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
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
PN-OWL: A Two Stage Algorithm to Learn Fuzzy Concept Inclusions from OWL Ontologies
CNR-ILC（意大利国家研究委员会信息学与计算科学研究所ILC分部）；CNR-ISTI（意大利国家研究委员会信息学与计算科学研究所ISTI分部）
本文提出两阶段算法 PN-OWL，从含实值和布尔值属性的 OWL 本体中学习可由 Fuzzy OWL 2 表示的模糊概念包含公理，并通过 P、N 阶段平衡召回率与精确率。
2023-03-01 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
Enhancements of linked data expressiveness for ontologies
University of São Paulo（圣保罗大学）
语义网已经收到了许多研究人员的贡献，作为本体论，在这种情况下，即在RDF链接的数据中，是形式化的概念化，可能使用不同的协议，如RDFS，OWL DL和OWL FULL。在这篇文章中，我们描述了新的表达技术，这些技术是在为科学院、国家和民间社会阐述了几十个OWL本体之后发现的。它们包括：1）说明属性可能具有的用途，而不会导致公理或限制; 2）为元素（类，属性，三元组）分配优先级; 3）在类之间，强制性个体之间以及可选个体之间的关系图中正确描述; 4）OWL类和SKOS概念之间的方便关联。我们提出了具体的规则来完成这些增强和courses的使用和出现的困难，因为这些技术目前还没有建立作为标准的本体设计师。
2017-10-27 cs.AI
A Survey of Syntactic Modelling Structures in Biomedical Ontologies
University of Oslo（奥斯陆大学）
尽管语义技术在生物医学领域的大规模吸收，很少有人知道在已发布的本体的共同建模实践。OWL本体通常只以公理集的粗糙形式发布，而使底层设计不透明。然而，一个有原则的和系统的本体论发展生存周期很可能反映在本体论的涌现句法结构的转换中。为了理解这种新兴的结构，我们建议逆向工程本体采取语法导向的方法来识别和分析公理和公理集。我们调查BioPortal的语法建模趋势和OWL公理和类框架的常见做法。我们的研究结果表明，生物医学本体只共享简单的句法结构，其中OWL构造函数没有深度嵌套或以复杂的方式组合。虽然这种简单的结构通常占给定本体中公理的大部分，但许多本体还包含非平凡数量的更复杂的句法结构，这些句法结构在本体中并不常见。
2022-07-28 cs.AI
Membership Function Assignment for Elements of Single OWL Ontology
本文提出了OWL（Web本体语言）本体元素的隶属函数分配的思想，以便随后从该本体生成模糊规则。OWL本体元素的隶属函数分配任务已经部分描述，但这涉及同一领域的多个OWL本体可用并将它们合并到单个本体中的情况。本文的目的是提出的情况下，只有一个可用的本体OWL本体元素的隶属函数分配的方法。从OWL本体生成的模糊规则是语义网专家系统知识库的必要补充。SWES是一个专家系统，它将能够从OWL本体中提取知识，在Web中找到，并将作为一个通用的专家为用户。
2014-11-12 cs.AI
Learning the Right Expansion-ordering Heuristics for Satisfiability Testing in OWL Reasoners
Concordia University（康考迪亚大学）；Nuance Communications（Nuance通讯公司）
Web本体语言（OWL）推理机用于从本体中推断新的逻辑关系。在推断新事实的同时，这些推理器可以被进一步优化，例如，通过适当地对本体的析取表达式中的析取进行排序来进行概念的可满足性测试。不同的扩展排序算法已被开发用于此目的。这些推理机中的内置启发式算法确定搜索树中分支的顺序，而每个启发式选择对各种本体产生不同的影响，这取决于本体的句法结构以及可能的其他特征。一个基于学习的方法，考虑到功能的目的是选择一个适当的扩展排序启发式为每个本体。合理的选择可以加速推理机的推理过程。在本文中，我们的方法的效果进行了研究，一个著名的推理机是JFact。我们的实验表明，在应用学习方法选择正确的扩展排序算法后，可满足性测试的平均加速比为一到两个数量级。
2019-04-20 cs.AI
The Semantic Web takes Wing: Programming Ontologies with Tawny-OWL
Newcastle University（纽卡斯尔大学）
Tawny-OWL库为本体构建提供了一个完全可编程的环境;通过将开发重新定义为一种编程形式，它支持使用一组丰富的工具进行本体开发。它是内置的Clojure -一种现代Lisp方言，并由OWL API支持。使用简单，它具有与OWL Manchester语法相似的语法，但它提供了任意的可扩展性和抽象。它建立在Clojure的现有设施之上，Clojure提供了丰富而现代的编程工具链，用于版本控制，分布式开发，构建，测试和持续集成。在本文中，我们描述了图书馆，这个环境及其潜在的影响，本体论的发展过程。
2013-03-01 cs.AI cs.DL
On the Eve of True Explainability for OWL Ontologies: Description Logic Proofs with Evee and Evonne (Extended Version)
Technische Universität Dresden（德累斯顿工业大学）
当使用描述逻辑本体时，理解由描述逻辑推理器导出的蕴涵并不总是简单的。到目前为止，标准本体编辑器Protégé提供了两种服务来帮助：OWL 2 DL本体的（黑盒）证明，以及轻量级OWL EL本体的（玻璃盒）证明，后者利用了推理机ELK的证明设施。由于理由往往不足以解释推理，因此只有很少的工具支持解释推理更有表现力的DL。在本文中，我们介绍了EVEE-LIBS，一个Java库计算证明DL ALCH，和EVEE-PROTEGE，收集Protégé插件显示这些证明在Protégé。我们还简要介绍了最新版本的EVONNE，这是一个更高级的独立应用程序，用于显示和交互使用EVEE-LIBS计算的证明。
2022-06-15 cs.AI cs.LO
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
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
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
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
Mutual Transformation of Information and Knowledge
信息和知识是可以相互转化的。在语义Web专家系统的开发过程中，以OWL（Web Ontology Language）本体生成规则为例，说明了信息到知识的转化。SWES预计作为一个专家系统搜索OWL本体从Web上，从发现的本体生成规则和补充SWES知识库与这些规则。本文的目的是通过从规则生成本体的例子来展示知识到信息的转化。
2016-04-26 cs.AI
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
Towards Ontology-Mediated 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）
本文提出通过接口分离规划规约与 OWL DL 本体，并将本体介导规划问题数据依赖地重写为经典规划问题，以复用现有规划工具。
2023-08-16 cs.AI cs.LO
IfcWoD, Semantically Adapting IFC Model Relations into OWL Properties
ACTIVe3D；CNRS（法国国家科学研究中心）；ENSAM（法国国立高等工程技术学校）；Univ. Bourgogne Franche-Comté（勃艮第-弗朗什-孔泰大学）
在建筑信息建模的背景下，本体已被确定为在实现信息互操作性的兴趣。关于建筑和设施管理领域，已经开发了几个基于IFC（工业基础类）的本体，例如IfcOWL。在本体建模的上下文中，可以利用优化基于IFC STEP的文件的大小的约束。在本文中，我们提出了一个适应的IFC模型到OWL，利用所有的建模约束所需的面向对象的结构的IFC模式。因此，我们不仅提出了一个语法，但也是一个语义适应IFC模型。我们的模型考虑了IFC标准定义的实体，关系，属性和属性的含义。我们的方法提出了几个优势相比，其他举措，如查询执行时间的优化。每一个优势都通过实际的例子和基准来捍卫。
2015-11-12 cs.AI
Redundancy-free Verbalization of Individuals for Ontology Validation
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
本文研究领域本体的Web本体语言（OWL）公理的语言化问题。现有的方法通过探索用不同的语言形式表达相同的OWL公理的不同方法来解决动词化的OWL文本对OWL语义的保真度问题。它们还执行将对应于每个OWL语句生成的自然语言（NL）句子分组和聚合成可理解的结构。然而，没有努力尝试在逻辑层面上的语义减少，以消除冗余和重复，使减少的公理集可以用于生成更有意义和人类可理解的（我们称之为无冗余）文本。实验结果表明，在逻辑层次上进行形式化语义约简有助于生成无冗余的本体实体描述。在本文中，我们特别关注基于SHIQ本体的个体描述的生成。一个案例研究的细节，以支持有用的冗余的NL描述的个人，在知识验证应用。
2016-07-24 cs.AI
Fuzzy OWL-BOOST: Learning Fuzzy Concept Inclusions via Real-Valued Boosting
ILC - CNR（意大利国家研究委员会计算语言学研究所）；ISTI - CNR（意大利国家研究委员会信息科学与技术研究所）
OWL本体是目前一种非常流行的方法来描述结构化知识的类，类之间的关系和类实例。在本文中，给定一个OWL本体的目标类T，我们解决了学习模糊概念包含公理的问题，这些公理描述了成为T的一个单独实例的充分条件。要做到这一点，我们提出了模糊OWL-BOOST依赖于真正的AdaBoost升压算法适应（模糊）OWL的情况下。我们通过一个实验来说明它的有效性。一个有趣的功能是，学习的规则可以直接表示为模糊OWL 2。因此，任何模糊OWL 2推理器都可以用于自动确定/分类（以及在何种程度上）个体是否属于目标类T。
2021-03-26 cs.AI
WebProtégé: A Cloud-Based Ontology Editor
Stanford University（斯坦福大学）
我们提出WebProtégé，一个工具来开发本体表示的Web本体语言（OWL）。WebProtégé是一个基于云的应用程序，允许用户协作编辑OWL本体，它可以在https://webprotege.stanford.edu上使用。WebProtégeé目前拥有超过68，000个OWL本体项目，并拥有超过50，000个用户帐户。在本文中，我们详细介绍了最新版本的WebProtégé的主要新功能。
2019-03-06 cs.AI cs.IR
Interpreting OWL Complex Classes in AutomationML based on Bidirectional Translation
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
万维网联盟（W3C）已经发布了几个构建和存储本体的建议，包括最新的OWL 2 Web本体语言（OWL）。这些举措之后，实际的实现，普及OWL在各个领域。例如，OWL已经被用于工业工程中的概念建模，并且其推理设施被用于提供丰富的服务，例如模型诊断、自动代码生成和语义集成。更具体地说，最近的研究表明，OWL非常适合于协调存储为AutomationML（AML）文件的工程工具的信息。然而，OWL及其工具对于工程师直接使用来说可能很麻烦，因此在实践中通常需要本体专家。虽然在文献中已经付出了很大的注意力，以克服这个问题，通过转换OWL本体从/AML模型自动，处理OWL复杂的类仍然是一个开放的研究问题。本文介绍了在AutomationML中表示OWL复杂类的AML概念模型，并给出了OWL复杂类与其对应的AML概念模型之间的双向转换算法。我们表明，这种方法提供了一个有效的和直观的界面，为非专家可视化，修改和创建OWL复杂的类。
2019-06-04 cs.AI cs.DB
Optimizing SPARQL Query Answering over OWL Ontologies
University of Ulm（乌尔姆大学）；National Technical University of Athens（雅典国家技术大学）
SPARQL查询语言目前正在由万维网联盟（W3C）用所谓的蕴涵机制进行扩展。蕴涵机制定义了如何在比SPARQL标准简单蕴涵更有表达力的语义下评估查询，SPARQL标准简单蕴涵基于子图匹配。查询是非常有表现力的，因为变量可以出现在复杂的概念中，也可以绑定到概念或角色名称。在本文中，我们描述了一个声音和完整的算法OWL直接语义蕴涵制度。我们进一步提出了一些新的优化，如确定一个良好的查询执行顺序，查询重写技术的战略，并显示如何专门的OWL推理任务和概念和角色层次结构，可以用来减少查询执行时间。为了确定一个良好的执行顺序，我们提出了一个基于成本的模型，其中的成本是基于信息的概念和角色的实例，从一个OWL推理建立的模型抽象提取。我们提出了两种排序策略：静态和动态的。对于动态的情况下，我们提高了性能，利用一个单独的聚类方法，允许计算成本函数的基础上，从一个集群的一个单独的样本。我们提供了一个原型实现，并评估所提出的优化的效率。我们的实验研究表明，静态排序通常优于动态的准确统计时，可用。然而，当统计数据不太准确时，这种情况会发生变化，例如，由于不确定性推理的决定。对于超越合取实例查询的查询，我们观察到由于所提出的优化，提高了三个数量级。
2014-02-04 cs.AI cs.DB
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
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
Towards OWL-based Knowledge Representation in Petrology
Vernadsky State Geological Museum, Russian Academy of Sciences（俄罗斯科学院维尔纳茨基国家地质博物馆）
本文介绍了我们的OWL驱动系统的开发工作，正式表示和推理的术语知识和事实在岩石学。我们项目的长期目标是为各种知识的大规模集成提供坚实的基础，包括基本术语，岩石分类算法，发现和报告。我们在这里描述我们为实现这一目标所采取的三个步骤。首先，我们开发了一个半自动化的程序，用于将火成岩样本数据库转换为受控自然语言（CNL）中的文本，然后收集OWL本体。其次，我们创建了一个OWL本体的重要岩石学术语目前描述的自然语言叙词表。我们描述了一个原型的工具，用于收集领域专家的定义。第三，我们提出了一种方法，以形式化的岩石样品，这需要在OWL 2线性方程的分类目前的工业标准。最后，我们讨论了在岩石学中使用语义技术所带来的一系列机会，并概述了这一领域未来的工作。
2011-06-08 cs.AI
Automatic Mapping of AutomationML Files to Ontologies for Graph Queries and Validation
Institute of Automation Technology, Helmut Schmidt University, Hamburg, Germany（海德堡-哈根大学自动化技术研究所）；Chair of Automation Technology, Ruhr University, Bochum, Germany（鲁尔大学自动化技术教授职位）
本文提出将 AutomationML 自动映射为 OWL 本体，以支持用 SPARQL 查询和 SHACL 验证，从而突破 XML 工具在自动化数据应用中的限制。
2025-09-18 cs.AI
Tree-like Queries in OWL 2 QL: Succinctness and Complexity Results
Laboratoire de Recherche en Informatique, CNRS & Université Paris-Sud（法国国家科学研究中心与巴黎南大学计算机研究实验室）；Institute for Information Transmission Problems & MIPT（信息传输问题研究所与莫斯科物理技术学院）；Steklov Mathematical Institute & National Research University Higher School of Economics（斯捷克洛夫数学研究所与高等经济大学）
本文研究了在OWL 2 QL本体存在的情况下，查询拓扑对回答合取查询的难度的影响。我们的第一个贡献是澄清的最坏情况下的大小的积极存在（PE），非递归数据（NDL），和一阶（FO）重写的各种类树的合取查询，范围从线性查询有界树宽查询。也许我们最令人惊讶的结果是PE重写大小的超多项式下限，它已经适用于深度为2的线性查询和本体。更积极的是，我们表明，多项式大小的NDL重写总是存在有界数量的叶子（和任意本体）的树形查询，并为有界树宽查询与有界深度本体配对。对于FO重写，我们将多尺寸重写的存在等同于布尔电路复杂性中的已知问题。作为我们的第二个贡献，我们分析了查询回答的计算复杂性，并建立了一系列查询本体对的易处理性结果（NL-或LOGCFL-完整性）。将我们的新结果与文献中的结果相结合，可以完整地了解所考虑的查询和本体类的简洁性和复杂性。
2015-05-13 cs.AI cs.CC cs.DB
A Framework for Parallelizing OWL Classification in Description Logic Reasoners
Concordia University（康考迪亚大学）
在本文中，我们报告了一个黑盒的方法来并行化现有的描述逻辑（DL）的Web本体语言（OWL）的推理。OWL本体分类是一种重要的推理服务，得到了各大OWL/DL推理机的支持。我们提出了一个灵活的并行框架，可以应用到现有的OWL推理机，以加快其分类过程。为了测试其性能，我们评估了我们的框架并行化的主要OWL推理机的概念分类。与所选的黑盒推理器相比，我们的结果表明，对于大多数真实世界的本体，本体分类的挂钟时间可以提高一个数量级。
2019-06-18 cs.AI cs.DC
Optimizing Heuristics for Tableau-based OWL Reasoners
Concordia University（康考迪亚大学）；Nuance Communications（Nuance通讯公司）
优化技术在改进Web本体语言（OWL）的描述逻辑推理机方面发挥着重要作用。这些技术对于加速这些推理机是必不可少的。许多优化技术是基于启发式选择。最优启发式选择使这些技术更加有效。FaCT++ OWL reasoner及其Java版本JFact实现了一种称为ToDo list的优化技术，该技术可替代基于表的推理机中传统的自顶向下方法。待办事项列表机制允许人们通过给每个规则一个优先级来安排应用不同规则的顺序。与自顶向下的方法相比，ToDo列表技术对扩展规则的应用有更好的控制。学习ToDo lis中应用规则的适当启发式顺序将对推理速度产生很大影响。我们使用二进制SVM技术来构建我们的学习模型。该模型可以帮助选择特定于本体的顺序集，以加快OWL推理。平均而言，我们的学习方法测试与40个选定的本体实现了两个数量级的速度比最差的规则排序的选择。
2018-10-24 cs.AI
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
The CaLiGraph Ontology as a Challenge for OWL Reasoners
University of Mannheim（曼海姆大学）
CaLiGraph是一个大规模的跨领域知识图谱，它利用维基百科中的分类系统、列表页面和其他列表结构从维基百科生成，包含超过1500万个类型化实体和大约1000万个关系断言。除了知识图谱，如DBpedia和YAGO，其本体过于简单，CaLiGraph也有丰富的本体，包括超过200，000个类限制。这两个属性-一个大的A盒和一个丰富的本体-使它成为基准推理机的一个有趣的挑战。在本文中，我们证明了一个推理任务，这是特别相关的CaLiGraph，即，将owl：hasValue约束具体化为个体之间以及个体与文字之间的断言，不足以得到可用推理系统的支持。我们提供了不同大小的基准子集的CaLiGraph，可用于推理系统的性能分析。
2022-01-04 cs.AI
Translating OWL and Semantic Web Rules into Prolog: Moving Toward Description Logic Programs
The MITRE Corporation（MITRE公司）
出现在逻辑编程理论与实践（TPLP），2008年。我们正在研究语义Web的规则和本体层之间的交互，通过比较两种选择：1）使用OWL及其规则扩展SWRL来开发集成的本体/规则语言，以及2）使用RuleML和OWL在本体之上分层规则。为此，我们正在开发的SWORIER系统，它使有效的本体和规则的自动推理，通过将所有这些翻译成Prolog，并添加一组一般规则，正确捕捉OWL的语义。我们还使用户能够在运行时间进行动态更改。这项工作解决了几个问题，在以前的工作中表示，如否定，互补类，析取头，和基数，它讨论了处理知识库中的不一致的替代方法。此外，为了提高效率，我们实现了称为扩展的技术，避免重新分析和代码最小化。
2007-11-21 cs.AI
Retrieval-Augmented Generation of Ontologies from Relational Databases
Institute for Artificial Intelligence, University of Stuttgart（人工智能研究所，斯图加特大学）；University of Southampton（南安普顿大学）；Universitätsklinikum Leipzig（莱比锡大学医院）
研究从关系数据库生成语义丰富的OWL2DL本体的问题，提出RIGOR方法，通过大语言模型驱动，从多源检索并迭代生成本体片段，经验证和纠正后集成，实验表明该方法优于基线且无需人工监督。
2026-07-28 cs.AI cs.DB
Syntactic Simplification of OWL Class Expressions
Paderborn University（帕德博恩大学）；Department of Computer Science（计算机科学系）
本文提出用于描述逻辑类表达式句法简化的新型算法CES，在两个中等规模本体的类表达式上验证其可提升推理效率、降低冗长度，该算法在OWLAPY框架中实现，推动本体驱动应用的可访问性等。
2026-08-20 cs.AI
Extending planning knowledge using ontologies for goal opportunities
Universitat Politècnica de València（瓦伦西亚理工大学）
以目标为导向的行为方法包括在线规划和机会主义规划，通过生成替代目标来避免失败或抓住机会，从而应对环境的变化。然而，当前的方法仅解决与正在解决的规划任务中已经定义的对象或对象类型相关的未预期的变化。本文描述了一种独立于领域的方法，通过扩展具有新类型的相关对象的规划任务的知识来推进最新技术。该方法利用本体，语义措施，本体对齐，以适应新获得的数据，触发制定目标的机会，诱导一个更好的价值计划。
2019-04-07 cs.AI
Competency Questions and SPARQL-OWL Queries Dataset and Analysis
Poznan University of Technology（波兹南理工大学）；University of Cape Town（开普敦大学）
能力问题（CQ）是一种自然语言问题，它概括和约束了本体所表示的知识范围。尽管CQ是几种本体工程方法的一部分，但我们已经观察到，可用本体的CQ的实际发布非常有限，甚至更少的是它们各自形式化的发布，例如，SPARQL查询。本文旨在解决使用CQ在本体开发中的工程缺陷，以促进CQ的更广泛的使用。为了了解CQ和本体查询之间的关系，以测试本体上的CQ，我们收集，分析，并公开发布了一组234 CQ和他们的翻译SPARQL-OWL的几个本体在不同领域开发的不同团体。我们主要从两个方面分析了CQ。第一阶段集中于对自然语言文本本身的语言学分析，即，没有任何本体元素的前提的词汇-句法分析，以及随后的语义分析步骤，以便找到模式。CQ源的这种增加的多样性导致迄今为止公布的模式增加了5倍，达到106个不同的CQ模式，这些模式具有跨来自不同本体的CQ集共享的少数模式的有限子集。接下来，我们分析了所发现的CQ模式和46个SPARQL-OWL查询签名之间的关系，这表明一个CQ模式可以由多个SPARQL-OWL查询签名实现，反之亦然。我们希望我们的工作将有助于建立通用实践、模板、自动化和用户工具，以支持CQ制定、形式化、执行和一般管理。
2018-11-23 cs.AI cs.CL cs.DB
Transforming UNL graphs in OWL representations
从自然语言中提取形式知识（本体）是一个挑战，它可以在语义层面上从文本的（半）形式语言表示中受益。我们建议通过在RDF之上实现通用网络语言（UNL）规范来实现这样的表示。因此，任何语言中的语句的含义都将被合理地表达为RDF-UNL图，该图构成了自然语言和形式知识之间的中间地带。特别是，我们证明了RDF-UNL图可以支持使用通用SHACL规则的内容提取，并且对提取的事实进行推理可以检测原始文本中的不一致性。这种方法是实验在UNSEL项目，旨在提取本体表示系统的要求/规格，以检查它们是一致的，完整的和明确的。我们的RDF-UNL实现和本文工作示例的所有代码都可以在CeCILL-B许可证下在https://gitlab.tetras-libre.fr/unl/rdf-unl上公开获得
2022-01-13 cs.AI
User and Developer Interaction with Editable and Readable Ontologies
Newcastle University（纽卡斯尔大学）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）
构建本体的过程是一项艰巨的任务，涉及本体开发人员和领域专家之间的合作，并需要他们之间的持续互动。这种协作变得更加困难，因为他们倾向于使用不同的工具集，这可能会阻碍这种交互。在本文中，我们建议通过创建更具可读性的本体形式来减少领域专家和本体开发人员之间的距离，并进一步在正常的办公环境中进行编辑。基于编程本体开发环境（如Tawny-OWL），我们现在能够从原始本体源及其嵌入的注释中生成这些可读/可编辑的内容。我们将其翻译为HTML以供阅读;该环境提供了丰富的超链接以及活动功能，例如隐藏源代码以支持注释。我们现在正致力于翻译成一个Word文档，也可以编辑。两者合计，这应该提供一个显着的本体和领域专家之间的合作新途径。
2017-09-28 cs.AI
A context-aware knowledge acquisition for planning applications using ontologies
Universitat Politècnica de València（瓦伦西亚理工大学）
自动规划技术得到了长足的发展。设计一个规划模型，使自动代理能够在真实的执行环境中智能地对意外事件做出反应，仍然是一个挑战。本文描述了一种域独立的方法，允许代理对其执行环境和任务进行上下文感知，获取保证相关且更重要的是可管理的新信息，并通过使用本体和语义操作将这些信息集成到其模型中，以自主地制定新目标，从而导致在机会的背景下处理意外事件的更像人类的行为。
2019-04-19 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
OWLOOP: A Modular API to Describe OWL Axioms in OOP Objects Hierarchies
University of Genoa（热那亚大学）；Teseo s.r.l.（Teseo有限公司）
OWLOOP是一个应用程序编程接口（API），用于通过面向对象编程（OOP）的方式使用本体Web语言（OWL）。通常使用OOP范式设计软件架构以增加其模块性。如果体系结构的组件也利用OWL本体进行知识表示和推理，则它们需要与OWL公理接口。由于OWL不遵循OOP范式，这样的接口通常会导致影响模块化的样板代码，而OWLOOP旨在解决这个问题以及相关的计算方面。我们提出了一个扩展的OWL-API提供一个通用的接口之间的OWL公理推理和模块化的OOP对象层次结构。
2021-12-31 cs.AI cs.LO cs.SE
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
The Semantic Web Rule Language Expressiveness Extensions-A Survey
The University of Nottingham（诺丁汉大学）；Crops For the Future（未来作物研究所）；The University of the West of England（西英格兰大学）
语义Web规则语言（SWRL）是OWL 2 DL的直接扩展，具有RuleML的子集，它被设计为语义Web的规则语言。本文探讨了国家的最先进的SWRL的表现力扩展提出了一段时间。作为一个动机，SWRL/OWL组合在建模领域事实的有效性进行了讨论，同时也突出了一些共同的表达限制的组合。然后，本文分类，并提出了相关的语言扩展的SWRL和他们增加的表达能力，原来的SWRL定义。此外，它提供了一个比较分析的语法和语义的建议扩展。总之，可判定性的要求和可用性的每个表达扩展进行评估，以有效地纳入OWL本体。
2019-03-27 cs.AI
Computing CQ lower-bounds over OWL 2 through approximation to RSA
University of Oxford（牛津大学）
知识库上的连接查询应答是一个重要的推理任务。然而，使用诸如OWL的表达性本体语言，查询应答在计算上非常昂贵。PAGODA系统通过使用一个易于处理的推理器来计算下限和上限近似值来解决这个问题，只有当这些界限不一致时才返回到一个完全成熟的OWL推理器。这种方法的有效性关键取决于近似的质量，在本文中，我们探讨了一种通过RSA计算更接近近似的技术，RSA是一种本体语言，它包含了所有的OWL 2配置文件，同时仍然保持易处理性。我们提出了一种新的近似OWL 2本体到RSA，和一个算法来计算一个更接近（比PAGODA）下界近似使用RSA组合的方法。我们已经实现了这些算法在一个原型的CQ应答系统，我们提出了一个初步的评估，我们的系统，表现出显着的性能改进w.r.t.塔
2021-07-01 cs.AI cs.LO
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
FT-SWRL: A Fuzzy-Temporal Extension of Semantic Web Rule Language
Crops For the Future Research Centre（未来作物研究中心）；University of the West of England, Bristol（西英格兰大学布里斯托尔分校）
我们提出，FT-SWRL，一个模糊的语义Web规则语言（SWRL）的时间扩展，它结合了模糊理论的基础上的有效时间的时间模型提供了一个标准的方法建模不精确的时间域知识的OWL本体。该建议引入了一个模糊的时间模型的语义Web，这是在语法上定义为一个模糊的时间SWRL本体（SWRL-FTO）与一组新的模糊的时间SWRL内置的定义其语义。的SWRL-FTO分层定义必要的语言术语和变量的模糊时间模型。一个例子模型演示的有用性的模糊时间SWRL内置模型不精确的时间信息也表示。进一步讨论了基于区间时态逻辑的模糊化过程，作为我们的FT-SWRL规则的推理范式，目的是实现一个完整的基于OWL的模糊时态推理。文献回顾模糊时间表示的方法，无论是在和不使用本体，导致的结论是，FT-SWRL模型可以authoritarily作为一个正式的规范处理不精确的时间表达的语义Web。
2019-11-27 cs.AI
DeFind: A Protege Plugin for Computing Concept Definitions in EL Ontologies
Institute of Mathematics, Novosibirsk State University（新西伯利亚国立大学数学研究所）；Institute of Informatics Systems, Novosibirsk State University（新西伯利亚国立大学信息系统研究所）
我们介绍了一个扩展的Protege本体编辑器，它允许发现概念定义，这是不明确存在的公理，但逻辑上隐含的本体。该插件支持在描述逻辑EL中制定的本体，该描述逻辑EL支持Web本体语言的OWL 2 EL配置文件，尽管其有限的表达能力捕获了Web上发布的大多数生物医学本体。所开发的工具允许验证是否可以使用用户指定的感兴趣的词汇定义一个概念。特别是，它允许决定是否可以省略一些词汇项目在制定一个复杂的概念。相应的定义被呈现给用户，并被提供有由本体推理器生成的解释。
2018-10-10 cs.AI cs.LO
OntoVerbal: a Generic Tool and Practical Application to SNOMED CT
King's College London（伦敦国王学院）；University of Sussex（苏塞克斯大学）；The University of Manchester（曼彻斯特大学）
本体开发是一项重要的任务，需要所选本体语言的专业知识。我们提出了一种方法，使本体的内容更加透明，通过使用自然语言生成，本体类的自然描述文本段落。该方法已在一个概念验证系统OntoVerbal中实现，该系统自动生成OWL中表达的本体类的段落大小的文本描述。OntoVerbal已被应用到可以加载到Protégé的本体，并与SNOMED CT进行了评估，表明它提供了连贯的，结构良好的和准确的本体类的文本描述。
2013-12-10 cs.AI
Exact Learning of Lightweight Description Logic Ontologies
University of Liverpool（利物浦大学）；University of Bremen（不来梅大学）
我们研究的问题，学习描述逻辑（DL）本体在Angluin等人。的框架通过查询精确学习。我们承认成员查询（“是一个给定的包容所涉及的目标本体？“）和等价查询（“给定本体是否等价于目标本体？").我们提出了三个主要结果：（1）在描述逻辑DL-Lite（的两个相关版本）中制定的本体可以用多项式大小的多项式多个查询来学习;（2）对于在描述逻辑EL中制定的本体来说，情况并非如此，即使当仅允许非循环本体时也是如此;以及（3）在与web本体语言OWL 2 RL相关的EL的片段中制定的本体可以在多项式时间中学习。我们还表明，无论是成员资格或等价查询单独是不够的情况下（1）和（3）。
2017-09-20 cs.AI cs.LG cs.LO
CQE in OWL 2 QL: A "Longest Honeymoon" Approach (extended version)
Università di Napoli Federico II（那不勒斯费德里科二世大学）；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（波尔多计算机科学实验室）；Sapienza Università di Roma（罗马第一大学）；Università degli Studi di Bergamo（贝加莫大学）
受控查询评估（CQE）最近已经在语义Web本体的上下文中进行了研究。CQE的目标是隐藏一些查询答案，以防止外部用户推断机密信息。一般来说，存在多种相互不可比的隐藏答案的方法，并且先前的CQE方法预先选择哪些答案是可见的，哪些答案是不可见的。在本文中，相反，我们研究了一个动态的CQE方法，即，我们建议改变答案的基础上评价以前的当前查询。我们的目标是一个系统，除了能够保护机密数据，是最大限度地合作，这直观地意味着它肯定地回答尽可能多的查询，它通过尽可能多地延迟答案修改来实现这一目标。我们还表明，我们得到的行为不能通过静态的方法，独立于查询历史的内涵模拟。有趣的是，对于OWL 2 QL本体和通过拒绝表示的策略，在我们的语义下的查询评估是一阶的，因此在数据复杂度上是AC0。这为开发实用算法铺平了道路，本文也对此进行了初步探讨。
2022-07-22 cs.AI cs.DB
Bridging the gap between Legal Practitioners and Knowledge Engineers using semi-formal KR
Freie Universitaet Berlin（柏林自由大学）
在OMG语义和业务词汇表示（SBVR）中，已经提出使用结构化英语作为非技术用户在业务规则表示中的计算独立的知识表示格式。在法律领域，我们面临着类似的问题。正式的表示语言，如OASIS LegalRuleML和法律本体（LKIF，法律OWL2本体等）支持技术知识工程师和自动推理。但是，没有计算机科学背景的法律领域专家很难直接使用它们。在本文中，我们适应SBVR结构化英语方法的法律领域，并实现了一个概念验证，称为KR4IPLaw，这使法律领域的专家，以代表他们的知识结构化英语在计算独立，因此，对他们来说，更有用的方式。这种方法的好处是，结构化英语方法的底层预定义语义使得转换为形式语言（如OASISLegalRuleML和OWL2本体）成为可能。我们在专利法领域采用我们的方法。
2014-05-31 cs.AI cs.CL
Ontology Development is Consensus Creation, Not (Merely) Representation
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）；University College London（伦敦大学学院）
本体开发方法强调从领域专家和文献资源中收集知识，并使用本体语言（如OWL或FOL）进行知识表示。然而，工作中的本体学家经常惊讶于开发本体的挑战性和缓慢性。在这里，特别强调的种类的本体是内容繁重，并打算在一个社区的用户（参考本体）共享，我们提出了一个重要的，迄今为止强调不足的贡献者的挑战，在本体开发过程中需要创建，或带来，在面对分歧的共识。由于这个原因，参考本体的开发不能自动化，至少在现有的人工智能方法的限制。此外，出于同样的原因，本体论者被要求具有特定的社会谈判技能，这是目前大多数技术课程所缺乏的。
2022-10-21 cs.AI
