Semantic Description of Parameters in Web Service Annotations
提出了一种关于参数描述的OWL-S修改方案。它严格基于描述逻辑。除了参数的类描述之外，它还允许对参数之间的关系进行建模，并精确描述要提供给服务的数据大小。特别是，它解决了两个主要问题，确定在当前的建议，语义Web服务注释标准。
2006-09-24 cs.AI
Harnessing Large Language Models for Precision Querying and Retrieval-Augmented Knowledge Extraction in Clinical Data Science
Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）
本研究利用大语言模型在临床数据科学中实现精准查询和检索增强的知识提取，通过实验验证其在结构化数据查询和非结构化文本信息提取中的有效性。
2026-01-28 cs.AI cs.CL
Querying Everything Everywhere All at Once: Supervaluationism for the Agentic Lakehouse
Bauplan Labs（Bauplan实验室）
本文提出一种新型查询方法，通过超估值语义在多个数据分支上回答问题，解决了传统OLAP系统无法处理多分支查询的局限。
2026-03-11 cs.AI cs.DB
Segmenting Visuals With Querying Words: Language Anchors For Semi-Supervised Image Segmentation
University of Regina, Canada（里嘉大学）；The University of Western Australia, Australia（西澳大学）；University Canada West, Canada（加拿大西大学）
本文提出HVLFormer，通过生成多尺度文本查询和引入跨视角一致性正则化，提升视觉与文本对齐，以实现更准确的半监督图像分割。
2026-03-22 cs.AI cs.CV
Process Trace Querying using Knowledge Graphs and Notation3
University of Ottawa（渥太华大学）
本文提出结合 RDF 语义知识图谱与 N3 规则语言查询流程轨迹，支持案例中心及 OCEL2 对象中心日志，并提供强表达性、灵活性和可扩展性。
2024-08-26 cs.AI cs.DB
Querying Inconsistent Prioritized Data with ORBITS: Algorithms, Implementation, and Experiments
CNRS & University of Bordeaux, France（法国国家科学研究中心与波尔多大学）；DI ENS, ENS, CNRS, PSL University & Inria, Paris, France（巴黎高等师范学院（ENS）、法国国家科学研究中心（CNRS）、巴黎-萨克雷大学（PSL University）与国家信息与自动化技术研究院（Inria））
本文研究了在优先级知识库上容忍不一致的查询回答算法，探讨了三种基于最优修复的语义，并提出了针对一般优先级关系的SAT编码，通过不同SAT求解器推理模式计算答案。
2026-04-30 cs.AI cs.DB cs.LO
Build2SPARQL: A Large-Scale Text-to-SPARQL Benchmark Dataset for Building Knowledge Graph Querying
提出Build2SPARQL，一个由知识图谱接地流程生成的大规模建筑知识图谱文本到SPARQL基准，包含6,136个查询和30,680个问题，人工验证高保真度，检索增强评估显著提升模型准确率。
2026-10-02 cs.AI
A Machine Learning Based Analytical Framework for Semantic Annotation Requirements
Islamic Azad University, Qazvin Branch（伊斯兰阿扎德大学加兹温分校）；Alzahra University（阿尔扎赫拉大学）
语义Web是当前Web的扩展，其中信息被赋予了定义明确的含义。语义网的前景是通过将现有的网络内容转换成机器可理解的形式来提高网络的质量和智能性。因此，语义级信息是语义Web的基石之一。将语义元数据添加到Web资源的过程称为语义注释。语义标注存在着许多障碍，如多语言性、可扩展性以及与不同网页内容的多样性和不一致性有关的问题。由于语义标注系统所涉及的领域非常广泛，而且其所处的环境也是动态的，因此标注过程的自动化是该领域面临的一个重要挑战。为了克服这个问题，已经利用了不同的机器学习方法，诸如监督学习、无监督学习和更近期的方法，如半监督学习和主动学习。在本文中，我们提出了一个包容性的分层分类的语义标注的挑战，并讨论了在这一领域的最重要的问题。此外，我们回顾和分析机器学习应用解决语义标注问题。为此，本文试图对相关研究进行深入研究和分类，以更好地理解语义标注，并得出一个框架，将机器学习技术映射到语义标注的挑战和需求中。
2011-04-26 cs.AI cs.CL
TCMaster: Confidence-Aware Querying and Workload-Guided Physical Design for Multi-Source Traditional Chinese Medicine Knowledge Graphs
Tsinghua University（清华大学）；Beijing University of Chinese Medicine（北京中医药大学）；Guangdong Provincial Laboratory of Traditional Chinese Medicine（广东省中医药实验室）
TCMaster通过置信度感知查询与工作负载引导的物理设计，提升多源中医知识图谱的查询可靠性与效率，在Neo4j上显著加速查询并提升问答准确率。
2026-09-23 cs.AI
Semantic Annotation: The Mainstay of Semantic Web
Taif University（塔伊夫大学）
由于语义Web的实现是基于元数据可访问性的临界质量和用正式知识表示数据，因此它需要生成特定的、易于理解的和定义良好的元数据。然而，Web文档的语义标注是使语义Web愿景成为现实的成功途径。本文介绍了语义网及其愿景（堆栈层）方面的一些概念定义，有助于理解语义标注。此外，本文还介绍了语义标注的分类、工具、领域和模型。
2013-12-17 cs.AI cs.DL cs.IR
Querying with Łukasiewicz logic
Università degli Studi di Milano（米兰大学）；Artificial Intelligence Research Institute (IIIA) CSIC（西班牙国家研究委员会人工智能研究所）；Università dell’Insubria（因苏布里亚大学）
在本文中，我们提出了，通过案例研究，概念的证明，基于一个原型工作的汽车数据集，旨在显示潜在的有用性，使用公式的Rukasiewicz命题逻辑查询数据库中的模糊方式。我们的方法区别于它的压力上的纯语言，反对数字，配方的查询。我们的查询是用纯逻辑语言表达的，当我们使用（整数）数字时，这些数字代表句法层面上的公式缩短，并在语义层面上充当语言模糊限制语。我们的案例研究查询的目的首先是显示每个数字阈值模糊查询模拟的一个pumukasiewicz公式。然后，他们专注于表达能力的Eukasiewicz逻辑，很容易允许更新查询的条款和修改它们通过一个潜在的无限多种语言模糊限制语实现了统一的句法机制。最后，我们将提示如何，已经在命题层面，Eukasiewicz自然语义享有一定程度的反射，允许编写语法简单的查询，语义工作作为元查询权衡简单的贡献。
2015-12-03 cs.AI cs.DB cs.LO
Toward Dialogue Modeling: A Semantic Annotation Scheme for Questions and Answers
LORIA（洛林计算机科学及其应用实验室）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）
本研究提出了一种对问答对的内容和语篇贡献进行分类的标注方案。我们提出了使用该计划的详细指导方针，并将其应用于英语，西班牙语和荷兰语的对话。最后，我们报告了自动注释的初始机器学习实验。
2019-08-23 cs.AI cs.CL
The DURel Annotation Tool: Human and Computational Measurement of Semantic Proximity, Sense Clusters and Semantic Change
University of Stuttgart（斯图加特大学）；University of Gothenburg（哥德堡大学）
DURel工具是一个在线开源界面，通过人类与计算标注结合图聚类，测量词义邻近性、义簇及语义变化，支持一致性比较与统计汇总。
2024-02-05 cs.AI cs.CL
A Rule-Based Approach to Specifying Preferences over Conflicting Facts and Querying Inconsistent Knowledge Bases
Univ. 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（波尔多计算机科学实验室）；ENS（巴黎高等师范学院）；PSL University（巴黎文理研究大学）；Inria（法国国家信息与自动化研究所）；National Institute of Informatics（国立信息学研究所）
本文提出了一种基于规则的方法，用于指定冲突事实的优先级并查询不一致知识库，通过消除循环实现无环优先关系。
2026-08-04 cs.AI cs.DB cs.LO
Semantic Integration & Single-Site Opening of Multiple Governmental Data Sources
University of Piraeus（比雷埃夫斯大学）；North Aegean Regional Administration (NARA)（北爱琴大区政府）
在许多情况下，政府数据仍然被“锁定”在几个“数据孤岛”中，甚至在一个单一的（国际）国家公共组织的范围内，这些组织单位和部门分散在多个地点。开放数据，并使其统一查询从一个单一的网站，以有效和有效的方式是语义应用集成和开放的政府数据的挑战。本文介绍了NARA是如何使用语义Web技术，通过从一个单一的网站开放和查询多个政府数据源，实现其组织的边界内的应用程序集成的方法。所提出的通用方法，即S3-AI，提供了对不同应用程序产生和利用的数据进行统一的、本体中介的、联合查询的支持，而这些数据位于不同的组织站点。S3-AI保留了应用程序和数据的所有权、自主权和独立性。本文广泛展示了S3-AI，使用D2 RQ和Fuseki技术，以满足政府“IT帮助台支持”案例的需求。
2014-07-02 cs.AI cs.DB cs.IR
Evaluating Datalog Tools for Meta-reasoning over OWL 2 QL
University of Klagenfurt（克拉根福大学）
本文评估多种逻辑编程工具作为 OWL 2 QL 元建模语义蕴含机制查询回答后端的适用性，证明 Datalog 方法在有限资源下对大型本体具有实用性。
2024-02-05 cs.AI cs.LO
LiteSemRAG: Lightweight LLM-Free Semantic-Aware Graph Retrieval for Robust RAG
Oakland University（奥克兰大学）
本文提出LiteSemRAG，一种轻量级无大语言模型的语义感知图检索框架，通过构建异构语义图并分离表层词义与上下文依赖语义，提升检索鲁棒性与效率。
2026-03-16 cs.AI cs.IR
Marvin: Semantic annotation using multiple knowledge sources
University of Manchester（曼彻斯特大学）
人们正在生产比历史上任何时候都多的书面材料。这一增长如此之高，以至于各领域的专业人员再也无法应付如此数量的出版物。文本挖掘工具可以为用户提供帮助，而文本语义标注是辅助信息检索和信息抽取的工具之一。在这份报告中，我们介绍了Marvin，一个用Java编写的文本注释器，它可以用作命令行工具和Java库。Marvin能够使用多个源注释文本，包括WordNet，MetaMap，DBPedia和以SKOS表示的同义词。
2016-02-02 cs.AI cs.CL
DynaQuery: A Self-Adapting Framework for Querying Structured and Multimodal Data
Al Akhawayn University（阿尔阿克哈文大学）
本文提出自适应框架 DynaQuery，通过 SILE 将模式内省与链接纳入查询规划，并经多基准验证其相较非结构化 RAG 可显著消除模式幻觉、提升查询稳健性。
2025-10-20 cs.AI cs.DB
Text-Aided Multi-Modal Panoptic Symbol Spotting for CAD Floor Plan Drawings
CCSE Lab, Beihang University（北京航空航天大学CCSE实验室）；School of Transportation Science and Engineering, Beihang University（北京航空航天大学交通科学与工程学院）；The Hong Kong Polytechnic University（香港理工大学）
针对CAD平面图全景符号识别中现有方法未充分利用文本注释的问题，提出多模态框架TextCAD，设计TACE编码注释语义，引入语义层次对齐框架，实验表明该方法有效提升符号识别性能并达最优。
2026-07-15 cs.AI cs.CV
Learning Semantic Traversability with Egocentric Video and Automated Annotation Strategy
KAIST（韩国科学技术院）；Neuromeka（纽罗梅卡公司）
本文提出利用行人第一人称视频和基于图像分割基础模型的自动化标注策略训练语义可通行性估计器，在多个国家和城市的实验中验证了其高可扩展性、泛化能力及在真实机器人导航中的高精度和轻量适用性。
2024-09-28 cs.AI cs.RO
Unlocking Practical Applications in Legal Domain: Evaluation of GPT for Zero-Shot Semantic Annotation of Legal Texts
Carnegie Mellon University（卡内基梅隆大学）
本研究评估了GPT模型在零样本设置下对法律文本进行语义标注的能力，发现其在法院意见、合同和法规等不同文档类型上表现良好，为法律领域应用LLM提供了实证支持。
2023-05-08 cs.AI cs.CL
Semantic Annotation for Tabular Data
IBM Research AI（IBM研究院人工智能）；University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
在机器学习中，从数据集成、清洗、搜索到特征工程和模型构建的许多应用中，对表格数据中的列的语义概念的检测特别感兴趣。最近，一些作品提出了基于监督学习或启发式模式的语义类型标注方法。两者都有缺点，使他们无法概括大量的概念或例子。许多基于神经网络的方法也存在可扩展性问题。此外，没有一个已知的方法对数值数据很好地工作。我们提出了$C^2$，一列概念映射，是基于最大似然估计方法通过合奏。除了两个流行的知识图谱之外，它还能够有效地利用大量的（尽管有些嘈杂）公开可用的表格语料库来对结构化数据执行有效且高效的概念预测。我们证明了$C^2$的有效性，在9个数据集上的可用技术，迄今为止最全面的比较。
2020-12-15 cs.AI cs.DB
Modeling Loosely Annotated Images with Imagined Annotations
Beijing Normal University（北京师范大学）；INRIA（法国国家信息与自动化研究所）
在本文中，我们提出了一种方法来学习潜在的语义分析模型，从松散的注释图像自动标注和索引。训练图像中的给定注释是松散的，这是由于：（1）视觉特征和注释关键字之间的对应关系不明确;（2）注释关键字的列表不完整。第二个原因促使我们在学习主题模型之前以简单的方式丰富不完整的注释。特别地，通过度量关键词之间的相似度，将一些想象的关键词注入到不完整的注释中。然后，给定的和想象的注释被用来学习自动标注新图像的概率主题模型。我们在一个典型的Corel图像数据集和松散的注释上进行实验，并将所提出的方法与最先进的离散注释方法（使用一组离散的斑点来表示图像）进行比较。所提出的方法将词驱动的概率潜在语义分析（PLSA-words）提高到与最佳离散注释方法相当的性能，同时仍然保持PLSA-words的优点，即，语义范围更广
2008-05-29 cs.AI cs.IR
Semantic segmentation with coarse annotations
Eindhoven Univeristy of Technology, Eindhoven, The Netherlands（埃因霍温理工大学）
本文针对粗标注下的语义分割难题，提出一种基于超像素上采样的正则化方法，应用于FCN-16架构，在多个数据集上显著提升边界召回率。
2025-10-17 cs.AI cs.CV cs.LG
A semantics-driven methodology for high-quality image annotation
University of Trento（特伦托大学）
本文提出vTelos，一种结合自然语言处理、知识表示与计算机视觉的语义驱动方法，通过显式化标注语义并利用WordNet层级来减少主观性，从而提升图像标注质量，并在ImageNet子集上得到验证。
2023-07-26 cs.AI cs.CV cs.MM
WeClick: Weakly-Supervised Video Semantic Segmentation with Click Annotations
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Peng Cheng Laboratory（鹏城实验室）；Southern University of Science and Technology（南方科技大学）；Shenzhen Rejoice Sport Tech. Co., LTD（深圳悦动体育科技有限公司）
与繁琐的逐像素蒙版注释相比，通过点击来注释数据要容易得多，这对一幅图像来说只需要几秒钟。然而，应用点击学习视频语义分割模型还没有被探索过。在这项工作中，我们提出了一个有效的弱监督视频语义分割管道点击注释，称为WeClick，节省费力的注释工作分割的语义类的实例，只有一个单一的点击。由于点击无法捕获详细的语义信息，因此直接使用点击标签进行训练会导致分割预测效果不佳。为了缓解这个问题，我们设计了一种新的内存流知识蒸馏策略，利用时间信息（命名为内存流）在丰富的未标记的视频帧，通过估计的运动提取相邻的预测目标帧。此外，我们采用香草知识蒸馏进行模型压缩。在这种情况下，WeClick在训练阶段使用低成本的点击注释学习紧凑的视频语义分割模型，但在推理阶段实现实时和准确的模型。在Cityscapes和Camvid上的实验结果表明，WeClick的性能优于最先进的方法，比基线提高了10.24%的mIoU，并实现了实时执行。
2021-08-04 cs.AI cs.CV cs.MM
Czech News Dataset for Semantic Textual Similarity
NTIS – New Technologies for the Information Society（NTIS – 信息社会新技术研究中心）；University of West Bohemia（西波希米亚大学）；Charles University（查理大学）
本文描述了一种新的数据集，包括句子的语义相似性注释。数据来源于捷克语的新闻领域。我们详细描述了收集和注释数据的过程。该数据集包含138，556个人类注释，分为训练集和测试集。共有485名新闻专业学生参与了创作过程。为了增加测试集的可靠性，我们将注释计算为9个单独注释的平均值。我们通过测量内部和内部注释者的一致性来评估数据集的质量。除了协议编号外，我们还提供了所收集数据集的详细统计数据。最后，我们总结了我们的论文与基线实验，建立一个系统，预测句子的语义相似性。由于大量的训练注释（116 956），该模型的性能明显优于平均注释器（Person的相关系数为0.92与0.86）。
2022-01-21 cs.AI cs.CL cs.LG
Annotation by Clicks: A Point-Supervised Contrastive Variance Method for Medical Semantic Segmentation
Carleton University（卡尔顿大学）；Canada CIFAR AI Chair（加拿大CIFAR人工智能讲席）
医学图像分割方法通常依赖于大量的密集注释图像进行模型训练，这是众所周知的昂贵和耗时的收集。为了减轻这一负担，弱监督技术已被利用来训练分割模型与较便宜的注释。本文提出了一种新的点监督对比方差医学图像语义分割方法（PSCV），它只需要一个像素点从每个器官类别进行注释。该方法通过使用一种新的对比方差（CV）损失来利用未标记的像素和标记像素上的部分交叉熵损失来训练基本分割网络。CV损失函数被设计为利用医学图像中器官的统计空间分布特性及其方差分布图表示来对未标记的像素执行区分性预测。在两个标准医学图像数据集上的实验结果表明，该方法在点监督医学图像语义分割任务上优于现有的弱监督方法.
2022-12-23 cs.AI cs.CV cs.LG
COSMIC: Clique-Oriented Semantic Multi-space Integration for Robust CLIP Test-Time Adaptation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Shenzhen Technology University（深圳技术大学）；University of Science and Technology of China（中国科学技术大学）
提出COSMIC测试时适应框架，通过引入Dual Semantics Graph和Clique Guided Hyper-class构建多粒度跨模态语义缓存与图查询机制，有效提升了CLIP在分布外和跨域任务上的适应准确率。
2025-03-30 cs.AI cs.CV cs.LG
Investigating Low-Cost LLM Annotation for~Spoken Dialogue Understanding Datasets
Laboratoire d’Informatique d’Avignon (LIA)（阿维尼翁计算机实验室（LIA））；Orange Innovation（奥兰治创新公司）
针对口语对话数据集语义表征不足的问题，本文研究利用大语言模型自动增强其语义标注，评估了微调适用性、标注知识捕获能力及半自动标注的影响。
2024-06-19 cs.AI cs.CL cs.HC
