其进行了评价.结果改进了生成的主题，并支持更快的研究理解，研究人员之间的社交网络的发现，以及自动本体生成。
2018-07-31 cs.AI cs.CL
Retrieval-Augmented Generation of Ontologies from Relational Databases
Institute for Artificial Intelligence, University of Stuttgart（人工智能研究所，斯图加特大学）；University of Southampton（南安普顿大学）；Universitätsklinikum Leipzig（莱比锡大学医院）
研究从关系数据库生成语义丰富的OWL2DL本体的问题，提出RIGOR方法，通过大语言模型驱动，从多源检索并迭代生成本体片段，经验证和纠正后集成，实验表明该方法优于基线且无需人工监督。
2026-07-28 cs.AI cs.DB
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
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
Ontology Based Pivoted normalization using Vector Based Approach for information Retrieval
所提出的方法是程序性的，即它遵循有限数量的步骤，根据用户的查询提取相关文件。它是基于数据采掘的原理来分析Web数据的。数据采掘首先采用数据集成的方法生成数据仓库。然后，它提取有用的信息，借助算法。表示提取的文档的任务是通过使用基于向量的统计方法来完成的，该方法以术语集合表示每个文档。
2017-03-21 cs.AI cs.IR
Spontaneous Analogy by Piggybacking on a Perceptual System
Naval Research Laboratory（海军研究实验室）；Navy Center for Applied Research in Artificial Intelligence（海军人工智能应用研究中心）
大多数类比的计算模型假设它们被给予一个划定的源域，并且通常是一个指定的目标域。这些系统没有解决类似物如何从大的域中分离出来，并从长期记忆中自发地提取出来，我们称之为自发类比的过程。我们提出了一个系统，代表关系结构的功能袋。使用这种表示，我们的系统利用感知算法自动创建一个本体的关系结构，并有效地检索类似的新的关系结构从长期记忆。我们提供了一个演示我们的方法，需要一组未分割的故事，构建一个本体的类比模式（对应于情节设备），并使用此本体有效地找到新的故事中的类似物，产生显着的时间节省线性模拟检索在一个小的精度成本。
2013-10-10 cs.AI cs.LG
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
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
Developing an ontology for the access to the contents of an archival fonds: the case of the Catasto Gregoriano
这项研究被提议利用和扩展Catasto Gregoriano的信息资产的关系和上下文性质，保存在罗马的Archivio di Stato。开发的MODEUS项目（使开放数据有效地使用），这项研究源于MODEUS的以下关键思想：要求开放数据表示的本体论，并包括这样的本体论作为数据本身的文档。因此，开放数据通过本体自然地联系在一起，这符合关联开放数据愿景的要求。
2017-02-15 cs.AI cs.DL
Deep Learning for Ontology Reasoning
University of Oxford（牛津大学）
在这项工作中，我们提出了一种新的方法，本体推理是基于深度学习，而不是基于逻辑的形式化推理。为此，我们引入了一个新的模型，建立在深度递归神经网络的统计关系学习，并给出实验证据，它可以很容易地竞争，甚至优于，现有的基于逻辑的推理机的本体推理的任务。更确切地说，我们比较了我们实现的系统与目前最好的基于逻辑的本体推理机之一，RDFox，在一些大型标准基准数据集，发现我们的系统获得了高推理质量，同时高达两个数量级的速度。
2017-05-29 cs.AI cs.LG
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
Semantic Search using Spreading Activation based on Ontology
Trường Đại học Tôn Đức Thắng（孙德胜大学）
目前，文本文档检索系统在探索查询和文档的语义方面存在许多挑战。每一个查询都隐含着查询中没有出现的信息，但与信息相关的文档也是用户所期望的。以前的扩散激活算法的缺点是许多不相关的概念添加到查询。本文提出了一种新的算法，该算法只激活和添加与查询中的原始实体和查询中的显式关系相关的命名实体。
2019-05-09 cs.AI cs.IR
Surprising Effectiveness of Self-Demonstrations in Enhancing Schema-Ontology Mapping with LLMs
TCS Research（塔塔咨询服务研究院）；IIT Bombay（印度理工学院孟买分校）
本文提出一种结合神经符号任务分解与模式引导自我演示的方法，用于LLM模式-本体映射，在RODI基准上实现最先进性能，F1提升25个百分点。
2026-09-15 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
Do General NLP Embeddings Capture Ontological Reasoning?
TIB Leibniz Information Centre for Science and Technology（TIB莱布尼茨科学与技术信息中心）；Leibniz University of Hannover（汉诺威莱布尼茨大学）
该研究提出AVA框架评估通用NLP嵌入的本体推理能力，发现现有模型在逻辑敏感三元组任务中表现差，微调后难迁移至语义网任务，凸显语言表示与本体理解的差距。
2026-09-02 cs.AI cs.CL
Evaluating approaches for supervised semantic labeling
Siemens（西门子）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
关系数据源仍然是存储企业或Web数据的最流行的方法之一，然而，关系模式的问题是缺乏定义良好的语义描述。公共本体提供了一种表示关系模式的含义的方法，并且可以促进域中异构数据源的集成。语义标记是通过将数据源的属性映射到本体中的类和属性来实现的。我们制定这个问题作为一个多类分类问题，以前标记的数据源被用来学习规则标记新的数据源。大多数现有的语义标记方法都集中在数据集成的挑战，如命名冲突和语义异构性。此外，机器学习方法通常存在类不平衡、缺少标记实例和属性相对重要性的问题。为了解决这些问题，我们开发了一个新的机器学习模型与工程功能，以及两个深度学习模型，不需要广泛的功能工程。我们用最先进的技术来评估我们的新方法。
2018-01-29 cs.AI cs.CL cs.LG
OntoInk: Interactive Ontology Visualization, Validation, and Reasoning
FIZ Karlsruhe – Leibniz Institute for Information Infrastructure（FIZ Karlsruhe – 莱布尼茨信息基础设施研究所）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
OntoInk 是一个开源 MkDocs 插件，在文档即代码流水线中整合本体可视化、SHACL 验证、OWL 推理与内联编辑，支持交互式图表嵌入，加速开发与知识传递。
2026-10-06 cs.AI cs.IR
STIMONT: A core ontology for multimedia stimuli description
University of Zagreb（萨格勒布大学）
情感多媒体文件，如图像，声音或视频引起暴露的人类受试者的情感反应。这些刺激被存储在情感多媒体数据库中，并成功地用于与注意力和情感处理相关的心理学和神经科学领域的各种研究。虽然所有情感多媒体数据库都很重要，但它们存在许多缺陷，影响了它们的适用性。这些问题导致了多媒体刺激检索的查全率和查准率较低，使得情感诱导程序的开发难度大、工作量大。为了解决这些问题，引入了一个新的核心本体STIMONT。STIMONT是用OWL-DL形式主义编写的，并扩展了W3C ApprotionML格式，具有情感概念，高级语义，刺激文档元数据和引发的生理学的表达和正式表示。本体论在描述情感多媒体刺激的优势，证明了在一个文档检索实验和当代基于关键字的查询方法进行比较。此外，一个软件工具智能刺激发生器检索情感多媒体和刺激序列的建设。
2014-01-10 cs.AI cs.MM
Biomedical Document Clustering and Visualization based on the Concepts of Diseases
Purdue School of Engineering and Technology, IUPUI（印第安纳大学与普渡大学印第安纳波利斯联合分校普渡工程与技术学院）
文档聚类是一种文本挖掘技术，用于在数字图书馆或在线语料库中提供更好的文档搜索和浏览。基于现有本体的生物医学文档聚类已经有了很多研究。但是，医学概念的关联和同现并没有很好地表示使用本体。在本研究中，提出了一种疾病概念的向量表示和概念间的相似性度量。他们在语料库的背景下识别最接近的疾病概念。每个文档都使用向量空间模型表示。一个权重计划，提出了考虑本地内容和概念之间的关联。采用自组织映射作为文档聚类算法。SOM的矢量投影和可视化特性使其能够可视化和分析二维的空间上的聚类分布和相互关系。实验结果表明，提出的文档聚类框架产生有意义的集群，并促进可视化的疾病概念的基础上的集群。
2018-10-22 cs.AI cs.CL cs.LG
Social Participation Ontology: community documentation, enhancements and use examples
São Carlos Institute of Physics, University of São Paulo（圣保罗大学圣卡洛斯物理研究所）；Cidade Democrática, Instituto Seva（民主城市，塞瓦研究所）；National Secretariat of Social Participation, General Secretariat of the Republic（共和国总秘书处国家社会参与秘书处）；Institute of Mathematical and Computer Sciences, University of São Paulo（圣保罗大学数学与计算机科学研究所）
几乎所有政府都在推进民主，特别是在南美洲，它表现出一种混合的文化和社会倾向。本文介绍了“社会参与本体论”（OPS从巴西的名称\emph{Ontologia de Participação Social}）实现符合Web本体论语言标准（OWL）促进社会参与，特别是在虚拟平台。项目事务处的实体和联系是在专家广泛合作的基础上确定的。它表明，OPS是工具的信息检索从门户网站的内容，无论是在演员（各级）以及机制和活动。值得注意的是，OPS作为上层本体与其他OWL本体相联系，并通过FOAF和BFO作为更高的上层本体，这产生了良好的组织和知识和数据的访问。为了说明OPS的有用性，我们提出了本体扩展和集成与其他本体和数据的结果。正在进行的工作包括巴西联邦官方门户网站进一步采用OPS，促进社会参与和非政府组织，并进一步与其他本体联系，促进社会参与。
2017-10-30 cs.AI cs.CY
Ontology-Based Query Expansion with Latently Related Named Entities for Semantic Text Search
Ho Chi Minh City University of Technology（胡志明市理工大学）
传统的信息检索系统通过关键字集合来表示文档和查询。然而，文档或查询的内容主要由其中出现的关键字和命名实体定义。命名实体具有本体特征，即它们的别名、类和标识符，这些特征从它们的文本外观中隐藏。此外，查询的含义可能隐含与查询中的显式实体相关的潜在命名实体。提出了一种基于本体的广义向量空间模型来进行语义文本搜索。它利用命名实体及其潜在相关实体的本体特征来揭示文档和查询的语义。我们还提出了一个框架，结合不同的本体，以发挥其互补优势的语义标注和搜索。在基准数据集上的实验表明，我们的模型比其他模型具有更好的搜索质量。
2018-07-15 cs.AI cs.IR
When is Ontology-Mediated Querying Efficient?
DCC, U of Chile & IMFD Chile（智利大学计算机系与智利千年数据基金会）；University of Bremen（不来梅大学）；University of Edinburgh（爱丁堡大学）
在本体介导的查询中，描述逻辑（DL）本体被用来丰富不完整的数据与领域知识，从而导致更完整的答案查询。然而，本体中介查询（OMQ）的评价在关系数据库是计算困难的。这就提出了一个问题，即OMQ计算在组合复杂性或固定参数方面是否易于处理。我们研究这个问题的本体介导的查询语言的基础上，几个重要的和广泛使用的DL的范围，使用工会的合取查询作为实际的查询。对于DL ELHI扩展与底部的概念，我们提供了一个表征的OMQ类是固定参数听话。对于它的片段EL扩展域和范围的限制和底部的概念（限制使用的逆角色），我们提供了一个表征的OMQs是听话的组合复杂性的类。这两个结果都等价于有界树宽度的OMQ，并且基于参数化复杂性理论的合理假设。它们在精神上类似于Grohe对关系数据库上的合取查询的易处理类的开创性表征。我们进一步研究Meta问题的复杂性，决定一个给定的OMQ是否相当于一个有界树宽度的OMQ，提供了几个完整性的结果，范围从NP到2 ExpTime，取决于所使用的DL。我们还考虑了DL-Lite家族的DL，包括承认功能角色的成员。
2020-07-29 cs.AI cs.DB
Beyond OWL 2 QL in OBDA: Rewritings and Approximations (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Sapienza Università di Roma（罗马第一大学）；University of Genova（热那亚大学）
基于本体的数据访问（OBDA）是一种方便访问关系数据的新范式，通过声明性映射将数据源链接到本体来实现。DL-Lite_R是W3C本体语言OWL 2 QL的逻辑基础，也是OBDA当前的首选语言，其设计目标是将查询应答委托给底层数据库引擎，因此在表达能力方面受到限制。例如，在一个示例中，它不允许表达析取信息和数据上的任何形式的递归。本文的目的是克服DL-Lite_R的这些局限性，并将OBDA扩展到更具表达力的本体语言，同时仍然利用底层的关系技术进行查询应答。我们实现这一点依赖于两个众所周知的机制，即保守的重写和近似，但显着扩展其实际影响，使图片的映射，OBDA的一个重要组成部分。具体来说，我们开发的技术重写OBDA规范与表达本体的“等效”的DL-Lite_R本体，如果可能的话，否则近似。我们这样做，利用高表达能力的映射层捕捉丰富的本体语言的领域语义的一部分。我们已经实现了我们的技术在原型系统OntoProx，利用国家的最先进的OBDA系统Ontop和查询应答系统Clipper，我们已经证明了他们的可行性和有效性与实验合成和真实世界的数据。
2015-12-01 cs.AI
Geometric Relational Embeddings: A Survey
University of Stuttgart（斯图加特大学）；Monash University（莫纳什大学）；VU Amsterdam（阿姆斯特丹自由大学）；Griffith University（格里菲斯大学）；University of Southampton（南安普顿大学）
本文综述几何关系嵌入方法，按嵌入几何与关系推理任务分类，梳理其归纳偏置、典型应用及未来方向。
2023-04-24 cs.AI
MODL: A Modular Ontology Design Library
Wright State University（莱特州立大学）
基于模式的模块化本体有几个有益的属性，这些属性适合于FAIR数据实践，特别是当它涉及到互操作性和可重用性时。然而，开发这样的本体具有很高的前期成本，例如，重用模式是基于首先意识到它的存在。因此，为了帮助克服这些障碍，我们开发了MODL：一个模块化本体设计库。MODL是一个精心策划的本体设计模式的集合，这些模式来自各种各样的跨学科用例。在本文中，我们将MODL作为一种资源，讨论其使用，并提供其内容的一些例子。
2019-04-10 cs.AI
SemTK: An Ontology-first, Open Source Semantic Toolkit for Managing and Querying Knowledge Graphs
GE Global Research（通用电气全球研究中心）；Kobai（Kobai公司）
知识图谱作为多个高知名度人工智能和认知应用中的使能技术的相对较新的采用导致了对语义Web技术栈的日益增长的兴趣。然而，许多与语义相关的工具都专注于为对语义技术有深刻理解的专家提供服务。例如，关系数据的三重化是可用的，但是没有开源工具允许不熟悉OWL/RDF的用户以直观的方式将数据导入语义三重存储。此外，许多工具要求用户对SPARQL有一定的工作理解才能查询数据。对受益于知识图谱的能力感兴趣的临时用户几乎没有可用于探索、查询和管理语义数据的工具。我们提出SemTK，语义工具包，一个用户友好的工具套件，允许专家和非专家语义用户方便摄取关系数据，简化查询生成，等等。本体和实例数据的探索是通过SPARQL图，一个直观的基于Web的用户界面SemTK理解和导航的外行用户。SemTK的开源版本可在http://semtk.research.ge.com上获得
2018-06-02 cs.AI cs.DB
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
TransBox: EL++-closed Ontology Embedding
The University of Manchester（曼彻斯特大学）
本文针对现有OWL本体嵌入忽略复杂概念、难以处理复杂公理推理的问题，提出EL++-封闭本体嵌入和TransBox方法，可表示任意描述逻辑表达式并处理多种关系类型，在多个真实数据集上取得领先性能。
2025-02-04 cs.AI
Predicting Network Attacks Using Ontology-Driven Inference
Research Institute for ICT (ex ITRC)（信息与通信技术研究所（原ITRC））
图知识模型和本体是非常强大的建模和推理工具。我们提出了一种有效的方法来建模网络攻击和攻击预测，在安全管理中起着重要的作用。本研究的目标是：第一，我们使用知识表示方法，以提供描述逻辑推理和推理的攻击域概念的网络攻击，其先决条件和后果建模。其次，我们提出了一个基于本体的系统，预测潜在的攻击，使用推理和观察信息提供的感官输入。我们生成我们的本体，并使用CAPEC，CWE和CVE分层数据集评估相应的方法。实验结果表明，与传统的层次模型和关系模型相比，该模型具有显著的性能改进。该方法还减少了虚警，提高了入侵检测的有效性。
2013-04-03 cs.AI cs.CR cs.NI
On2Vec: Embedding-based Relation Prediction for Ontology Population
University of California, Los Angeles（加州大学洛杉矶分校）；Stony Brook University（石溪大学）
填充本体图是语义Web社区长期存在的问题。最近的进展，基于知识的图嵌入方法填充实例级知识图谱导致有前途的新方法的本体人口问题。然而，与实例级图不同，本体图中的大多数关系事实具有全面的语义关系，通常包括传递性和对称性以及层次关系。这些综合关系对于现有的图嵌入方法来说往往过于复杂，直接应用这些方法是不可行的。因此，我们提出了On 2 Vec，一种新的基于推理的图嵌入方法的本体人口。On 2 Vec集成了两个模型组件，有效地表征了本体图中的综合关系事实。第一种是特定于概念的模型，它将概念和关系编码到低维嵌入空间中，而不会丢失关系属性;第二种是层次模型，它对层次关系事实进行集中学习。几个著名的本体图上的实验表明，有前途的能力On 2 Vec在预测和验证新的关系事实。这些有希望的结果也使得相关方法的重大改进成为可能。
2018-09-07 cs.AI cs.IR
Toward Effective and Reliable LLM Agents via Dynamic Ontology
本文提出OaK框架，通过动态构建优化面向任务的本体论，在TravelPlanner等数据集上验证其可提升LLM智能体的证据基础与多步推理可靠性。
2026-08-25 cs.AI
Learning Onto-Relational Rules with Inductive Logic Programming
规则补充和扩展了语义Web上的本体。我们将这些规则称为本体关系，因为它们结合了基于DL的本体语言和支持逻辑编程和演绎数据库传统内的关系数据模型的知识表示形式。规则编写是一项要求非常高的知识工程任务，可以通过应用机器学习算法来部分自动化。在这一章中，我们将展示归纳逻辑程序设计（ILP），诞生于机器学习和逻辑程序设计的交叉点，并被认为是关系学习的主要方法，可以适应本体关系学习。为了说明，我们提供了一个具体的本体关系学习解决方案的问题，学习基于规则的定义DL概念和角色与ILP的细节。
2012-10-29 cs.AI cs.DB cs.LG
Supporting Risk Management for Medical Devices via the Riskman Ontology and Shapes (Preprint)
Faculty of Computer Science, TU Dresden, Germany（德累斯顿理工大学计算机科学学院）；Department of Medicine 1, University Hospital Dresden, TU Dresden, Germany（德累斯顿大学第一医学部）；ScaDS.AI Center for Scalable Data Analytics（可扩展数据与人工智能分析中心）；Centre for Tactile Internet with Human-in-the-Loop (CeTI), Dresden, Germany（人机协同触觉互联网中心）
针对医疗器械风险管理文档多为半结构化文本、难以合规校验的问题，提出Riskman本体与SHACL形状约束，为相关文档提供逻辑支撑并自动校验其是否符合两项行业规范要求。
2025-11-16 cs.AI cs.CY
Class Algebra for Ontology Reasoning
类代数为可能不知道彼此定义的用户之间共享ISA层次结构提供了一个自然的框架。这允许来自关系数据库、面向对象数据库和标记的XML文档的数据被联合到一个分布式本体中，可由所有用户共享，而不需要事先协商或为每个领域开发“标准”本体。此外，类代数在类的类代数定义（即它的“意图”）和满足表达式的所有实例的集合（即它的“范围”）之间产生函数对应。因此，该框架有助于快速查找各种定义的实例和反例。在开发真实世界的模型时，这种信息非常有价值，并且可以作为一种宝贵的工具来帮助证明与这些类代数表达式有关的定理。最后，ISA层次结构中对象的相对频率可以产生有用的布尔概率代数。传统的信息理论分类方法可以使用这些概率来获得对数据库中的对象进行分类的最佳方式。
2013-02-02 cs.AI
CEON: Circular Economy Ontology Network
Ragn-Sells AB, Sweden（Ragn-Sells公司，瑞典）；The Swedish e-Science Research Centre, Sweden（瑞典e科学研究中心）
为解决循环经济领域跨行业信息共享的语义互操作性问题，提出了循环经济本体网络（CEON），定义了跨行业概念并实现语义感知数据文档化，在建筑、电子和纺织行业场景中验证了其有效性。
2026-08-14 cs.AI
The Common Core Ontologies
U.S. Customs and Border Protection（美国海关和边境保护局）；National Center for Ontological Research（国家本体论研究中心）；University at Buffalo（布法罗大学）；CUBRC, Inc.（CUBRC公司）；Institute for Artificial Intelligence and Data Science（人工智能与数据科学研究所）
针对被广泛采用的中层本体套件Common Core Ontologies（CCO）文档不足的问题，本文通过介绍其包含的11个本体的内容，为完善CCO的文档体系提供了支撑。
2024-08-16 cs.AI cs.DB cs.LO
Language Model Analysis for Ontology Subsumption Inference
University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）；City, University of London（伦敦城市大学）；University of Oslo（奥斯陆大学）
本文提出OntoLAMA探测任务和数据集，评估预训练语言模型在本体包含推理上的知识，发现其背景知识少于NLI，但少量样本可显著提升性能。
2023-05-08 cs.AI cs.CL cs.LO
The Shape of a Benedictine Monastery: The SaintGall Ontology (Extended Version)
University of Catania（卡塔尼亚大学）；Officine Culturali（文化工坊）
本文提出一个OWL 2本体来表示圣加尔平面图，该平面图是现存最古老的完整文献之一，描述了本笃会修道院建筑群的理想模型，并影响了众多欧洲修道院的设计。
2024-02-20 cs.AI cs.LO
Ontology Development is Consensus Creation, Not (Merely) Representation
Otto-von-Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）；University of Zurich（苏黎世大学）；University of St. Gallen（圣加仑大学）；University College London（伦敦大学学院）
本体开发方法强调从领域专家和文献资源中收集知识，并使用本体语言（如OWL或FOL）进行知识表示。然而，工作中的本体学家经常惊讶于开发本体的挑战性和缓慢性。在这里，特别强调的种类的本体是内容繁重，并打算在一个社区的用户（参考本体）共享，我们提出了一个重要的，迄今为止强调不足的贡献者的挑战，在本体开发过程中需要创建，或带来，在面对分歧的共识。由于这个原因，参考本体的开发不能自动化，至少在现有的人工智能方法的限制。此外，出于同样的原因，本体论者被要求具有特定的社会谈判技能，这是目前大多数技术课程所缺乏的。
2022-10-21 cs.AI
Context Related Derivation of Word Senses
在自然语言文档处理的实际应用中，在分析一个新领域的文档时，经常会遇到特定领域的词汇空缺。本文介绍了一种方法，用于派生领域特定的概念，现有的本体的扩展。作为资源，我们需要一个初始的本体和一个部分处理的领域语料库。我们利用语料库中的子语言的具体特征。我们的方法是基于句法结构（名词短语）和复合分析，以提取所需的信息扩展GermaNet的词汇资源。
2005-01-31 cs.AI
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
Liquid Interfaces: A Dynamic Ontology for the Interoperability of Autonomous Systems
本文提出液态接口，通过动态语义协商实现自主系统间的适应性协调，提供了一种基于临时关系事件的动态本体方法。
2026-01-29 cs.AI cs.SE
Improving Statistical Multimedia Information Retrieval Model by using Ontology
GGS Indraprastha University（GGS 因德拉普拉萨大学）
一个典型的信息检索系统，提供和存储信息之间的匹配问题的用户查询和Web上可用的内容。使用本体表示的形式，由节点，边缘，索引词等网络图的检索方法提供相关性，从而满足用户的查询提取的术语。本文还着重对多媒体文档进行了分析，并利用不同的统计公式对提取的术语进行了计算。所提出的模型减少了语义鸿沟，有效地满足用户的需求。
2017-03-21 cs.AI cs.IR
Mapping Data to Ontologies with Exceptions Using Answer Set Programming
University of Oslo（奥斯陆大学）
在基于本体的数据访问中，数据库通过从数据库上的查询到本体上的查询的映射连接到本体。在本文中，我们考虑从关系数据库映射到一阶本体，并定义了一个基于ASP的框架GLAV映射与查询的本体中的映射规则机构。我们表明，这种类型的映射可以用来表达约束和例外，以及简洁地表示OBDA映射是一个强大的机制。我们给出了一个勇敢的推理算法，在这种情况下，并表明，这个问题具有相同的数据复杂性ASP（NP-完全），或者它至少是硬的本体查询检查蕴涵的复杂性。此外，我们表明，本体与UCQ-查询存在一个自然的减少映射程序到\exists -ASP，扩展ASP与存在的变量，本身承认一个自然的减少ASP。
2016-07-07 cs.AI cs.DB
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
Iof-maint -- Modular maintenance ontology
The University of Western Australia（西澳大利亚大学）；University of South Australia（南澳大利亚大学）
本文提出公开可用的模块化维护本体Iof-maint，其与IOF Core对齐，包含20个类和2个关系，支持OWL DL推理，并基于工业维护相关应用本体中的共同概念演进形成。
2024-04-08 cs.AI cs.LO
OBA: An Ontology-Based Framework for Creating REST APIs for Knowledge Graphs
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
近年来，研究人员、工业界和公共机构越来越多地采用语义Web技术来描述和链接Web上的数据，创建Web注释，并使用Wikidata和DBPedia等大型知识图谱。然而，本体工程师和Web开发人员之间仍然存在知识差距，本体工程师设计，填充和创建知识图谱，Web开发人员需要理解，访问和查询这些知识图谱，但不熟悉本体，RDF或SPARQL。在本文中，我们描述了基于本体的API框架（OBA），我们的方法来自动创建REST API从本体，同时遵循REST API的最佳实践。给定一个本体（或本体网络），OBA使用Web开发人员熟悉的标准技术（OpenAPI规范，JSON），并将它们与W3C标准（OWL，JSON-LD框架和SPARQL）相结合，以创建具有文档，单元测试，资源和客户端自动验证（Python，JavaScript等）的mainingAPI。非语义网专家访问目标知识图谱的内容。我们展示了OBA与三个例子，说明了不同的本体框架的能力。
2020-07-17 cs.AI
Collaborative ontology sharing and editing
Université de La Réunion（留尼汪大学）；Griffith University（格里菲斯大学）
这篇文章首先列出了为什么-从长远来看，或当创建一个新的知识库（KB）的一般知识共享的目的-协作建设一个组织良好的知识库没有/可以提供更多的可能性，在整体上没有更多的成本，比主流的方法，知识的创造和再利用涉及搜索，合并和创建（半）独立（相对较小）的本体或半正式的文件。本文列出了实现这一目标所需的要素，并描述了主要要素：知识库编辑协议，该协议使知识库免于自动/手动检测到的不一致，同时不强迫他们讨论或同意术语和信念，也不需要选择委员会。
2013-05-30 cs.AI
gUFO: A Gentle Foundational Ontology for Semantic Web Knowledge Graphs
Federal University of Espírito Santo（埃斯皮里图圣安托尼奥联邦大学）；University of Twente（特文特大学）
gUFO是一种轻量级的统一基础本体实现，适用于语义网OWL 2 DL应用。本文介绍了gUFO的构成类别、关系和约束，讨论其与原始UFO的区别，阐述其社区采用情况，并系统地将其定位在现有OWL基础本体实现中。
2026-03-21 cs.AI cs.DB
Ontology-driven Information Extraction
University of Calabria（卡拉布里亚大学）；AGH University of Science and Technology（AGH科技大学）
同构非结构化数据（HUD）是共享共同属性（例如相似布局、共同文件格式或共同值域）的非结构化文档的集合。在这些属性的基础上，最好自动处理HUD，以通过称为语义视图的语义层（通常是本体）访问主要信息。因此，我们提出了一种基于本体的方法，用于从HUD中提取语义丰富的信息，通过集成和扩展经典信息抽取，表识别，本体，文本注释和逻辑编程领域的最新技术和成果。此外，我们设计和实现了一个系统，名为KnowRex，已成功地应用到简历中的Europass风格，提供一个语义视图，他们能够，例如，选择那些表现出所需的技能。
2015-12-18 cs.AI cs.IR
Controlling Logical Collapse in LLMs via Algebraic Ontology Projection over F2
Mgnite Inc（Mgnite公司）
本文提出代数本体投影(AOP)，通过在GF(2)下投影LLM隐藏状态，利用42对关系作为代数密钥，提升零样本包含准确性，揭示逻辑一致性退化问题。
2026-05-13 cs.AI cs.CL cs.LG
Leveraging Ontologies to Document Bias in Data
Leibniz Universität Hannover（莱比锡大学汉诺威分校）；TIB Leibniz Information Center for Science and Technology（TIB莱比锡科学与技术信息中心）
本文提出Doc-BiasO本体，旨在整合偏见相关术语和关系，以提升对数据偏见的理解和AI领域偏见研究的术语清晰度。
2024-08-09 cs.AI
OntoGSN: An Ontology-Based Framework for Semantic Management and Extension of Assurance Cases
fortiss research institute（fortiss研究机构）；Mälardalen University（马尔默达伦大学）
OntoGSN通过本体和中间件实现保障案例的语义管理和扩展，提供知识表示和查询功能，并在对抗鲁棒性保障中展示实用性。
2025-12-19 cs.AI cs.SE
