Specific Domain Ontology Construction Using Large Language Models
University of São Paulo (USP)(圣保罗大学);Center for Artificial Intelligence (C4AI)(人工智能中心)
利用大语言模型作为领域专家自动构建概念层次结构,以巴西海洋领土为例评估GPT-3.5和GPT-4生成的本体,发现整体连贯但需优化。
2026-07-07 cs.AI cs.CL
Do LLMs Dream of Ontologies?
University of Verona(维罗纳大学);University of Mannheim(曼海姆大学)
本文评估了通用预训练LLMs对公开本体中概念ID-标签关联的记忆能力,发现仅小部分概念被准确记忆且与网络出现频率强相关,并引入预测不变性指标以响应稳定性估计记忆鲁棒性。
2025-02-02 cs.AI cs.CL
Ontology Generation using Large Language Models
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);Linköping University(林雪平大学)
本文提出 Memoryless CQbyCQ 和 Ontogenia 两种提示技术,利用大语言模型从用户故事和能力问题自动生成 OWL 本体,并通过多维评估证明其优于现有方法且显著超越新手建模能力。
2025-03-07 cs.AI
Large language models as oracles for instantiating ontologies with domain-specific knowledge
Alma Mater Studiorum -- Università di Bologna(博洛尼亚大学);Department of Computer Science and Engineering (DISI)(计算机科学与工程系)
提出一种利用大型语言模型作为预言机、领域无关的自动本体实例化方法,显著提升质量并减少错误,经营养领域实验验证。
2024-12-12 cs.AI cs.CL cs.IR
Shiva: A Framework for Graph Based Ontology Matching
Banasthali University(巴纳斯达利大学);Center for Development of Advanced Computing(先进计算发展中心);Apaji Institute(阿帕吉学院)
长期以来,企业一直在寻找能够提供数据结构化描述的知识源,并且能够专注于意义和共享理解。可以促进开放世界假设的结构,并且可以足够灵活地合并和识别一个实体的多个名称。主要目的是促进人类通信和互操作性的源。显然,数据库无法提供这些功能,本体已经成为一种替代选择,但在同一领域工作的公司往往会制作不同的本体。当他们想要分享他们的数据/知识时,就会出现问题。因此,我们需要工具来合并成一个本体。这个任务被称为本体匹配。这是一个新兴的领域,我们仍然要走很长的路,有一个理想的匹配器,可以产生良好的结果。在本文中,我们已经展示了一个框架,匹配本体使用图。
2014-03-28 cs.AI
Can Large Language Models Augment a Biomedical Ontology with missing Concepts and Relations?
University of Haifa(海法大学);Aalborg University(奥尔堡大学);Poznan University of Technology(波兹南工业大学)
本研究探索利用大型语言模型半自动扩充生物医学本体SNOMED-CT,通过对话交互分析临床指南以发现缺失概念及其关系,初步实验验证了方法的可行性。
2023-11-12 cs.AI cs.CL
Large Language Models for Scholarly Ontology Generation: An Extensive Analysis in the Engineering Field
Knowledge Media Institute, The Open University(知识媒体研究所,开放大学);Department of Business and Law, University of Milano Bicocca(商业与法律系,米兰比可卡大学)
本文研究了大型语言模型在工程领域生成学术本体的能力,通过评估多种模型发现,小型量化模型在优化后可达到大型专有模型的性能,且计算资源需求更低。
2025-06-11 cs.AI cs.DL cs.IR
Using MathML to Represent Units of Measurement for Improved Ontology Alignment
Centrum Wiskunde & Informatica(荷兰国家数学与计算机科学研究所)
本体提供了知识领域中概念及其关系的形式化描述。本体对齐的目标是在独立开发的本体中识别语义匹配的概念和关系,这些本体声称描述相同的知识。为了处理尽可能广泛的本体类,许多对齐算法依赖于术语和结构方法,但概念的模糊性使匹配过程复杂化。然而,由于其数学性质,应该提供明确匹配解决方案的一个领域是测量单位。有几种测量单位的理论可用,但没有尝试将它们统一起来,尽管技术互操作性具有明显的重要性。我们提出了一个通用的策略来映射这些(和类似的)本体,通过引入MathML来准确地捕捉其中指定的概念的语义描述。我们提供了三个本体的映射结果,并表明我们的方法提高了词汇比较。
2013-07-05 cs.AI
Exploring Large Language Models as a Source of Common-Sense Knowledge for Robots
Honda Research Institute Europe(欧洲本田研究院)
本文探讨大型语言模型作为机器人常识知识来源,发现其在选择性提取情境知识上效果有限,但大规模提取通用知识有潜力,可辅助构建机器人本体。
2023-10-19 cs.AI cs.RO
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
Chatbot-Based Ontology Interaction Using Large Language Models and Domain-Specific Standards
Helmut Schmidt University(赫尔穆特·施密特大学)
本文提出利用大语言模型和聊天机器人界面将自然语言转换为严格基于本体事实的SPARQL查询,并融合领域标准文本提升准确性,实验验证了该方法在防止模型编造和提升查询质量方面的显著优势。
2024-10-17 cs.AI cs.IR
GraphMatcher: A Graph Representation Learning Approach for Ontology Matching
Free University of Berlin(柏林自由大学)
针对本体互操作性问题,本研究提出基于图注意力机制的本体匹配系统GraphMatcher,通过计算类及其周围术语的高阶表示来对齐语义相似实体,并在OAEI 2022会议赛道中取得显著成果。
2024-04-20 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
Querying Biomedical Ontologies in Natural Language using Answer Set
Sabancı University(萨班哲大学);Sanovel Pharmaceutical Inc.(萨诺维尔制药公司)
在这项工作中,我们开发了一个智能用户界面,允许用户输入生物医学查询的自然语言,并提出了答案(可能与解释,如果要求)在自然语言。我们在生物医学本体和数据库上开发了一个规则层,并使用自动推理机来回答考虑规则层相关部分的查询。
2010-12-09 cs.AI
Structural Weights in Ontology Matching
University of Sistan and Baluchestan(锡斯坦-俾路支斯坦大学);University of Isfahan(伊斯法罕大学)
本体匹配发现不同本体的相似实体之间的对应关系。两个本体可能在结构、语义等方面相似。大多数本体匹配系统集成多个匹配器来提取两个本体可能具有的所有相似性。因此,我们面临着一个主要的问题,以聚合不同的相似性。一些匹配系统使用实验权重来聚合不同匹配器之间的相似性,而其他匹配系统使用机器学习方法和优化算法来找到分配给不同匹配器的最佳权重。然而,这两种方法都有自己的不足之处。本文将指出现有相似性聚合策略存在的问题和不足。然后,我们提出了一种新的策略,这使我们能够利用本体的结构信息来获得匹配器的权重,相似性聚合任务。为了实现这一目标,我们创建了一个新的本体匹配系统,它使用三个可用的匹配器,即GMO,ISub和VDoc。我们已经在OAEI 2012数据集上测试了我们的相似性聚合策略。实验结果表明,在几种情况下,特别是在匹配本体类的准确性显着提高。我们将比较我们的相似性聚合策略与其他知名的策略的性能
2013-11-15 cs.AI cs.IR
Overview of chemical ontologies
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本体以形式和语义的方式对特定领域的知识进行排序和互连,以便它们是机器可解析的。他们试图定义所有可接受的概念和对象的定义,对它们进行分类,提供属性以及将它们与关系(例如“A是B的特殊情况”)联系起来。更准确地说,Tom Gruber将本体定义为“概念化的规范; [...]对一个代理或代理社区可能存在的概念和关系的描述(类似于程序的正式规范)。“[1]本体是由组织在类中的个体组成的。两者之间可以有属性和关系。一些复杂的本体定义了改变属性或关系的限制、规则和事件。为了计算机可访问,它们是用某些本体语言编写的,如OBO语言或更常用的通用代数规约语言。随着数字化、互联化和全球化世界的兴起,必须找到共同的标准,本体论引起了人们极大的兴趣。[2]然而,化学本体论的发展才刚刚开始。事实上,可以找到一些有趣的化学本体论的基本方法,但它们有两个主要缺陷。首先,我们发现它们大多只是零星完成或仍处于建筑状态。其次,显然没有化学本体论被广泛接受。因此,本文试图描述化学相关领域中的主要本体论发展:化学分析方法本体论、命名反应本体论和科学单位本体论。
2020-02-07 cs.AI
A Framework for Evaluating Agricultural Ontologies
Tel-Aviv University(特拉维夫大学);Ben Gurion University of the Negev(本·古里安大学内盖夫分校)
本体是领域知识的一种形式化表示,它可以被机器解释。近年来,本体已经成为领域知识表示的主要工具,并且是许多知识管理系统、决策支持系统和其他智能系统的核心组成部分,特别是在农业背景下。然而,对现有农业本体论文献的回顾表明,大多数提出农业本体论的研究都缺乏明确的评价程序。这是不希望的,因为没有结构良好的评估过程,很难考虑本体的研究和实践的价值。此外,它是很难依赖于这样的本体,并共享它们的语义Web或语义感知应用程序之间。随着越来越多的基于本体的农业系统和语义网的日益普及,它成为必要的,这样的发展和评价方法,提出了指导未来的努力本体发展。我们的工作有助于农业本体的文献,提出了一种方法来评估农业本体,这似乎是从大多数现有的研究农业本体缺失。该框架支持匹配适当的评价方法为一个给定的本体的基础上本体的目的。
2019-06-26 cs.AI
Ontohub: A semantic repository for heterogeneous ontologies
Free University of Bozen-Bolzano(博尔扎诺-博岑自由大学);Otto-von-Guericke University of Magdeburg(马格德堡奥托·冯·古里克大学)
Ontohub是一个用于管理分布式异构本体的存储库引擎。分布式特性使社区能够轻松地分享和交换他们的贡献。异构性使得集成以各种本体语言编写的本体成为可能。Ontohub支持广泛的形式逻辑和本体语言,以及各种结构化和模块化结构和理论间(概念)映射,建立在OMG标准化的DOL语言之上。Ontohub存储库被组织为Git存储库,因此继承了这个流行的版本控制系统的所有功能。此外,Ontohub是第一个满足开放本体库(OOR)计划背景下制定的大量需求的库引擎,包括联邦API以及对逻辑推理和公理选择的支持。
2016-12-15 cs.AI
Ontology alignment repair through modularization and confidence-based heuristics
LaSIGE, Faculty of Sciences of the University of Lisbon(里斯本大学科学学院LaSIGE)
本体匹配的目的是找到一组语义对应,称为对齐,相关的本体之间。近年来,有越来越多的兴趣,高效和有效的匹配方法,大型本体。然而,大多数大型本体产生的对齐在逻辑上是不连贯的。直到最近,使用修复技术来提高本体对齐的质量才被探索。在本文中,我们提出了一种新的技术,用于检测不连贯的概念本体模块化的基础上,和一个新的修复算法,最大限度地减少不连贯的结果对齐和匹配的数量从输入对齐。一个实现完成的一部分,一个轻量级的版本的ProximementMaker系统,一个成功的本体匹配平台,并使用一组四个基准生物医学本体匹配任务进行评估。我们的研究结果表明,我们的实施是有效的,并产生更好的对齐方面的连贯性和f-措施比国家的最先进的修复工具。他们还表明,我们的实现是一个更好的替代方案,产生连贯的银标准的路线。
2013-07-19 cs.AI
SWRL2SPIN: A tool for transforming SWRL rule bases in OWL ontologies to object-oriented SPIN rules
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
语义Web规则语言(SWRL)将OWL(Web本体语言)本体与规则置标语言(RuleML)家族的Horn逻辑规则相结合。它得到了本体编辑器、规则引擎和本体推理器的支持,已经成为在本体之上开发基于规则的应用程序的一个非常流行的选择。然而,SWRL可能不会成为WWW联盟的标准,禁止工业接受。另一方面,SPIN(SPARQL推理表示法)已经成为事实上的行业标准,以表示SPARQL规则和语义Web模型的约束,建立在SPARQL(SPARQL协议和RDF查询语言)的广泛接受。在本文中,我们认为,现有的SWRL规则为基础的本体应用程序的生命可以延长转换到SPIN。为此,我们已经开发了在Prolog的SWRL2SPIN工具,将SWRL规则转换为SPIN规则,考虑到面向对象的SPIN,即链接规则到适当的本体类和优化它们,通过分析规则的条件。
2022-12-08 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
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
Open Ontologies: Tool-Augmented Ontology Engineering with Stable Matching Alignment
The Tesseract Academy, London, United Kingdom(泰斯拉学院,伦敦,英国)
本文提出Open Ontologies系统,结合LLM驱动构建与形式OWL推理及本体对齐,发现稳定1对1匹配是本体对齐质量关键,且工具增强访问优于纯LLM解析。
2026-05-09 cs.AI cs.CL cs.DB
CMOMgen: Complex Multi-Ontology Alignment via Pattern-Guided In-Context Learning
CMOMgen是首个端到端复杂多本体匹配策略,利用模式引导的上下文学习和检索增强生成,在生物医学任务中优于基线,F1分数最低63%,46%映射获最高分。
2025-10-24 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
Verbalizing Ontologies in Controlled Baltic Languages
Institute of Mathematics and Computer Science, University of Latvia(拉脱维亚大学数学与计算机科学研究所)
受控的自然语言(主要是基于英语的)最近已经出现了作为OWL本体创作的看似非正式的补充手段,如果与专业知识工程师使用的正式符号相比。在本文中,我们提出的例子控制拉脱维亚语已被设计为符合最先进的Attempto控制英语的状态。我们还讨论了与控制立陶宛语,正在设计的平行关系。
2012-11-02 cs.AI cs.CL
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
Ontology as a Source for Rule Generation
Riga Technical University(里加工业大学)
本文揭示了潜在的OWL(Web本体语言)本体生成的规则。本文的主要目的是确定新类型的规则,这可能是从OWL本体生成的。从OWL本体生成的规则是语义Web专家系统运行所必需的。语义网专家系统(SWES)将能够处理来自Web的本体,以补充甚至发展其知识库。
2014-04-18 cs.AI
Using off-the-shelf LLMs to query enterprise data by progressively revealing ontologies
RelationalAI
针对LLM因token限制无法容纳大型企业本体的问题,提出逐步揭示恰好足够本体内容的零样本提示解决方案,以提升自然语言到形式化查询的转换准确率。
2024-10-11 cs.AI cs.DB
OWL2Vec*: Embedding of OWL Ontologies
City, University of London(伦敦城市大学);University of Oslo(奥斯陆大学);Samsung Research(三星研究院);University of Oxford(牛津大学)
知识图谱的语义嵌入已经被广泛研究并用于跨诸如自然语言处理和语义Web的各个领域的预测和统计分析任务。OWL(Web Ontology Language)本体可以表达比知识图谱更广泛的语义,在生物信息学等领域得到了广泛的应用。本文提出了一种基于随机游走和词嵌入的本体嵌入方法OWL2Vec*,该方法综合考虑了OWL本体的图结构、词汇信息和逻辑构造函数,对本体的语义进行编码。我们对三个真实世界数据集的实证评估表明,OWL2Vec* 在类成员预测和类包含预测任务中受益于本体的这三个不同方面。此外,在我们的实验中,OWL2Vec* 通常显著优于最先进的方法。
2021-01-25 cs.AI
Cross-Lingual Predicate Mapping Between Linked Data Ontologies
Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校);Korea Advanced Institute of Science and Technology(韩国科学技术院)
不同自然语言中的本体通常在图式的丰富性或内部链接的丰富性方面在质量上不同。当将丰富的英语本体与非英语本体进行比较时,这种差异是明显可见的。发现它们之间的一致性是一项有益的努力,因为它是弥合差异的起点。特别是,我们的工作是出于缺乏语言间的联系,在本地化版本的DBpedia的谓词。在本文中,我们提出并证明了一个特设系统,以找到可能的猫头鹰:equivalentProperty在不同的自然语言的本体之间的谓词链接。我们试图实现这种映射,通过使用预先存在的语言间的资源连接给定的谓词。因此,我们的方法强调语义相似性,而不是词汇。此外,通过评估,我们表明,我们的系统是能够优于一个基线系统,这是一个类似于在最近的OAEI运动。
2016-12-06 cs.AI cs.CL
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
A Review of Multilingualism in and for Ontologies
University of Cape Town(开普敦大学)
多语言语义网已经被关注了十多年。关联数据和RDF中的多语言性已被大量采用,但自15年前的上次审查以来,本体论的情况尚不清楚。OWL的设计目标之一是国际化,目的是使本体可以跨语言和文化使用。与此同时,许多改进多语言本体的研究已经进行,并且推测多语言链接数据可以使用多语言本体。因此,本次审查旨在(一)阐明和比较多语言本体的建模选项,(二)检查现存的本体的多语言性,及(三)评估本体编辑器管理多语言本体的能力。确定了九种不同的对本体中的多语言性进行建模的主要方法,这些方法分为以下方法之一:使用多语言标签、语言模型或基于映射的方法。他们比较设计的特设可视化模式的建模多语言信息的本体,缺点,以及他们的目标是解决什么问题。对于本体,我们从BioPortal和LOV存储库中提取了生产级和可访问的本体,这两个存储库最多分别有6.77%和15.74%的多语言本体,其中大多数只有部分翻译,并且它们都只使用基于标签的方法。基于管理多语言本体的九个工具要求,对七个相关本体编辑器的评估表明,在工具支持方面存在重大差距,VocBench 3最接近于满足所有这些要求。这种盘点可以作为一个新的基线,并激励新的研究方向的多语言本体。
2022-10-06 cs.AI
From Subsumption to Satisfiability: LLM-Assisted Active Learning for OWL Ontologies
University of Glasgow(格拉斯哥大学)
本文提出利用LLM辅助的主动学习方法,通过将候选公理转换为反概念并用受控自然语言表达,以提高OWL本体论建模的准确性,实验表明召回率稳定。
2026-04-17 cs.AI
The Data Complexity of Description Logic Ontologies
University of Bremen(不来梅大学);University of Liverpool(利物浦大学)
本文分析ALC族描述逻辑本体的数据复杂度,证明深度为一的ALCFI及无深度限制的ALC/ALCI本体存在PTime/coNP二分法,而ALCF本体无此二分法且PTime求值判定不可判定,并探讨与Datalog重写的关联。
2017-11-10 cs.AI
Generating Natural Language Descriptions from OWL Ontologies: the NaturalOWL System
Athens University of Economics and Business(雅典经济与商业大学);Institute for Language and Speech Processing(语言与语音处理研究所)
我们提出NaturalOWL,一个自然语言生成系统,产生描述个人或类的OWL本体的文本。不像简单的OWL verbalizers,通常表示一个单一的公理在一个时间在控制,往往不是完全流畅的自然语言主要是为了领域专家的利益,我们的目标是为最终用户生成流畅和连贯的多句子文本。有了像NaturalOWL这样的系统,人们可以在Web上发布OWL中的信息,以及自动生成的多种语言的相应文本,使信息不仅可以被计算机程序和领域专家访问,而且可以被最终用户访问。我们讨论了NaturalOWL的处理阶段,系统可以在每个阶段使用的可选域相关语言资源,以及它们为什么有用。我们还提出的试验表明,当域相关的语言资源可用,NaturalOWL产生显着更好的文本相比,一个简单的verbalizer,可以创建相对较轻的努力的资源。
2014-04-24 cs.AI cs.CL
Plausible Reasoning about EL-Ontologies using Concept Interpolation
Cardiff University(卡迪夫大学)
描述逻辑(DL)是用于建模本体(即关于概念及其之间关系的知识)的标准知识表示语言。不幸的是,DL本体很难从数据中学习,并且手动编码耗时。因此,广泛领域的本体几乎不可避免地是不完整的。近年来,已经提出了一些数据驱动的方法来自动扩展这样的本体。一类方法依赖于从文本描述导出的概念的表征。虽然这种表征不直接捕获本体知识,但它们编码了关于不同概念之间的相似性的信息,这些信息可以用于填补现有本体中的空白。为此,已经提出了几种归纳推理机制,但这些都是以启发式的方式定义和使用的。在本文中,我们提出了一个归纳推理机制,它是基于一个明确的模型理论语义,因此可以紧密结合标准的演绎推理。我们特别关注插值,这是一个强大的常识推理机制,它与基于类别的归纳的认知模型密切相关。除了形式化的基本语义,作为我们的主要技术贡献,我们提供了计算复杂性界限EL推理与此插值机制。
2020-06-25 cs.AI
Dividing the Ontology Alignment Task with Semantic Embeddings and Logic-based Modules
City, University of London(伦敦大学城市学院);University of Oslo(奥斯陆大学);Medical University of Vienna(维也纳医科大学);University of Oxford(牛津大学);Miami University(迈阿密大学)
大型本体仍然对最先进的本体对齐系统提出了严峻的挑战。在本文中,我们提出了一种方法,结合了神经嵌入模型和基于逻辑的模块,以准确地将输入本体匹配任务划分为更小,更易于处理的匹配(子)任务。我们已经进行了全面的评估,使用本体对齐评估计划的数据集。结果是令人鼓舞的,并建议,所提出的方法是足够的,在实践中,可以集成在工作流程中的系统无法应付非常大的本体。
2020-02-25 cs.AI
Towards an Ontology based integrated Framework for Semantic Web
Electronic Research Institute(电子研究所);Al-Azhar University(爱资哈尔大学)
这种本体被广泛用于解决网络上的信息异构性问题,因为它们的能力,提供明确的意义的信息。它们成为以结构化方式进行知识表示的有效工具。对于同一个领域,总是有多个本体。此外,没有一个标准的方法来构建本体,有许多本体构建工具使用不同的本体语言。由于这些原因,本体之间的互操作性非常低。目前的本体工具大多使用函数来建立、编辑和推理本体。在大多数工具中没有包含用于合并异构领域本体的方法。本文提出了一种本体合并方法,用于从异构的可扩展置标语言(XML)数据源中构建一个全局本体,以捕获和维护XML数据源所能包含的所有知识
2013-05-30 cs.AI
The Distributed Ontology Language (DOL): Use Cases, Syntax, and Extensibility
Research Center on Spatial Cognition, University of Bremen(不来梅大学空间认知研究中心);University of Birmingham(伯明翰大学);DFKI GmbH Bremen(德国人工智能研究中心不来梅分中心);Infoterm(国际术语信息中心);University of Toronto(多伦多大学)
分布式本体语言(DOL)目前正在ISO/TC 37/SC 3的OntoIOp(本体集成和互操作性)活动中进行标准化。它旨在为(1)异构逻辑形式化的本体,(2)模块化本体,(3)本体之间的链接,以及(4)本体的注释提供一个统一的框架。本文介绍了DOL标准化的现状。它侧重于分布式本体支持互操作性和可重用性的用例。我们展示了DOL语法和语义的相关功能,并解释了这些功能如何集成到现有的知识工程环境中。
2012-08-01 cs.AI cs.DL cs.LO
Exploring Wasserstein Distance across Concept Embeddings for Ontology Matching
College of Computing and Informatics, Drexel University(德雷塞尔大学计算与信息学院)
本体元素之间的距离度量是本体匹配的基础。基于字符串的距离度量因浅语法匹配而臭名昭著。在这项探索性研究中,我们研究了Wasserstein距离,目标是可以包含各种类型信息的连续空间。我们使用一个预先训练好的词嵌入系统来嵌入本体元素标签。我们研究的有效性Wasserstein距离测量本体之间的相似性,发现和细化匹配的单个元素之间。我们的实验与OAEI会议轨道和MSE基准取得了竞争力的结果相比,领先的系统。
2022-09-21 cs.AI
Ontology Matching Through Absolute Orientation of Embedding Spaces
SAP SE(SAP思爱普公司);University of Mannheim(曼海姆大学)
本体匹配是创建可互操作和链接的开放数据集时的核心任务。在本文中,我们探索了一种新的基于结构的映射方法,它是基于知识图谱嵌入:要匹配的本体被嵌入,并被称为绝对方向的方法被用来对齐两个嵌入空间。接下来的方法,本文提出了一个第一,初步评估使用合成和真实世界的数据集。我们发现,在实验中与合成数据,该方法的工作非常好,类似结构的图形,它处理对齐噪声比本体的大小和结构差异。
2022-04-08 cs.AI cs.DB cs.IR
SHACL Validation in the Presence of Ontologies: Semantics and Rewriting Techniques
TU Wien(维也纳工业大学)
本文提出了一种基于核心普遍模型的SHACL验证语义,利用描述逻辑Horn-ALCHIQ构建本体模型,并通过重写技术将本体存在下的SHACL验证转化为标准验证,证明其复杂性为EXPTIME完全问题。
2026-01-20 cs.AI cs.LO
Mining Arguments from Cancer Documents Using Natural Language Processing and Ontologies
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学)
在医学领域,科学研究的连续流包含由论点和反论点支持的相互矛盾的结果。由于医学专业知识发生在不同的层面,部分人类代理人难以面对大量的研究,也难以理解争论主题的支持者和反对者所声称的理由和证据。为了更好地理解与医学领域当前最新技术水平相关的新发现的支持论点,我们需要能够识别科学论文中论点的工具。我们的工作旨在填补上述技术空白。非常清楚这项任务的难度,我们依靠众所周知的领域知识与自然语言处理的交叉来走这条路。为了将现有的医学知识形式化,我们依赖于本体论。为了构建论证模型,我们还使用了描述逻辑的表达能力和推理能力。为了进行论证挖掘,我们在基于规则的语言中正式化了各种语言模式。我们针对与乳腺癌相关的科学论文语料库测试了我们的解决方案。运行实验表明,F-测量值在0.71和0.86之间,用于识别论点的结论,在0.65和0.86之间,用于识别论点的前提。
2016-07-27 cs.AI cs.CL
Automated Skill Decomposition Meets Expert Ontologies: Bridging the Granularity Gap with LLMs
Université de technologie de Compiègne, CNRS, Heudiasyc(法国图卢兹技术大学、CNRS、Heudiasyc)
本文研究基于LLM的自动化技能分解,提出基于本体的评估框架,引入语义和层次感知F1分数,并构建基准,为开发本体忠实的技能分解系统提供可复现基础。
2025-10-13 cs.AI
Conceptual Modeling of Time for Computational Ontologies
Kuwait University(科威特大学)
为了给概念建模提供一个基础,本体被引入来指定实体,这些实体的存在在模型中被确认。在软件工程中,本体是作为对现实的一部分进行建模的机制的基本组件。在本文中,模型指的是对填充系统的对象和过程的描述。开发这样的描述约束和指导相应系统的设计,开发和使用,从而避免冲突和缺乏共识等困难。在建模和本体之间的跨领域研究中,对领域本体的开发和使用的兴趣越来越大(例如,资源描述框架、本体Web语言)。本文通过提出一个可操作的本体,为特定领域的概念建模建立了广泛的本体基础。TM是一种称为thimac(事物/机器)的单类别本体,用于阐述本体论假设的设计和分析。研究的重点是变化,事件和时间等概念。几个当前的本体论的困难进行了审查和改造的TM。TM建模还与SysML中的时间表示进行了对比。结果表明,TM是一个有用的工具,用于解决这些本体问题。
2020-07-16 cs.AI
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
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
Learning Query Inseparable ELH Ontologies
KRDB Research Centre, Free University of Bozen-Bolzano(博尔扎诺自由大学KRDB研究中心)
我们调查的复杂性,学习查询不可分割的ELH本体的一个变体的Angluin的确切的学习模型。给定固定的数据实例A* 和查询语言Q,我们感兴趣的是计算本体H,其需要与A* 上的目标本体T相同的查询,即,H和T关于. r. t是不可分的。A* 和Q。学习者可以提出两种问题。第一个问题是"(T,A)\models q?其中A是任意数据实例,q和查询在Q中。神谕用“是”或“否”回答这个问题。在第二种情况下,学习者会问:“H和T在w.r.t. A和Q?'.如果是,则学习过程结束,否则,学习器接收(A*,q),其中q在Q中,(T,A*)\models q和(H,A*)\not \models q(或反之亦然)。然后,我们分析的条件下,查询的不可分离性是保留的,如果A* 的变化。最后,我们考虑PAC学习模型和算法从一批分类数据中学习的设置,限制与Oracle的交互。
2020-06-18 cs.AI
Uncertainty in Ontology Matching: A Decision Rule-Based Approach
LARODEC;University of Tunis(突尼斯大学);ISG Tunis(突尼斯高等管理学院);IRISA(IRISA研究所);University of Carthage(迦太基大学);IHEC Carthage(迦太基高等商业学院)
考虑到Web上发布的本体的高度异构性,本体匹配是一个关键问题,其目的是建立源本体的实体与目标本体的一个或多个实体之间的联系。完美的相似性措施,被认为是信息的来源,相结合,以建立这些联系。信度函数理论是一个强大的数学工具,结合这种不确定性的信息。在本文中,我们介绍了一个决策过程的基础上的距离测量,以确定最佳可能的匹配实体为一个给定的源实体。
2015-01-23 cs.AI
Planning with OWL-DL Ontologies (Extended Version)
University of Oslo(奥斯陆大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本研究提出本体介导的规划方法,通过接口松散耦合规划问题与本体,设计支持OWL DL全表达能力的黑盒算法,将规划规范重写为PDDL求解,实验验证了方法可行性及推理优化对性能的显著作用。
2024-08-14 cs.AI
Toward a Method to Generate Capability Ontologies from Natural Language Descriptions
Ruhr University(鲁尔大学);Chair of Automation(自动化研究所)
本文提出利用大型语言模型和少样本提示,从自然语言描述自动生成并验证能力本体,显著减少人工建模工作量。
2024-10-18 cs.AI cs.CL
Knowledge Representation on the Web revisited: Tools for Prototype Based Ontologies
Fraunhofer Institute for Applied Information Technology FIT(弗劳恩霍夫应用信息技术研究所);RWTH Aachen University(亚琛工业大学);University of Jyvaskyla(于韦斯屈莱大学);World Wide Web Consortium (W3C)(万维网联盟)
近年来,在W3C推荐的推动下,RDF和OWL已经成为Web上最常用的知识表示语言。在本文中,我们提出了一个实际的实现不同类型的知识表示的基础上原型。详细地说,我们提出了一个具体的语法容易和有效地解析的应用程序。我们还提出了一个原型知识库的可扩展实现,专门设计用于存储的原型。这些实现是用Java编写的,可以通过将实现用作库来扩展。或者,软件可以这样部署。此外,本地和Web部署的基准测试的结果。本文增加了一个研究论文,在其中我们描述了我们的原型系统的更多的理论方面。
2016-07-16 cs.AI
Test-Driven Development of ontologies (extended version)
University of Cape Town(开普敦大学);Poznan University of Technology(波兹南理工大学)
新兴的本体创作方法,以增加知识的本体集中在改善验证瓶颈。新增加的公理的验证仍然是一个尝试,看看推理机说什么,因为缺少一个系统的测试平台本体创作。我们试图通过引入测试驱动开发的方法来解决这个问题。我们指定了36个通用测试,作为TBox查询和TBox公理测试通过个人,并在一个'开盒'的方式,其中涵盖了OWL 2 DL语言的功能,其内部工作结构。这是作为Protege插件实现的,因此可以将TDD测试作为黑盒测试来执行。我们评估了这两种测试方法的性能。TBox查询更快,本体越大,这种效果就越明显。我们提供了一个通用序列的TDD过程中本体工程作为TDD方法的基础。
2015-12-19 cs.AI