Towards Next-Generation Urban Decision Support Systems through AI-Powered Construction of Scientific Ontology using Large Language Models -- A Case in Optimizing Intermodal Freight Transportation
The University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出以 ChatGPT API 为推理核心、结合提示调优与 transformers 的本体自动构建工作流,生成 OWL/RDF/SPARQL 知识图谱,并通过 Pizza Ontology 对比和多式联运转运案例验证其城市决策支持价值。
2024-09-06 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
Breaking-down the Ontology Alignment Task with a Lexical Index and Neural Embeddings
The Alan Turing Institute(艾伦·图灵研究所);University of Oslo(奥斯陆大学);Medical University of Vienna(维也纳医科大学);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,结合了词汇索引,神经嵌入模型和局部模块,有效地将输入本体匹配任务划分为更小,更容易处理的匹配(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,并表明,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国家的最先进的系统。
2018-05-31 cs.AI
OWL2Vec4OA: Tailoring Knowledge Graph Embeddings for Ontology Alignment
City St George’s, University of London(伦敦城市圣乔治大学);University of Oslo(奥斯陆大学);University of Manchester(曼彻斯特大学)
本文提出 OWL2Vec4OA,通过将种子映射的边置信度融入随机游走策略,扩展 OWL2Vec* 以定制面向 ontology alignment 的知识图谱嵌入,并验证了其有效性。
2024-10-23 cs.AI
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
Ontology Alignment at the Instance and Schema Level
INSTITUT NATIONAL DE RECHERCHE EN INFORMATIQUE ET EN AUTOMATIQUE(法国国家信息与自动化研究所)
我们提出了巴黎,本体自动对齐的方法。PARIS不仅对齐实例,还对齐关系和类。实例级的对齐与模式级的对齐交叉施肥。因此,我们的系统提供了一个真正的整体解决方案的本体对齐的问题。这种方法的核心是概率。这允许PARIS在没有任何参数调整的情况下运行。我们通过大量的实验证明了该算法的效率和精度。特别是,我们获得了约90%的精度在实验中与两个世界上最大的本体。
2011-08-18 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
Agent-OM: Leveraging LLM Agents for Ontology Matching
Australian National University(澳大利亚国立大学);Monash University(墨尔本大学)
本文提出Agent-OM框架,结合检索与匹配代理及OM工具,有效提升复杂和少样本本体匹配任务性能,接近传统最佳表现。
2026-11-12 cs.AI cs.CL cs.IR
A Markov Model for Ontology Alignment
The University of Georgia(佐治亚大学)
可用数据的爆炸式增长以及集成和利用这些数据的需求导致了对数据集成技术的迫切兴趣。在语义网技术中,本体对齐是异构知识库集成的关键步骤。在本文中,我们提出了边缘置信度技术,修改和改进流行的相似性洪水技术的本体对齐。
2013-04-20 cs.AI cs.DB
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
Ontology Matching with Knowledge Rules
University of Oregon(俄勒冈大学)
本体匹配是自动确定两个本体概念之间的语义等价关系的过程。大多数本体匹配算法基于两种类型的策略:基于术语的策略,其根据概念的名称或描述来对齐概念,以及基于结构的策略,其利用概念层次来找到对齐。在许多领域中,存在关于以各种方式表示的概念的关系的附加信息,例如贝叶斯网络、决策树和关联规则。我们建议使用这些关系之间的相似性,以找到更准确的比对。我们通过定义软约束来实现这一点,软约束优选对齐,其中相应的概念具有编码为知识规则的相同的局部关系。我们使用一个概率框架,将这种新的基于知识的策略与标准的基于术语和基于结构的策略相结合。此外,我们的方法在识别复杂概念之间的对应关系方面特别有效。我们的方法实现了更好的F-分数比以前的国家的最先进的三个本体匹配域。
2015-07-11 cs.AI
Comparison of ontology alignment systems across single matching task via the McNemar's test
Delft University of Technology(代尔夫特理工大学);Ferdowsi University of Mashhad(马什哈德 Ferdowsi 大学);TNO Research Institute(TNO 研究所)
本体对齐被广泛用于发现不同领域中不同本体之间的对应关系。在发现对齐之后,可以使用几个性能分数来评估它们。分数通常需要所识别的对齐和包含给定本体的潜在实际对应关系的参考。对齐评估的当前趋势是提出新的分数(例如,精度、加权精度等)并通过并置所获得的分数来比较各种比对。然而,在其他指标中选择一个指标进行比较是非常具有挑衅性的。最重要的是,声称一个系统是否具有比另一个更好的性能不能仅仅通过比较两个标量来证实。在本文中,我们提出的统计程序,使我们能够在理论上有利于一个系统比另一个。麦克内马尔的测试是统计手段,通过比较两个本体对齐系统,本文提出了一个匹配任务,该检验适用于一个2 × 2列联表,该列联表可以根据线路的不同情况用两种不同的方法构造,每种方法都有各自的优点和缺陷。文中详细阐述了列联表的构造方法和McNemar检验中的各种适用统计量。在有两个以上线路系统进行比较的情况下,预期会发生全族出错率。因此,也讨论了防止这种错误的方法。有向图可视化了在存在多个对齐系统的情况下McNemar测试的结果。从这个图中,很容易理解一个系统是否优于另一个系统,或者它们的差异是否无法察觉。所提出的统计方法被应用于参加OAEI 2016解剖跟踪的系统,并且还比较用于相同匹配问题的几个公知的相似性度量。
2018-04-20 cs.AI
RDF2Vec-based Classification of Ontology Alignment Changes
RheinMain University of Applied Sciences(莱茵美因应用科学大学)
当本体覆盖重叠的主题时,可以使用本体对齐来表示重叠。这些对齐需要不断适应不断变化的本体。特别是对于大型本体,这是一项昂贵的任务,通常包括手动工作。找到不会导致比对调整的更改可能会使该过程变得更加容易。这项工作提出了一种方法来找到这些变化的基础上RDF嵌入和常见的分类技术。为了研究这种方法的可行性,一个真实世界的数据集上的评价。在这次评估中,最好的分类器达到了0.8的精度。
2018-05-23 cs.AI cs.CL
Semantic Alignment of Multilingual Knowledge Graphs via Contextualized Vector Projections
Abhishek Kumar
本文提出了一种基于上下文向量投影的多语言知识图谱语义对齐方法,通过改进的嵌入生成和余弦相似度匹配,提升了跨语言本体对齐的精度和召回率。
2026-01-20 cs.AI
Revisiting Indirect Ontology Alignment : New Challenging Issues in Cross-Lingual Context
Université de Tunis El Manar(突尼斯埃尔马纳尔大学)
本体对齐过程在知识工程中被压倒性地引用为旨在绕过异构性并协调由本体表示的各种数据源的关键机制,即,语义网的基石。在这样的基础设施和环境中,假设覆盖特定知识领域的所有本体都成对对齐是不可想象的。此外,对准方法的高性能与两个因素密切相关,即,时间消耗和机器资源限制。因此,高质量的比对是有价值的,并且利用它们将是适当的。基于此,本文介绍了一种在跨语言环境下本体间接对齐的新方法。事实上,所提出的方法处理多语言本体的对齐,并实现了一个间接的本体对齐策略的组成和重用的基础上有效的直接对齐。所提出的方法过程的触发器是基于对齐代数,它管理的关系和置信度值的语义组成。经过彻底和详细的实验,所获得的结果是非常令人鼓舞的,并突出了新提出的方法的许多积极方面。
2021-04-04 cs.AI cs.IR
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
Accelerating Knowledge Graph and Ontology Engineering with Large Language Models
Wright State University(莱特州立大学);Kansas State University(堪萨斯州立大学)
本文提出利用大型语言模型加速知识图谱与本体工程的关键任务,将其确立为新兴研究领域,并强调模块化本体方法的核心重要性。
2024-11-14 cs.AI
Multifaceted Context Representation using Dual Attention for Ontology Alignment
IIIT Hyderabad(印度信息技术与通信技术研究院海得拉巴分校);IBM Research(IBM研究院)
本体对齐是一个重要的研究问题,发现应用在各个领域,如数据集成,数据传输,数据准备等国家的最先进的(SOTA)架构本体对齐通常使用天真的领域依赖的方法与手工制作的规则和手动分配的值,使它们不可扩展和效率低下。用于本体对齐的深度学习方法使用特定于领域的架构,这些架构不仅无法扩展到其他数据集和领域,而且由于各种限制(包括模型的过拟合,数据集的稀疏性等),通常比基于规则的方法表现更差。基于深度学习的模型,使用双重注意力机制来计算概念的上下文表示,以学习对齐。通过这样做,我们的方法不仅利用本体的语法和语义结构,它也是,通过设计,灵活和可扩展到不同的领域,以最小的努力。我们验证了我们的方法在不同领域的各种数据集和多语言设置,并显示其优越的性能SOTA方法。
2020-10-26 cs.AI cs.DB cs.LG
Truveta Mapper: A Zero-shot Ontology Alignment Framework
Truveta
本研究将本体匹配视为翻译任务,提出零样本端到端框架Truveta Mapper,基于多任务序列到序列Transformer实现跨本体对齐,在OAEI22基准上优于现有方法,且复杂度低、后处理少。
2023-08-22 cs.AI cs.CL cs.LG
BERTMap: A BERT-based Ontology Alignment System
University of Oxford(牛津大学);Samsung Research(三星研究院)
本体对齐(也称为本体匹配(OM))在知识集成中起着至关重要的作用。由于机器学习在许多领域的成功,它已经在OM中得到了应用。然而,现有的方法,往往采用ad-hoc特征工程或非上下文词嵌入,尚未优于基于规则的系统,特别是在无监督的设置。在本文中,我们提出了一种新的OM系统命名BERTMap,它可以支持无监督和半监督设置。该方法首先在文本语义语料库上使用基于上下文嵌入模型BERT的分类器预测映射,然后利用本体的结构和逻辑,通过扩展和修复来细化映射。我们对生物医学本体的三个对齐任务的评估表明,BERTMap通常比领先的OM系统LogMap和AML表现得更好。
2022-05-03 cs.AI cs.CL cs.LG
OntoEA: Ontology-guided Entity Alignment via Joint Knowledge Graph Embedding
Tencent Jarvis Lab(腾讯天衍实验室);Tencent(腾讯);University of Oxford(牛津大学)
语义嵌入已被广泛研究用于对齐知识图谱(KG)实体。目前的方法已经探索和利用了图结构,实体名称和属性,但忽略了本体(或本体模式),其中包含关键的Meta信息,如类和它们与实体的成员关系。在本文中,我们提出了一个本体指导的实体对齐方法命名为OntoEA,其中两个KG和它们的本体联合嵌入,类层次结构和类不相交性,以避免错误的映射。在七个公共和工业基准上的广泛实验证明了OntoEA的最新性能和本体的有效性。
2021-05-24 cs.AI cs.CL cs.LG
A New Method for the Semantic Integration of Multiple OWL Ontologies using Alignments
Université de Tunis El Manar(突尼斯埃尔马纳尔大学);Faculté des Sciences de Tunis(突尼斯理学院);Institut Supérieur des Langues Appliquées et d’Informatique de Béja(贝贾高等应用语言与计算机学院)
这项工作是作为硕士论文项目的一部分完成的。其目标是将两个或多个本体(相同或接近的领域)集成到一个新的一致和连贯的OWL本体中,以确保它们之间的语义互操作性。为了做到这一点,我们选择创建一个桥本体,其中包括所有的源本体和它们的桥接公理在一个定制的方式。此外,我们引入了一个新的标准,以获得更好的质量本体(具有最小的语义/逻辑冲突)。我们还提出了新的术语和定义,澄清了在最先进的作品中随机使用的不明确和错位的“整合”和“合并”概念。最后,我们测试和评估我们的OIA 2 R工具使用本体和参考对齐的OAEI运动。事实证明,它是通用的,高效的和足够强大的。
2018-10-05 cs.AI
OntoAligner: A Comprehensive Modular and Robust Python Toolkit for Ontology Alignment
TIB - Leibniz Information Centre for Science and Technology(TIB - 莱布尼茨科学技术信息中心);L3S Research Center, Leibniz University of Hannover(莱布尼茨汉诺威大学L3S研究中心)
OntoAligner是一个开源Python工具包,通过模块化架构集成模糊匹配、检索增强生成和大语言模型,解决现有本体对齐工具在可扩展性和集成性上的不足,实现高效高质量的大规模本体对齐。
2025-03-27 cs.AI cs.CL
Enhancing SPARQL Query Rewriting for Complex Ontology Alignments
Laval University(拉瓦尔大学);Iba Der Thiam University(伊巴·德尔·蒂亚姆大学)
本文提出基于自然语言需求的SPARQL查询重写方法,利用等价传递性与大语言模型处理复杂本体对齐,提升查询效率与用户可访问性。
2025-12-05 cs.AI cs.DB
Unifying Ontology Construction and Semantic Alignment for Deterministic Enterprise Reasoning at Scale
Yonyou AI Lab(用友AI实验室);Yonyou Network Technology Co., Ltd.(用友网络科技股份有限公司)
本文提出统一本体构建与语义对齐的框架,通过构造-对齐-推理流程提升企业级确定性推理能力,实验表明其在本体完成和复杂图推理任务中表现优异。
2026-03-11 cs.AI cs.CL
OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques
TIB Leibniz Information Centre for Science and Technology(莱布尼茨科学与技术信息中心);L3S Research Center, Leibniz University of Hannover(汉诺威莱布尼茨大学L3S研究中心);Graphwise;University of Tabriz(大不里士大学)
该研究提出OntoAligner-Ensemble框架,通过两阶段投票融合策略整合异构OA对齐器,经OAEI八任务验证,可提升精确率-召回率平衡,为OA提供实用集成选择指导。
2026-09-01 cs.AI
Matching Weak Informative Ontologies
Southeast University(东南大学)
本文针对弱信息本体(WIOs)匹配难题,提出利用本体结构信息、语义子图约束和相似度传播模型的方法,并在Lily系统中实现,在OAEI基准上显著提升了召回率和精度。
2023-12-01 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
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
Transforming Expert Knowledge into Scalable Ontology via Large Language Models
Amazon New York, USA(亚马逊纽约分公司);Amazon Arlington, USA(亚马逊阿灵顿分公司);Amazon Seattle, USA(亚马逊西雅图分公司);Amazon Honolulu, USA(亚马逊檀香山分公司)
本文提出结合 LLM、专家校准与迭代提示优化的分类体系对齐框架,在概念必要性映射任务上以 0.97 的 F1 分数显著超过 0.68 的人类基准。
2025-06-11 cs.AI
An Ontology-driven Framework for Supporting Complex Decision Process
The Hong Kong Polytechnic University(香港理工大学)
针对决策问题和决策群体具有复杂结构的决策过程,提出了一种基于本体论的群体决策支持系统(ONTOGDSS)框架。它能够降低问题结构和群体关系的复杂性。该系统允许决策者通过网络环境,通过本体关系参与群体决策。它促进了决策过程作为一个整体的管理,从标准生成,备选方案的评估,意见的相互作用,决策汇总。嵌入式本体结构提供了重要的形式化描述功能,以方便决策分析和验证。它检查了软件体系结构,选择方法,决策路径等,最后,该系统的本体应用说明了具体的实际案例,以展示其对决策发展的潜力。
2011-07-15 cs.AI
A semantic approach to mapping the Provenance Ontology to Basic Formal Ontology
National Center for Ontological Research(国家本体论研究中心);Conceptual Systems(概念系统公司);University at Buffalo(布法罗大学);Summit Knowledge Solutions(顶峰知识解决方案公司);University of Vienna(维也纳大学);Institute for Artificial Intelligence and Data Science(人工智能与数据科学研究所)
为提升PROV-O与BFO两类本体及其组织数据的互操作性,研究提出遵循语义逻辑优先标准的映射方法与对齐方案,经逻辑一致性校验和SPARQL查询评估,采用语义网技术支撑FAIR原则。
2025-03-23 cs.AI cs.DB cs.LO
Ontology Revision based on Pre-trained Language Models
Nanjing University of Posts and Telecommunications(南京邮电大学);Jilin University(吉林大学);Southeast University(东南大学)
本文提出基于预训练语言模型的本体修订方法,通过定义四个评分函数和两种修订算法处理不可满足概念,在19个本体对上验证了有效性。
2023-12-26 cs.AI
NOEM$^{3}$A: a Neuro-symbolic Ontology-Enhanced Method for Multi-intent understanding in Mobile Agents
Huawei Heisenberg Research Center(华为海森堡研究中心);Technical University of Munich(慕尼黑技术大学)
提出NOEM$^{3}$A,一种轻量级神经符号层,通过意图本体增强紧凑语言模型,在低延迟和隐私约束下提升移动代理的自然语言理解准确率。
2026-06-23 cs.AI
OntoBook: Ontology-Grounded Synthetic Textbooks for Medical Encoder Pretraining
研究提出OntoBook方法,将医学本体结构转为预训练信号,经随机游走、大语言模型重述等三阶段,用生成文本训练法语编码器,在多基准测试中有显著改进,强调目标对齐必要,还发布了相关教科书与模型检查点。
2026-07-22 cs.AI
An Aristotelian ontology of instrumental goals: Structural features to be managed and not failures to be eliminated
Stellenbosch University(斯泰伦博斯大学)
本文提出一种亚里士多德式的工具性目标本体论,将工具性目标视为高级AI系统需管理的特征,而非需消除的异常。
2026-01-30 cs.AI cs.CY
Search-Optimized Quantization in Biomedical Ontology Alignment
CNRS(法国国家科学研究中心);Univ. Lille(里尔大学);UMR 8163 - STL - Savoirs Textes Langage(知识文本语言联合研究单位);UMR 9189 - CRIStAL - Centre de Recherche en Informatique Signal et Automatique de Lille(里尔计算机、信号与自动化研究中心)
本文提出一种基于Transformer和余弦语义相似度的生物医学本体对齐方法,并通过Microsoft Olive搜索与Intel动态量化优化,在DEFT 2020两项任务上取得最优结果,实现20倍推理加速和约70%内存降低。
2025-09-20 cs.AI cs.LG math.OC
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
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
Towards a Forensic Event Ontology to Assist Video Surveillance-based Vandalism Detection
Queen Mary University of London(伦敦玛丽女王大学);ISTI-CNR(意大利国家研究委员会信息科学与技术研究所)
事件的检测和表示是自动监控系统中的关键要素。我们在这里提出了一个本体表示复杂的语义事件,以协助基于视频监控的故意破坏检测。本体包含丰富的和明确的事件词汇表的定义,旨在帮助法医分析客观地识别和表示复杂的事件。然后,我们的本体论被应用于2011年发生的伦敦骚乱的背景下。我们还报告进行的实验,以支持复杂的犯罪事件从视频数据的分类。
2019-03-21 cs.AI eess.IV
Repairing Networks of $\mathcal{EL_\perp}$ Ontologies using Weakening and Completing -- Extended version
Linköping University(林雪平大学);The Swedish e-Science Research Centre(瑞典 e-Science 研究中心)
本文提出了一个修复本体网络的框架,通过定义调试、弱化和补全等基本操作及组合算子,在移除不需要的公理时保留领域内正确的推论,并提供了实现工具和扩展现有系统的蓝图。
2024-07-26 cs.AI cs.LO
Language Models as Ontology Encoders
The University of Manchester(曼彻斯特大学);Amazon(亚马逊);SNOMED International(SNOMED国际);University of Oxford(牛津大学)
本文提出本体嵌入方法 OnT,通过在双曲空间中微调预训练语言模型,同时融合文本标签并保留描述逻辑结构,在公理预测与推断任务上优于现有方法。
2025-07-18 cs.AI
Human-Aware Sensor Network Ontology: Semantic Support for Empirical Data Collection
Rensselaer Polytechnic Institute(伦斯勒理工学院);Universidade de Fortaleza(福塔莱萨大学)
为了解和记录与科学测量有关的知识作出了重大努力。这些努力中有许多产生了一个或多个高质量的本体,描述了科学测量的某些方面,但不是以全面和连贯的方式。例如,我们注意到,许多这些高质量的本体是不正确的对齐,更具有挑战性,他们有不同的,往往是相互冲突的概念和方法来编码知识的经验测量。由于缺乏综合的观点,科学家往往难以确定任何两个科学测量是否以语义兼容的方式进行,因此难以决定是否应该结合分析测量。在本文中,我们提出了人类感知传感器网络本体,这是一个全面的对齐和集成的传感基础设施本体和出处本体。HASNetO已经开发了一年多,并已被多个科学界审查、共享和使用。该本体已被用于支持一些大规模生态监测活动(观测)和实证实验的数据管理。
2017-04-06 cs.AI cs.CY
OAEI-LLM-T: A TBox Benchmark Dataset for Understanding Large Language Model Hallucinations in Ontology Matching
Australian National University(澳大利亚国立大学);Monash University(墨尔本大学)
OAEI-LLM-T是一个用于研究大规模语言模型在本体匹配中幻觉问题的TBox基准数据集,通过分类幻觉类型并提供评估工具,促进对LLM在OM任务中表现的深入理解。
2025-05-14 cs.AI cs.CL cs.IR
Complex Ontology Matching with Large Language Model Embeddings
Universidade Federal Rural de Recife(累西腓联邦农村大学)
本文提出将 LLM 嵌入整合到基于对齐需求与 ABox 关系发现的表达性本体对应方法中,通过子图环境匹配及多项架构改进,使 F-measure 较基线提升 45%。
2025-02-19 cs.AI cs.CL
Real-Time Health Analytics Using Ontology-Driven Complex Event Processing and LLM Reasoning: A Tuberculosis Case Study
Indian Institute of Information Technology Allahabad(印度信息技术学院阿拉哈巴德分校)
本研究提出一种集成复杂事件处理与大型语言模型的本体驱动实时健康分析框架,利用BFO和SWRL建模,通过Apache Kafka和Spark Streaming处理数据,并在1,000名结核病患者的数据集上验证了其低延迟检测与高模型性能。
2025-10-05 cs.AI cs.DB
ANNETT-O: An Ontology for Describing Artificial Neural Network Evaluation, Topology and Training
National Centre for Scientific Research “Demokritos”(德谟克利特国家科学研究中心)
深度学习模型虽然有效且通用,但正变得越来越复杂,通常包括任意深度的多个重叠网络、多个目标和非直观的训练方法。这使得研究人员和从业人员越来越难以设计、训练和理解它们。在本文中,我们提出了ANNETT-O,一个急需的,通用的和计算机可操作的词汇表,供研究人员和从业者描述他们的深度学习配置,训练过程和实验。所提出的本体集中在复杂深度神经配置的拓扑、训练和评估方面,同时保持外围实体更加简洁。实现ANNETT-O的知识库可以支持各种查询,为用户提供相关的见解。除了本体的详细描述,我们证明了它的适用性的任务,通过一些假设的用例越来越复杂。
2018-05-10 cs.AI cs.LG stat.ML
Ontology-Free General-Domain Knowledge Graph-to-Text Generation Dataset Synthesis using Large Language Model
Graduate School of Artificial Intelligence, POSTECH(浦项科技大学人工智能研究生院);Department of Computer Science and Engineering, POSTECH(浦项科技大学计算机科学与工程系)
针对通用领域高质量G2T数据集稀缺的问题,研究提出利用LLM和Data-QuestEval生成含585万对数据的无本体WikiOFGraph数据集,实验证明在其上微调的PLM性能更优,为G2T数据生成提供了可扩展的有效方案。
2024-09-11 cs.AI cs.CL
The Knowledge Graph Track at OAEI -- Gold Standards, Baselines, and the Golden Hammer Bias
University of Mannheim(曼海姆大学)
本体对齐评估计划(OAEI)是本体匹配工具的年度评估。2018年,我们已经开启了知识图谱赛道,其目标是评估大规模知识图谱的实体和模式的同步匹配。在本文中,我们讨论了轨道的设计和两种不同的策略的金本位创造。我们分析的结果和经验,在第一版的轨道,并揭示了一个隐藏的任务,我们表明,所有的工具提交给轨道(可能也是其他轨道)遭受的偏见,我们命名为金锤偏见。
2020-02-24 cs.AI cs.DB
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
Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction
University of Edinburgh, UK(爱丁堡大学);Samsung AI Center, Cambridge, UK(三星人工智能中心)
提出一种神经符号框架,通过后提取校正解决LLM提取知识图谱时的本体不一致问题,减少token使用并提升图谱一致性。
2026-09-09 cs.AI cs.LG
Curriculum Learning for Data-Efficient Vision-Language Alignment
University of Southern California(南加州大学)
使用对比学习从头开始对齐图像和文本编码器需要大量成对的图像-文本数据。我们通过使用更少量的配对数据对齐单独预训练的语言和视觉表示模型来缓解这种需求,并使用课程学习算法来学习细粒度的视觉语言对齐。TOnICS(Ontology-Informed Contrastive Sampling)最初对图像-文本对包含各种对象的小批量进行采样,以学习对象级对齐,并逐步对所有图像-文本对包含相同对象的小批量进行采样,以学习更细粒度的上下文对齐。使用TOnICS将预训练的BERT和VinVL模型彼此对齐,在下游zero-shot图像检索上优于CLIP,同时使用不到1%的训练数据。
2022-07-29 cs.AI cs.CL cs.CV
Vector Ontologies as an LLM world view extraction method
本研究首次实证验证向量本体方法,构建8维音乐流派向量空间,测试GPT-4o-mini的音乐内部表征投影效果,证明LLM内化结构化可复用知识,向量本体可透明提取分析该知识。
2025-06-16 cs.AI cs.IR