An Alternative to RDF-Based Languages for the Representation and Processing of Ontologies in the Semantic Web
本文描述了一种基于ICMAUS计算理论和人工智能的语义Web中本体的表示和处理方法。这种方法的优点是补充了基于资源描述框架（RDF）的语言，如RDF模式和DAML+OIL。ICMAUS方法的主要优点是本体表示的简单性和可理解性，能够应对知识中的错误和不确定性，以及具有语义Web中似乎需要的概率推理能力的多功能推理系统。
2003-07-29 cs.AI
Converting Instance Checking to Subsumption: A Rethink for Object Queries over Practical Ontologies
University of Miami（迈阿密大学）
在各种数据密集型的描述逻辑应用中，有效地查询描述逻辑本体正成为一项重要的任务。实例检查作为一种基于深度学习本体的对象查询应答服务，可以通过最具体概念（MSC）方法实现，该方法将实例检查问题转化为包含问题。然而，这种方法，失去了它的简单性和效率时，适用于大型和复杂的本体，因为它往往会产生非常大的MSC的，可能会导致棘手的推理。在本文中，我们提出了一个修订的MSC方法DL SHI，使其能够生成更简单，更小的概念，是具体的，足以回答一个给定的查询。通过计算MSC之间的独立性，查询应答的可扩展性也可以通过分布和并行计算来实现。实证评估表明，我们修改后的MSC方法的有效性和显着的效率时，使用它来回答对象查询。
2015-02-26 cs.AI
An Embedding-based Approach to Inconsistency-tolerant Reasoning with Inconsistent Ontologies
School of Computer Science；Engineering, Southeast University Nanjing China；School of Mathematics, Southeast University Nanjing China；School of Modern Posts \& Institute of Modern Posts, Nanjing University of Posts；Engineering, Southeast University；School of Mathematics, Southeast University
本文提出一种基于公理嵌入的方法，用于处理不一致本体的推理，通过语义向量计算提升推理能力。
2026-03-09 cs.AI
Arianna+: Scalable Human Activity Recognition by Reasoning with a Network of Ontologies
University of Genoa（热那亚大学）；Teseo srl（Teseo公司）
人口老龄化比率正在显著上升。与此同时，基于灵巧家庭的健康监测服务正在迅速发展，成为传统医疗保健解决方案的可行替代方案。这些服务可以用定量数据来增强老年病学家所做的定性分析。因此，对日常生活活动（ADL）的认识近年来已成为一个活跃的研究领域。对于在真实世界环境中执行人类活动识别的系统，存在多个要求，诸如可扩展性、鲁棒性、处理不确定性的能力（例如，丢失传感器数据），与多个占用者一起操作，并考虑他们的隐私和安全。本文试图解决的可扩展性和鲁棒性的要求，通过描述一个推理机制的基础上模块化的空间和/或时间的上下文模型作为一个网络的本体。该推理机制已在一个称为Arianna+的灵巧家庭系统中实现。本文介绍并讨论了一个用例，并在模拟数据集上进行了实验，以展示Arianna+的模块化功能，内部工作和计算性能。结果表明人类活动识别过程的可扩展性和鲁棒性。
2018-09-21 cs.AI
Computing Datalog Rewritings beyond Horn Ontologies
University of Oxford（牛津大学）；NTU Athens（雅典国立技术大学）
到目前为止，基于重写的方法来回答OWL 2 DL本体上的查询主要是针对OWL 2 DL的Horn片段。在本文中，我们研究的可能性回答查询非霍恩本体使用数据重写。我们证明，这是不可能的，即使是非常简单的本体语言，即使PTIME = NP。此外，我们提出了一个基于分辨率的程序$\SHI$本体，在它终止的情况下，产生一个数据库重写的本体。我们的过程必然终止于DL- Lite_{bool} ^H本体-OWL 2 QL的一个带有传递角色和布尔连接词的扩展.
2013-04-08 cs.AI
Generating Ontologies from Templates: A Rule-Based Approach for Capturing Regularity
我们提出了一个二阶语言，可用于简洁地指定本体在一致和透明的方式。这种语言是基于本体模板（OTTR），一个框架，用于捕获本体建模中的公理重复模式。语言和我们的结果独立于任何特定的DL。我们定义的语言和它的语义，包括否定失败的情况下，调查使用我们的语言指定的本体推理，并显示有用的推理任务的语言本身的可判定性的结果。我们还陈述和讨论了一些我们认为感兴趣的开放问题。
2018-09-27 cs.AI
FALCON: Scalable Reasoning over Inconsistent ALC Ontologies
Delft University of Technology（代尔夫特理工大学）；University of Toronto（多伦多大学）；University of Notre Dame（圣母大学）
提出FALCON模糊本体神经推理器，通过近似模型生成与采样，实现大规模不一致ALC本体的可扩展近似推理，并在生物医学知识库补全中验证其有效性。
2024-05-27 cs.AI cs.LO
Uncertainty in Ontologies: Dempster-Shafer Theory for Data Fusion Applications
EADS（欧洲航空防务与航天公司）
目前本体在数据融合应用中的兴趣越来越大。事实上，本体被看作是描述和推理传感器数据，对象，关系和一般领域理论的语义工具。此外，不确定性可能是数据融合处理的数据和信息的最重要特征之一。然而，本体论的基本性质意味着本体论只描述世界上断言的和真实的事实。不同的概率，模糊和证据的方法已经存在，以填补这一空白，本文回顾了最流行的工具。然而，没有一个工具完全符合我们的目的。因此，我们构建了一个Dempster-Shafer本体，可以导入到任何特定的领域本体，使我们能够以不确定的方式实例化它。我们还开发了一个Java应用程序，使推理这些不确定的本体实例。
2011-06-20 cs.AI
Answering Regular Path Queries Over SQ Ontologies
Cardiff University（卡迪夫大学）；TU Wien（维也纳工业大学）；Universität Bremen（不来梅大学）
我们研究查询回答的描述逻辑$\mathcal{SQ}$支持合格的数量限制的传递和非传递的角色。我们的主要贡献是一个树状模型属性的$\mathcal{SQ}$知识库，并在此基础上，一个最佳的自动机为基础的算法回答积极存在的正规路径查询2ExpTime。
2020-11-17 cs.AI cs.LO
An Argumentation-Based Legal Reasoning Approach for DL-Ontology
Edinburgh Law School, University of Edinburgh（爱丁堡大学法学院）
本体是包括法律领域在内的不同领域中知识表示的一种流行方法，描述逻辑（DL）是其常用的描述语言。为了处理基于不一致DL的法律本体的推理，本文在ASPIC+的基础上提出了一个结构化的论证框架，并将法律本体转化为论证理论的公式和规则。从法律人工智能的角度特别关注自动驾驶汽车的设计，我们表明，使用这种形式化论证和基于DL的法律本体相结合的理论，可以获得可接受的断言不一致的本体的基础上，DL本体的传统推理任务也可以完成。此外，给出了推理结果解释的形式化定义。
2022-09-18 cs.AI
Black-box Testing of First-Order Logic Ontologies Using WordNet
Department of Computer Languages and Systems University of the Basque Country UPV/EHU（巴斯克地区大学UPV/EHU计算机语言与系统系）
人工智能旨在为计算机程序提供常识知识，以推理我们的世界。本文提出了一种新的实用方法，自动常识推理与一阶逻辑（FOL）本体。我们提出了一种新的黑盒测试方法的FOL SUMO为基础的本体，利用WordNet及其映射到SUMO。我们的建议包括一个方法（半）自动创建一个非常大的基准能力的问题和程序，其自动化评估使用自动定理证明（ATP）。通过应用不同的质量标准，我们的测试方案可以成功评估a）几种SUMO翻译成FOL的能力和b）各种自动化ATP的性能。最后，我们还提供了一个细粒度的和完整的常识推理能力的分析，目前FOL SUMO为基础的本体。
2018-03-23 cs.AI
A Description Logic for Analogical Reasoning
Cardiff University（卡迪夫大学）
本体论形式化了来自给定领域的概念是如何相互关联的。尽管它们作为可解释人工智能的支柱具有明显的潜力，但现有的本体往往是高度不完整的，这是它们更广泛采用的重大障碍。为了缓解这个问题，我们提出了一种机制来推断合理的缺失知识，这依赖于类比推理。据我们所知，这是第一篇论文，研究类比推理的设置描述逻辑本体。在显示类比比例的标准形式化具有重要的局限性，在这种情况下，我们介绍了一种替代语义的基础上双射映射集的功能。然后，我们分析的性质下提出的语义类比，并显示它如何使两个合理的推理模式：规则翻译和规则外推等。
2021-05-10 cs.AI
Learning Ontologies with Epistemic Reasoning: The EL Case
KRDB Research Centre（KRDB研究中心）；Free University of Bozen-Bolzano（博岑-博尔扎诺自由大学）；Italy（意大利（注：此处国家信息按要求不提取，但原文中该机构位于意大利，因题目要求提取范围是机构，国家不属于机构，故仅保留机构部分）}]} 修正说明：根据提取规则，国家不属于机构，应只提取大学/学院/公司/研究院级别，因此正确应为：{）
我们研究的问题，学习描述逻辑本体蕴涵通过查询，使用认知推理。我们引入了一个新的学习模型，包括认知成员和示例查询，并表明在这个模型中的多项式可学习性与Angluin的精确学习模型中的多项式可学习性与成员和等价查询相吻合。然后，我们实例化我们的学习框架EL和显示一些复杂的结果EL的认知扩展的认知运营商可以应用于公理。最后，我们转移到我们的学习模型的基础上认知推理的EL本体及其片段的已知结果。
2019-02-08 cs.AI cs.LG cs.LO
A Novel Approach to Multimedia Ontology Engineering for Automated Reasoning over Audiovisual LOD Datasets
Flinders University（弗林德斯大学）
多媒体推理，这是适合于，除其他外，多媒体内容分析和高层次的视频场景解释，依赖于所表示的知识域的正式和全面的概念化。然而，大多数多媒体本体论在角色定义方面并不详尽，并且不包含复杂的角色包含和角色相互依赖性。事实上，大多数多媒体本体根本没有角色盒，并且仅实现可用逻辑构造器的基本子集。因此，它们在多媒体推理中的应用是有限的。为了解决上述问题，VidOnt，第一个具有SROIQ（D）表达性和DL安全规则的多媒体本体已经被引入下一代多媒体推理。与通常的做法相反，正式的基础已经设置在最具表现力的描述逻辑之一，并与行业领先的推理机，即HermiT和FaCT++验证本体。本文还介绍了开发多媒体本体的最佳实践，基于我的本体工程方法。
2016-08-26 cs.AI
Controlled Query Evaluation for Datalog and OWL 2 Profile Ontologies
University of Oxford（牛津大学）
我们研究的机密性执法本体下的受控查询评估框架，其中的政策规定的敏感信息和审查员确保查询答案，可能会损害政策不返回。我们专注于审查，确保机密性，同时最大限度地提高信息的访问，并考虑作为本体语言的Datasheet和OWL 2配置文件。
2015-04-24 cs.AI
Safe Reasoning Over Ontologies
IBM TJ Watson Research center（IBM TJ Watson 研究中心）
随着本体的激增和自动推理机变得越来越强大，保护敏感信息的问题变得更加严重。特别地，由于事实可以从其他事实推断，因此包括在本体中的信息（虽然其本身不被认为是敏感的）可能能够被用来推断其他敏感信息的可能性变得越来越大。我们首先考虑的问题，测试本体的安全性定义为它不能被用来推导出任何敏感的事实，使用一个给定的集合的推理规则。然后，我们考虑的问题，优化本体的基础上的标准，使尽可能多的有用信息，而不透露任何敏感的事实。
2009-04-01 cs.AI cs.DS
The African Wildlife Ontology tutorial ontologies: requirements, design, and content
University of Cape Town（开普敦大学）
背景大多数教程本体侧重于说明本体开发的一个方面，特别是语言功能和自动推理机，但忽略了本体开发的因素，如紧急建模指南和本体论原则。然而，初学者从他们进行的练习中复制例子。不提供好的例子整体上导致传播次优本体开发，这可能会对一个真正的领域本体的质量产生负面影响。结果我们确定了22个要求，一个好的教程本体应该满足有关学科领域，逻辑和推理，工程方面。我们开发了一套关于非洲野生动物的本体论作为教程本体论。大部分的要求已经满足了一套非洲野生动物本体教程本体，这是本文介绍的。非洲野生动物本体是成熟的，自2010年以来每年都在本体工程课程或教程中使用，并被纳入最近的本体工程教科书，其中有相关的例子和练习。结论非洲野生动物本体论提供了广泛的选择有关的例子和练习的本体工程远远超出了只说明语言功能和自动推理。它有助于演示有关本体质量的任务，例如与基础本体的对齐和满足能力问题、版本控制和多语言本体。
2019-05-23 cs.AI
Theorem-Grounded Execution Ontologies for Interpretable Machine Reasoning
Independent Researcher（独立研究者）
提出TGEO框架，将推理建模为可执行状态转换过程，通过定理族识别、本体绑定、语义对象发现等步骤生成可解释推理图，实现可验证、可重放的AI推理。
2026-06-16 cs.AI cs.IR
Automatic White-Box Testing of First-Order Logic Ontologies
Facultad de Informática（信息学院）；University of the Basque Country UPV/EHU（巴斯克地区大学）
形式本体是基于逻辑的形式主义中的公理化。形式化本体的发展及其在语义网领域的重要作用，促使人们对有助于本体工程的自动推理技术和工具的使用进行了大量的研究。主要目标之一是细化和改进公理化，以使自动推理工具能够有效地推断可靠的信息。公理化中的缺陷不仅会导致错误的推理，而且还会通过增加推理的计算成本甚至阻止推理来阻碍预期信息的推理。在本文中，我们介绍了一种新的，全自动的白盒测试框架的一阶逻辑本体。我们的方法是基于检测的推理为基础的冗余在给定的公理化。所提出的测试方法的应用是完全自动化的，因为a）测试的自动生成仅由公理的语法指导，并且b）测试的评估由自动定理证明器执行。我们的建议，使缺陷的检测，并服务于证明的适用性等级-推理的目的-每个公理。我们正式定义的测试，从任何公理生成的集合，并证明每个测试是逻辑上相关的公理，测试已经产生的冗余。我们已经实现了我们的方法，并使用这种实现自动检测隐藏在各种一阶逻辑本体中的几个非平凡的缺陷。在整个文件中，我们提供了这些缺陷的说明性例子，解释他们是如何发现的，以及如何每个证明-由自动定理证明-提供了有用的提示每个缺陷的性质。此外，通过纠正所有检测到的缺陷，我们已经获得了一个改进版本的测试本体：Adimen-SUMO。
2019-01-30 cs.AI
GLaMoR: Consistency Checking of OWL Ontologies using Graph Language Models
Ulm University（乌尔姆大学）
本文提出GLaMoR，利用图语言模型将OWL本体转为图结构数据进行一致性检查，在BioPortal数据集上达到95%准确率，速度比经典推理器快20倍。
2026-09-14 cs.AI cs.LG
Reverse Engineering of Temporal Queries Mediated by LTL Ontologies
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；IRIF（法国信息与自动化研究所）；University of Liverpool（利物浦大学）；Birkbeck, University of London（伦敦大学伯贝克学院）；University of Southampton（南安普顿大学）
该研究针对带时间戳数据上的LTL正片段查询，开展按例查询的逆向工程研究，探究查询语言设计及相关判定问题的复杂度，同时覆盖普通LTL查询与LTL本体介导的查询。
2023-05-04 cs.AI cs.LO
A Practical Acyclicity Notion for Query Answering over Horn-SRIQ Ontologies
Wright State University（莱特州立大学）
合取查询回答表达霍恩描述逻辑本体是一个相关的和具有挑战性的问题，在某些情况下，可以解决的应用程序的追逐算法。在本文中，我们定义了一个新的无环性的概念，它提供了一个充分条件，终止限制追逐Horn-SRIQ T盒。我们表明，这一概念概括了大多数现有的无环性条件（理论和经验）。此外，这个新的非循环概念产生了一个非常有效的推理过程。我们为此提供了证据，提供了一个基于物化的推理机的非循环本体，优于其他国家的最先进的系统。
2018-04-19 cs.AI cs.DB cs.LO
Tractable Query Answering under Epistemic Confidentiality Policies in DL Ontologies (extended version)
Sapienza University of Rome（罗马第一大学）
研究 DL 本体中基于认知依赖的保密策略下的可处理查询回答。针对现有问题，引入基于最小策略违反的新 CQE 语义，证明其在 $\text{DL-Lite}_{\mathcal{R}}$ 本体中数据复杂度可多项式时间判定，并给出软件实现评估可行性。
2026-07-22 cs.AI
NeurOWL: An LLM-Based Neural-symbolic Framework for Incomplete OWL Ontology Reasoning
The University of Manchester（曼彻斯特大学）；Zhejiang University（浙江大学）
研究不完整OWL本体的包含关系推理问题，提出NeurOWL框架，通过大语言模型和本体嵌入联合执行验证和溯因，利用形式与文本语义，在多领域真实本体上评估，展现强大稳健性能。
2026-10-20 cs.AI
Ontologies in Digital Twins: A Systematic Literature Review
University of Amsterdam（阿姆斯特丹大学）；University of Technology Sydney（悉尼科技大学）
本文通过系统综述82篇文献，分析了本体论在数字孪生中的知识表示、互操作性和推理应用，并指出了未来研究方向。
2023-08-29 cs.AI
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
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
Top-k Query Answering in Datalog+/- Ontologies under Subjective Reports (Technical Report)
University of Oxford（牛津大学）；Università della Calabria（卡拉布里亚大学）
在传统的数据库和基于本体的数据访问中，查询应答中使用偏好最近受到了广泛的关注，这是由于其许多现实世界的应用。在本文中，我们解决的问题，前k查询回答Datatrons +/-本体查询用户的喜好和收集（主观）报告的其他用户。在这里，每个报告都包含一系列功能的分数、作者对功能的偏好以及其他信息。然后将每个报告的这些信息片段与查询用户的偏好和他/她对每个报告的信任一起组合，以对查询结果进行排名。我们提出了两种替代这样的排名，以及这些排名下的top-k（原子）查询回答算法。我们还表明，在适当的假设下，这些算法运行在多项式时间的数据复杂度。最后，我们提出了更一般的报告，这是与套原子，而不是单个原子。
2013-11-29 cs.AI cs.DB
Considerations on Construction Ontologies
West University（西大学）
本文通过对现有本体的分析，指出了解决信息系统中语义异构的途径。作者强调了知识获取系统中的任务，并确定了与向智能系统添加新信息有关的方面。提出了一种本体推理服务与自然语言生成相结合的解决方案。一个多智能体系统将设想与提取代理，推理代理和能力管理代理。
2009-05-28 cs.AI
Answering Fuzzy Conjunctive Queries over Finitely Valued Fuzzy Ontologies
Technische Universität Dresden（德累斯顿工业大学）；National and Kapodistrian University of Athens（雅典国立卡波迪斯特里安大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
模糊描述逻辑（DLs）提供了一种表示关于应用领域的模糊知识的方法。本文研究了基于有限真度链的DL $\mathcal{SROIQ}$上合取查询的模糊扩展。为了回答这样的查询，我们扩展了一个众所周知的技术，减少了模糊本体的经典之一，并使用经典的DL推理机作为一个黑盒子。我们提高了以前的减少技术的复杂性，为n-valued模糊DL，这使我们能够证明严格的复杂性结果，回答某些类型的模糊CQ。最后，我们的原型实现的实验评估，显示我们的方法的可行性。
2015-10-14 cs.AI cs.LO
Enacting textual entailment and ontologies for automated essay grading in chemical domain
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
我们提出了一个系统，自动论文评分使用本体论和文本蕴涵。文本蕴涵的过程是由假设指导的，这些假设是从领域本体中提取的。文本蕴涵检查假设的真实性是否来自给定的文本。我们制定文本蕴涵比较学生的答案，从本体获得的模型答案。我们验证了解决方案对各种论文写的学生在化学领域。
2015-11-09 cs.AI cs.CL
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
On the Multiple Roles of Ontologies in Explainable AI
University of Padua（帕多瓦大学）；University of Twente（特文特大学）
该研究梳理了本体在可解释AI中可发挥作用的三个核心视角，对现有相关方法进行分类定位，并指出了基于本体的解释方法待解决的挑战与评估方向。
2023-11-08 cs.AI
A New Expert Questioning Approach to More Efficient Fault Localization in Ontologies
Alpen-Adria Universität Klagenfurt（阿尔卑斯-亚德里亚大学克拉根福分校）
当本体达到一定的规模和复杂度时，不一致、不可满足类或错误蕴涵等错误是不可避免的。定位导致这些错误的不正确公理是一项艰巨而耗时的任务。为了解决这个问题，已经提出了几种用于本体中的半自动故障定位的技术。通常，这些方法涉及人类专家，该人类专家为系统生成的关于预期（正确）本体的问题提供答案，以减少可能的故障位置。为了建议尽可能多的信息问题，现有的方法借鉴了各种算法优化以及算法学。然而，这些计算通常基于关于交互用户的某些假设。在这项工作中，我们的特点和讨论不同的用户类型，并表明现有的方法并没有达到最佳的效率为所有这些。作为一种补救措施，我们提出了一种新的专家问题，旨在拟合所有分析的专家的回答行为。此外，我们提出了一种算法来优化这种新的查询类型，这是完全兼容的（久经考验的）领域中使用的算法。错误的现实世界的本体上的实验表明，新的查询方法的潜力，最大限度地减少专家咨询时间，独立的专家类型。此外，所获得的见解可以通知交互式调试工具的设计，以更好地满足用户的需求。
2022-08-05 cs.AI
Combining Machine Learning and Ontology: A Systematic Literature Review
CIAD UMR 7533；Université de Bourgogne（勃艮第大学）
本文通过系统性文献综述探讨了机器学习与本体集成的技术，分析了128项研究，归纳出学习增强型本体、语义数据挖掘和学习与推理系统三种混合类别，并与混合AI和神经符号方法进行了比较。
2024-02-19 cs.AI cs.LG
Acyclicity Notions for Existential Rules and Their Application to Query Answering in Ontologies
University of Oxford（牛津大学）
在知识表示和数据库中，基于存在规则扩展的事实集的合取查询是一个突出的问题。这个问题可以使用chase算法来解决，该算法用新的事实扩展给定的事实集以满足规则。如果追踪终止，则CQ可以直接在结果事实集中进行评估。然而，追逐并不一定会终止，并且检查追逐是否在给定的一组规则和事实上终止是不可判定的。许多非循环概念被提出作为追逐终止的充分条件。在本文中，我们提出了两个新的无环性概念称为模型忠实无环性（MFA）和模型概括无环性（MSA）。此外，我们调查的景观已知的非周期性概念，并建立一个完整的分类所有的概念，我们知道。最后，我们表明，MFA和MSA概括了这些概念。潜在规则与OWL 2本体语言的Horn片段密切相关;此外，几个著名的OWL 2推理机通过使用追逐来实现所有相关事实的CQ回答。为了避免终止问题，这些系统中的许多只处理OWL 2的OWL 2 RL配置文件;此外，一些系统超越了OWL 2 RL，但没有任何终止保证。在本文中，我们还探讨了各种非周期性的概念是否可以提供一个原则和实际的解决方案，这些问题。在理论方面，我们表明，查询回答非循环本体是较低的复杂性比一般的本体。在实践方面，我们表明，许多常用的OWL 2本体是MSA，并且通过物化获得的事实的数量并不太大。因此，我们的研究结果表明，基于物化的OWL 2推理机的原则性发展实际上是可行的。
2014-02-04 cs.AI cs.DB
Building Trustworthy AI: Transparent AI Systems via Large Language Models, Ontologies, and Logical Reasoning (TranspNet)
Department of Data Science, Faculty of Science and Technology, Norwegian University of Life Sciences（数据科学系，科学与技术学院，挪威生命科学大学）
针对LLM在医疗、金融等高风险场景中的黑箱问题，本文提出融合符号AI、RAG、专家知识与ASP形式化推理的TranspNet流水线，以增强输出的可验证性、可解释性和可信度。
2024-12-18 cs.AI cs.ET
Extract ABox Modules for Efficient Ontology Querying
University of Miami（迈阿密大学）
从本体ABox中提取逻辑独立的片段可以用于解决查询具有大ABox的本体的易处理性问题。在本文中，我们提出了一个正式的定义的ABox模块，这样它保证了完整的保存事实的一组给定的个人，因此可以独立的w.r.t.本体TBox。使用这种类型的ABox模块，隔离或分布式（并行）ABox推理变得可行，并且可以从本体ABoxes获得更有效的数据检索。为了计算这样的ABox模块，我们提出了一个理论方法，也是一个近似的$\mathcal{SHIQ}$本体。对不同类型本体的模块近似评价表明，平均而言，提取的ABox模块明显小于整个ABox，基于ABox模块的本体推理时间可以得到显著提高。
2014-06-11 cs.AI
Application of Ontologies in Cloud Computing: The State-Of-The-Art
本文系统地回顾了本体论在云计算不同领域中的应用研究。我们的假设是，本体及其推理能力可以对改善云计算现象的各个方面产生重大影响。本体可以促进各种基于云的服务的智能决策支持机制。它们还可以在基于云的系统和资源之间提供有效的互操作性。本调查可以促进对本体在整个云计算领域中的作用和意义的全面理解。此外，这个项目可以潜在地形成新的研究领域和本体和云计算社区的可能性的基础。
2016-10-06 cs.AI cs.DC
A study of existing Ontologies in the IoT-domain
Indraprastha Institute of Information Technology（因德拉普拉斯塔信息技术学院）；Inria（法国国家信息与自动化研究所）
几个领域已经越来越多地使用基于物联网的设备来收集传感器数据，以生成对现实世界的抽象和感知。这种传感器数据本质上是多模态和异构的。这种异构性在开发跨域应用程序时会导致互操作性问题，从而限制了重用传感器数据以开发新应用程序的可能性。作为一个解决方案，语义方法已被提出在文献中，以解决与传感器数据的互操作性的问题。已经提出了若干本体来处理基于IoT的传感器数据汇集的不同方面，范围从发现用于数据汇集的IoT传感器到对所采集的传感器数据应用推理以进行推断。在本文中，我们调查这些现有的语义本体提供了一个概述，在这一领域的最新发展。我们强调基本的本体论概念（例如，传感器能力和上下文感知），并调查包括这些概念的现有本体。根据我们的研究，我们还确定了目前可用的本体的缺点，这是一个垫脚石，说明需要一个共同的统一本体的物联网领域。
2017-07-01 cs.AI
Deductive and Analogical Reasoning on a Semantically Embedded Knowledge Graph
U.S. Army Research Laboratory（美国陆军研究实验室）
将知识表示为连续语义向量空间中的高维向量，可以克服传统知识库的脆弱性和不完备性。我们提出了一种直接在这样的向量空间中进行演绎推理的方法，在推理链的每一步都以简单的方式结合类比、联想和演绎，利用来自不同来源和本体的知识。
2017-07-11 cs.AI
Handling Nominals and Inverse Roles using Algebraic Reasoning
Concordia University（康考迪亚大学）
本文提出了一种新的SHOI表演算，它结合了代数推理来决定本体的一致性。数值限制所施加的名，存在和普遍的限制编码成一组线性不等式。列生成和分支和价格算法被用来解决这些不等式。我们的初步实验表明，这种演算比标准的Tableau方法在SHOI本体上表现更好。
2018-10-01 cs.AI
Using Recurrent Neural Network for Learning Expressive Ontologies
FBK-irst；University of Trento（特伦托大学）
最近，神经网络已被证明在许多自然语言处理任务中非常有效，例如情感分析，问答或机器翻译。为了在本体学习过程中利用这些优势，在本技术报告中，我们详细描述了用于实现这一目标的基于循环神经网络的系统。
2016-07-14 cs.AI cs.CL
Query Inseparability for ALC Ontologies
KRDB Research Centre, Free University of Bozen-Bolzano（博岑-博尔扎诺自由大学KRDB研究中心）；Fachbereich Informatik, University of Bremen（不来梅大学计算机系）；Department of Computer Science and Information Systems, Birkbeck, University of London（伦敦大学伯贝克学院计算机科学与信息系统系）；Department of Computer Science, University of Liverpool（利物浦大学计算机系）
我们调查的问题是否两个ALC本体是不可区分的（或不可分割的）通过查询在一个给定的签名，这是本体工程任务，如本体版本化，模块化，更新和遗忘的基础。我们认为知识库（KB）和TBox不可分离。对于知识库，我们给出了模型理论的标准（有限部分）同态和产品，并证明了这个问题是不可判定的合取查询（CQ），但2 ExpTime-complete工会的CQ（UCQ）。如果（U）CQ被替换为根（U）CQ，其中每个变量都连接到一个答案变量，则同样的结果也成立。我们还表明，不可分性的CQ仍然是不可判定的，如果一个KB是在轻量级DL EL，如果没有限制的CQ签名。我们还考虑的问题是否两个ALC TBox给出相同的答案，任何查询的任何ABox在一个给定的签名，并表明，对于CQ，这个问题是不可判定的。然后，我们开发模型理论的标准霍恩-ALC TBoxes和使用树自动机，相比之下，不可分割性成为可判定的和2 ExpTime完整，甚至ExpTime完整时，限制（工会）根CQ。
2019-01-31 cs.AI
Training-Free Clinical Reasoning through Medical Ontologies and Cognitive Mapping: A Symbolic-Probabilistic Knowledge Graph Framework
提出CKG Reasoner框架，通过医学本体和认知映射实现无训练临床推理，利用符号-概率知识图谱整合证据，在六个回顾性队列中取得高F1分数，验证了知识驱动诊断的可行性。
2026-09-29 cs.AI
Inseparability and Conservative Extensions of Description Logic Ontologies: A Survey
Free University of Bozen-Bolzano（博岑-博尔扎诺自由大学）；University of Liverpool（利物浦大学）；University of Bremen（不来梅大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
一个本体是否可以安全地被另一个可能更简单的本体替换的问题是许多本体工程和维护任务的基础。例如，它支持本体版本化、本体模块化、遗忘和知识交换。安全替换的含义取决于本体的预期应用。例如，如果它被用来查询数据，那么任何相关的本体中介查询的答案应该在任何相关的数据集上都是相同的;相反，如果本体被用于概念推理，那么概念表达式之间的必然包含应该一致。这就产生了不同的概念，本体不可分离，如查询不可分离和概念不可分离，推广相应的保守扩展的概念。我们调查结果的描述逻辑本体论的背景下，各种概念的不可分割性，讨论他们的应用程序，有用的模型理论的表征，算法确定是否两个本体是不可分割的（有时，计算它们之间的差异，如果他们不是），和这个问题的计算复杂性。
2018-04-20 cs.AI
Building Rules on Top of Ontologies for the Semantic Web with Inductive Logic Programming
Università degli Studi di Bari（巴里大学）
在本体之上构建规则是语义Web逻辑层的最终目标。为此，目前正在讨论一种用于这一层的特别标记语言。它的目的是遵循传统的混合知识表示和推理系统，如$\mathcal{AL}$ -日志，集成了描述逻辑$\mathcal{ALC}$和无函数霍恩子句语言\textsc{Datalog}。在本文中，我们考虑的问题，这些规则的语义Web的自动化收购。我们提出了一个通用的规则归纳框架，采用归纳逻辑程序设计的方法装置，并依赖于$\mathcal{AL}$ -log的表达和演绎能力。无论归纳的范围（描述与预测）如何，该框架都是有效的。然而，为了说明的目的，我们还讨论了一个实例化的框架，其目的是描述和原来是有用的本体精化。关键词：归纳逻辑程序设计，混合知识表示和推理系统，本体，语义网。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2007-11-12 cs.AI cs.LG
To Neuro-Symbolic Classification and Beyond by Compiling Description Logic Ontologies to Probabilistic Circuits
University of Pisa（比萨大学）；University of Bologna（博洛尼亚大学）；University of Edinburgh（爱丁堡大学）
通过将描述逻辑本体编译为概率电路，实现神经符号分类与知识表示的深度融合，提升演绎推理效率和预测一致性。
2026-01-21 cs.AI
Checking Chase Termination over Ontologies of Existential Rules with Equality
Institute for Theoretical Computer Science（理论计算机科学研究所）；Technische Universität Dresden（德累斯顿工业大学）；Department of Computer Science（计算机科学系）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
Chase算法是一个完善的基于存在规则的本体的合取查询应答算法。为了使它能够有效地使用，我们可以应用非循环性概念;也就是说，保证追逐终止的充分条件。不幸的是，这些概念中的大多数只定义为不具有相等性的存在规则集。一个建议的解决方案，以规避这个问题是对待平等作为一个普通的谓词与明确的公理化。我们的经验表明，这种解决方案在实践中是没有效率的，并提出了一种替代方法。更确切地说，我们表明，如果追逐终止任何平等公理化的本体论，那么它终止的原始本体论（可能包含平等）。因此，可以应用现有的非循环概念来检查本体的公理化上的追逐终止，然后使用原始本体进行推理。我们表明，在实践中，这样做的结果在一个更有效的推理过程。此外，我们提出了平等模型忠实的无环性，一个一般的无环性概念，可以直接应用到本体的平等。
2019-11-25 cs.AI cs.LO
Towards Classification of Web ontologies using the Horizontal and Vertical Segmentation
Hassan 1st University（哈桑一世大学）
Web的新时代被称为语义Web或数据Web。语义Web依赖于被视为其支柱之一的本体。这些本体论越大，它们的利用就越大。然而，当这些本体变得太大时，可能会出现其他问题，例如在内存中加载大文件的复杂性，下载这些文件所需的时间，特别是对它们进行推理所需的时间。我们在本文中讨论的方法分割这样大的Web本体，以及它的用处。分割方法从现有本体中提取表示现有本体中的层或代的段;即，水平提取。提取的片段本身应该是一个本体。
2017-09-23 cs.AI cs.DB
Expressive Completeness of Existential Rule Languages for Ontology-based Query Answering
Huazhong University of Technology & Science（华中科技大学）；Western Sydney University（西悉尼大学）；University of Alberta（阿尔伯塔大学）
潜在规则，也被称为数据库中的数据依赖，最近被重新发现为基于本体的查询分类的一个有前途的语言家族。在本文中，我们证明了析取嵌入依赖准确捕获类递归可重命名的本体基于本体的连接查询（OCQA）。我们的表达完整性结果不依赖于数据库上任何内置的线性顺序。为了建立表达的完整性，我们引入了一个新的语义定义OCQA本体。我们还表明，无论是类的析取元组生成的依赖关系，也不是类的嵌入式依赖关系是表达完整的递归可重复OCQA本体。
2016-04-27 cs.AI cs.DB cs.LO
Computing Horn Rewritings of Description Logics Ontologies
University of Oxford（牛津大学）
我们研究的问题重写本体O1表示在DL L1到本体O2在霍恩DL L2，使O1和O2是equisatifiable扩展时，与任意数据集。允许这种重写的本体服从于推理技术，以确保数据复杂性的易处理性。在L1扩展ALCF时显示不可判定性后，我们专注于设计有效的可检查条件，以确保霍恩重写的存在。通过提升现有的技术，将析取数据重写成普通数据的情况下，任意一阶程序与功能符号，我们确定了一类本体，承认霍恩重写多项式的大小。我们的实验表明，许多现实世界的本体满足我们的充分条件，从而承认多项式霍恩重写。
2015-04-21 cs.AI cs.LO
When one Logic is Not Enough: Integrating First-order Annotations in OWL Ontologies
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）
在本体开发中，主要使用Web本体语言OWL的领域本体和用一阶逻辑FOL编写的基础本体之间存在差距。为了弥合这一差距，我们提出了Gavel，一个工具，支持开发的异构的“FOWL”本体，扩展OWL与FOL注释，并能够推理的组合公理集。由于FOL注释存储在OWL注释中，因此FOWL本体与现有的OWL基础设施保持兼容。我们表明，OWL领域本体OBI，更强的集成与FOL顶级本体BFO通过我们的方法，使我们能够检测到几个不一致。此外，现有的OWL本体可以受益于FOL注释。我们说明这与FOWL本体包含mereotopological公理，使新的有意义的推论。最后，我们表明，即使是大的领域本体，如ChEBI，自动推理与FOL注释可以用来检测以前未注意到的错误分类。
2022-10-07 cs.AI cs.LO
Neuro-Symbolic RDF and Description Logic Reasoners: The State-Of-The-Art and Challenges
IIIT-Delhi（德里印度理工学院信息技术学院）；Adobe Inc.（奥多比公司）
本文综述了结合神经网络学习能力与符号推理能力的神经符号方法，以解决RDF、EL、ALC及OWL 2 RL本体推理中因规模大、表达力强、含噪声和不一致所导致的可扩展性与效率问题。
2023-08-09 cs.AI
