Language, logic and ontology: uncovering the structure of commonsense knowledge
本文的目的是双重的:(一)我们认为,常识知识的结构必须被发现,而不是发明;(二)我们认为,自然语言,这是最有名的理论,我们的(共享)常识知识,本身应该被用来作为一个指南,发现常识知识的结构。除了提出一个系统的方法来发现常识知识的结构,我们提出的方法似乎也提供了一个解释自然语言中的一些现象,如隐喻,内涵,和名词性复合词的语义。诚然,我们的最终目标是相当雄心勃勃的,它不亚于系统地“发现”一个良好类型的常识知识本体论,并随后制定了期待已久的意义代数的目标。
2006-10-17 cs.AI math.LO
Curate Before You Connect: Identity and Ontology Tagging in a Production Knowledge Graph
Konectu(科内克图)
本文针对生产型知识图谱的身份与本体标注问题,提出记录身份阶梯策略及锚定证据的本体标注方法,构建了含53万余实体的政府文档知识图谱,解决了实体合并的不可逆转错误等问题。
2026-08-12 cs.AI
OntoMerger: An Ontology Integration Library for Deduplicating and Connecting Knowledge Graph Nodes
AstraZeneca(阿斯利康);The University of Liverpool(利物浦大学)
节点重复是从异构数据集构建知识图谱(KG)时遇到的常见问题,其中能够合并具有相同含义的节点是至关重要的。OntoMerger是一个Python本体集成库,其功能是消除KG节点的重复。我们的方法需要一组KG节点,映射和断开的层次结构,并生成一组合并的节点与连接的层次结构。此外,该库还提供分析和数据测试功能,可用于微调输入,进一步减少重复,并增加输出图的连通性。OntoMerger可以应用于各种各样的本体和KG。在本文中,我们介绍OntoMerger,并说明其功能在现实世界中的生物医学KG。
2022-06-05 cs.AI cs.LG cs.SC
LLM-Assisted Ontology Engineering and Construction of a French Legal Knowledge Graph
Université Côte d'Azur(蔚蓝海岸大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Berger-Levrault(贝尔热-勒弗罗公司)
针对法国维护法规处理难题,提出两阶段大语言模型辅助工作流程,先进行本体工程,再构建知识图谱。经实验,该流程输出强大、对齐良好,减少重复,明确关键细化步骤。
2026-07-28 cs.AI
Compositional Semantics Grounded in Commonsense Metaphysics
American Institutes for Research(美国研究院)
我们认为,一个组成的语义强类型的本体,反映了我们的常识世界观和我们谈论它在普通语言的基础上。假设存在这样的结构,我们表明,各种自然语言现象的语义可能会变得几乎微不足道。
2007-08-31 cs.AI cs.CL
Semantic Modeling with SUMO
我们探索使用建议的上层合并本体(SUMO)开发一个语义模拟。我们提供了两个概念验证示范建模过渡模拟汽油发动机使用通用程序设计语言。而不是专注于计算高度密集的技术,我们探讨了一个较低的计算密集的方法,熟悉的软件工程测试程序。此外,我们提出了结构化的术语表示的基础上的语言学方法词典编纂。
2021-01-12 cs.AI
Merging Ontologies Algebraically
本体操作,例如,对齐和合并,被广泛研究和实现在不同的设置,如,分类操作,关系代数,类型图文法,具有不同的关注点。然而,设置中的对齐和合并操作共享一些通用属性,例如,在本体合并系统$(\mathfrak{O},\sim,\merge)$上定义的分别由(I)、(C)、(A)和(R)标记的等元性、交换性、关联性和表示性,其中$\mathfrak{O}$是相关本体的集合,$\sim$是关于$\mathfrak{O}$建模本体对齐的二元关系,并且$\merge$是关于$\mathfrak{O}$建模本体合并的部分二元运算。给定一个本体库,一个有限集$\mathbb{O}\subseteq \mathfrak{O}$,它的合并闭包$\widehat{\mathbb{O}}$是包含该库并且相对于合并是封闭的最小本体集。如果满足(I)、(C)、(A)和(R),则$\mathfrak{O}$和$\widehat{\mathbb{O}}$都通过合并自然地部分排序,$\widehat{\mathbb{O}}$是有限的并且可以被有效地计算,包括排序、选择和查询一些特定元素,例如,最大本体和最小本体。我们还证明了由本体$V$ -对齐对和推出给出的本体合并系统满足性质:(I),(C),(A)和(R),使得合并系统是偏序的,并且可以有效地计算给定知识库关于推出的合并闭包。
2022-11-12 cs.AI cs.DB cs.DM
EvoOntology: A Self-Evolving Ontology Layer for Data Agents
Renmin University of China(中国人民大学)
EvoOntology提出自进化本体层,通过MCP服务器封装模式、内容和工具层,让数据智能体运行时主动查询交互,经归因引导编辑与配对评估持续优化,在三个基准上优于现有方法。
2026-11-03 cs.AI cs.CL cs.DB
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
Shiva++: An Enhanced Graph based Ontology Matcher
Banasthali University(巴纳斯达利大学);Center for Development of Advanced Computing(先进计算发展中心)
随着网络变得越来越大,吸收了关于不同概念和领域的知识,简单的数据库驱动的应用程序捕获某个领域的数据变得非常困难。因此,开发人员已经提出了基于本体的系统,可以存储大量的信息,并可以应用推理和产生及时的信息。从而促进有效的知识管理。虽然这种做法使我们的生活更容易,但同时也产生了另一个问题。两种不同的本体论在吸收同一知识的同时,往往会对同一概念使用不同的术语。这在知识工程师和工作人员中造成了混乱,因为他们不知道哪个术语比另一个更好。因此,我们需要合并工作在同一领域的本体,使工程师可以开发一个更好的应用程序在it.This本文显示了这样的匹配器的发展,合并的概念,在两个层次上的两个本体:1)在字符串级别和2)在语义级别,从而产生更好的合并本体。我们使用了一个图形匹配技术的工作在系统的核心。我们还评估了系统,并测试了它的性能与它的前身,它只适用于字符串匹配。因此,目前的做法产生了更好的结果。
2014-04-19 cs.AI
Canonicalizing Knowledge Base Literals
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);University of Oslo(奥斯陆大学)
基于本体的知识库(KB),如DBpedia是非常有价值的资源,但其有用性和可用性受到各种质量问题的限制。其中一个问题是使用字符串文字而不是语义类型的实体。在本文中,我们研究了自动规范化的文字,即,用来自KB的现有实体或用使用来自KB的类键入的新实体替换所述文字。我们提出了一个框架,结合推理和机器学习,以预测相关的实体和类型,我们评估这个框架对国家的最先进的基线语义分类和实体匹配。
2019-06-26 cs.AI cs.CL
WorldDB: A Vector Graph-of-Worlds Memory Engine with Ontology-Aware Write-Time Reconciliation
Independent Researcher(独立研究员)
WorldDB通过引入世界概念、内容地址化和写时程序化边,解决了传统内存系统在跨会话身份丢失和冲突处理上的不足,实现了更高的准确率和鲁棒性。
2026-04-20 cs.AI cs.CL
Ontology-Grounded Project Memory for Coding Agents
Trivyn(特里文公司)
针对编码智能体追踪代码变更原因的难题,提出MOOSEDev系统,该系统通过知识图谱存储项目信息,实验显示其在关键查询任务上显著优于基线工具,且相关性召回率与令牌成本相当。
2026-08-17 cs.AI cs.SE
Template-as-Ontology: Configurable Synthetic Data Infrastructure for Cross-Domain Manufacturing AI Validation
Siemens Digital Industries Software(西门子数字工业软件)
本文提出一种模板作为本体的方法,通过单一Python配置模块生成制造仿真和AI分析工具的统一数据结构,验证了跨领域制造AI验证的可行性。
2026-05-11 cs.AI
Fortunate Recall: Ontology-Driven Memory Lifecycle Management for Persistent Coherence in LLMs
Bilkent University(比尔肯大学)
提出本体驱动的记忆生命周期管理方法,按行为类型分类个人事实并应用差异化策略,在多个基准上提升检索正确率并大幅降低虚构。
2026-09-10 cs.AI
5W1H+Which: Context-Valid Semantic Indexing with Progressive Ontology Binding
PwC China AI Center(普华永道中国人工智能中心);Tsinghua University(清华大学)
提出5W1H+Which语义索引,分离内容提取与本体绑定,通过渐进式绑定和上下文约束提升跨任务证据覆盖,并计划用事实图基线验证其可测试性。
2026-10-27 cs.AI cs.CL cs.IR
WNtags: A Web-Based Tool For Image Labeling And Retrieval With Lexical Ontologies
Faculty of Electrical Engineering and Computing, University of Zagreb(萨格勒布大学电气工程与计算学院)
互联网上越来越多的图像文档不断激发人们对更好的标注模型和更有效的检索方法的研究。图片中的对象和事件的正式知识表示、它们的交互以及上下文复杂性不再是高质量图像存储库的选项,而是必需的。我们提出了一个基于本体的在线图像标注工具WNTags,并证明了它的有用性,在几个典型的多媒体检索任务使用国际情感图片系统情感标注的图像数据库。WNTags是围绕WordNet词汇本体构建的,但认为建议的上层合并本体是首选的标记形式主义。WNTags使用加权WordNet同义词集作为高级图像语义描述符,并使用词干和节点距离度量进行查询匹配。我们还阐述了我们不久的将来计划,以扩大与诱导影响的图像内容的描述,在人类的情感和注意力的研究刺激。
2017-12-05 cs.AI cs.IR cs.MM
Consistency Is Not Coherence: Orientation Search for Certified Alignments Between 4D Defence Upper Ontologies
The Tesseract Academy (Kampakis and Co Ltd)(泰瑟拉克特学院(坎帕基斯有限公司))
该研究针对英国和北约防御数据基础设施下的IES、HQDM、BFO三个上层本体,将17个对应关系交叉表推广到OWL,用HermiT推理得到三个有价值结果,解决了IES与HQDM无公开对齐的问题。
2026-08-25 cs.AI cs.DB cs.LO
LLM-Assisted Discovery of Typed Semantic Links for Ontology Network Construction
University of Passau(帕绍大学);Chemnitz University of Technology(开姆尼茨工业大学)
提出一个端到端框架,结合DistilBERT嵌入、聚类预过滤和GPT-4o迭代提示,自动构建本体网络中的类型化语义链接,在ReproduceMeON上达到80.19%精确率和0.890 F1,显著优于相似性基线。
2026-10-02 cs.AI cs.CL
The Algebra of Meaning: Why Machines Need Montague More Than Moore's Law
Savassan(萨瓦桑)
针对语言模型幻觉与合规问题,本文提出Savassan神经符号架构,将对齐视为解析,通过蒙塔古逻辑形式与类型本体实现跨司法管辖的合规推理,以组合类型化意义支撑可信自主性。
2025-10-08 cs.AI cs.CL cs.LO
OntoAligner Meets Knowledge Graph Embedding Aligners
TIB -- Leibniz Information Centre for Science and Technology(莱比锡信息科学与技术研究中心);University of Tabriz(塔布里兹大学)
本研究将本体对齐重构为合并本体上的链路预测问题,构建集成17种KGE模型的OntoAligner模块化框架,在7个跨领域基准上验证了其高精度特性,为本体对齐提供了互补的高效结构感知方案。
2025-09-30 cs.AI cs.LG
SCOPE and SCION: A Benchmark and an Auditable Reference Pipeline for Schema Induction and Fusion from Text
Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China(信息工程研究所,中国科学院,北京,中国);School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China(网络安全学院,中国科学院大学,北京,中国);School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China(人工智能学院,中国科学院大学,北京,中国)
研究针对模式图这一信息提取瓶颈,提出SCOPE基准和SCION参考管道。通过从训练文本构建候选空间,经严格JSON合同进行相关操作。在SCOPE核心套件上,SCION-lite表现最佳,SCION-RL减少对专有工程师依赖,还给出标准化结果及相关发布内容。
2026-07-27 cs.AI cs.LG