TextMineX: Data, Evaluation Framework and Ontology-guided LLM Pipeline for Humanitarian Mine Action
NEC Laboratories Europe(NEC欧洲实验室);University of Stuttgart(斯图加特大学);VAGO Solutions(VAGO解决方案);Zurich University of Applied Sciences(苏黎世应用科学大学);CAIR, Ss. Cyril and Methodius University of Skopje, North Macedonia(CAIR,斯科普耶塞尔维亚·梅托迪乌斯大学,北马其顿)
TextMineX通过构建首个HMA领域数据集和基于本体的LLM流水线,提升文本中领域知识的提取准确性与一致性。
2026-01-27 cs.AI cs.CL
The Mercurial Top-Level Ontology of Large Language Models
Institute of Intelligent Cooperating Systems, Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学智能协作系统研究所)
本文以ChatGPT 3.5为例,系统分析大语言模型生成文本中隐含的本体论承诺,提出其顶层本体论及OWL分类体系,并指出其与现有顶层本体论的相似性及存在的过载、歧义和不一致等挑战。
2024-04-26 cs.AI cs.CL
DLOLIS-A: Description Logic based Text Ontology Learning
DA-IICT(印度信息技术学院)
本体学习在过去的十年里一直是深入研究的主题。在这一领域的研究人员一直受到激励的可能性,自动建立一个知识库的顶部的文本文件,以支持推理为基础的知识提取。虽然这一领域的大多数工作主要是统计的(称为轻量级本体学习),但在从自然语言文本文档中进行公理化本体学习(称为重量级本体学习)方面没有进行太多尝试。与统计本体学习相比,重量级本体学习支持更精确的基于形式逻辑的推理。本文提出了一个良好的本体学习工具DLOL_(IS-A),它将英语IS-A语句映射成其等价的描述逻辑表达式,自动生成一对一致的T-box和A-box,从而形成规则(定义形式)和广义(公理形式)的描述逻辑本体。本文目前的研究范围仅限于IS-A句,排除了以下可能的结构:(i)隐含IS-A句,(ii)“Wh”IS-A疑问句。其他语言的细微差别,产生了语用学和认知的是-A句超出了本工作的范围。我们采用了黄金标准的本体学习评估选择IS-A丰富的维基百科文档。
2013-03-24 cs.AI
Ontology Memory-Augmented ASR Correction for Long Text-Speech Interleaved Conversations
Institute of Computing and Intelligence, Harbin Institute of Technology (Shenzhen), China(哈尔滨工业大学(深圳)计算与智能研究所);Shenzhen Loop Area Institute (SLAI), China(深圳环域研究所)
提出本体记忆增强的ASR校正框架,通过动态更新本体记忆存储实体、术语、变体、混淆和语义关系,解决长文本-语音交错对话中的上下文校正问题,在RAMC-Corr数据集上优于直接校正。
2026-06-15 cs.AI cs.CL
Formal Ontology Learning from English IS-A Sentences
Rygbee;University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);DA-IICT;University of Bonn(波恩大学)
本体学习(OL)是从纯文本文档自动生成本体知识库的过程。在本文中,我们提出了一个新的本体学习方法和工具,称为DLOL,它产生一个知识库中的描述逻辑(DL)SHOQ(D)从收集的事实非否定的IS-A句子的英语。我们提供了广泛的实验结果DLOL的准确性,实验比较三个国家的最先进的现有OL工具,即Text 2 Onto,FRED和LEXO。在这里,我们使用标准的OL准确性措施,称为词汇准确性,和一种新的OL准确性措施,称为基于实例的推理模型。在我们的实验结果中,DLOL分别比其他三种方法中最好的方法好21%和46%。
2018-02-11 cs.AI cs.CL
LLM-Guided Ontology-Driven Knowledge Graph Construction from Unstructured Text
Institute for Technological Research - IRT SystemX(技术研究院——IRT SystemX)
本文提出一种结合开源大语言模型、可复用提示策略和开放知识库的本体学习流水线,用于从非结构化工业文本构建知识图谱,并在法语电网事故报告上验证了其有效性与泛化能力。
2026-09-29 cs.CL
Ontology Based SMS Controller for Smart Phones
King Abdulaziz University(阿卜杜勒阿齐兹国王大学);National University of Computer and Emerging Sciences(国家计算机与新兴科学大学)
文本分析包括文本的词法分析,并且已经被广泛地研究和用于各种应用。在过去的十年中,研究人员提出了许多有效的解决方案来分析/分类大文本数据集,然而,分析/分类短文本仍然是一个挑战,因为1)数据非常稀疏2)它包含噪声词3)很难理解文本的句法结构。短消息服务(SMS)是一种用于移动/智能手机的文本消息服务,该服务经常被所有移动用户使用。由于短信服务的普及,营销公司现在也使用这种服务进行直接营销也被称为短信营销。本文提出了基于本体的短信控制器,它分析短信,并使用本体分类它是合法的还是垃圾邮件。该系统已在不同的场景和实验结果进行了测试,表明所提出的解决方案是有效的,无论是在效率和时间。
2015-09-04 cs.AI
Enacting textual entailment and ontologies for automated essay grading in chemical domain
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学)
我们提出了一个系统,自动论文评分使用本体论和文本蕴涵。文本蕴涵的过程是由假设指导的,这些假设是从领域本体中提取的。文本蕴涵检查假设的真实性是否来自给定的文本。我们制定文本蕴涵比较学生的答案,从本体获得的模型答案。我们验证了解决方案对各种论文写的学生在化学领域。
2015-11-09 cs.AI cs.CL
KNOW: A Real-World Ontology for Knowledge Capture with Large Language Models
Haltia, Inc.(哈尔蒂亚公司)
提出首个真实世界本体 KNOW,通过捕获人类生活普遍知识增强大语言模型,并提供 12 种编程语言库以促进 AI 互操作性与开发体验。
2024-05-30 cs.AI cs.CL
Text-to-SQL Task-oriented Dialogue Ontology Construction
Heinrich Heine University Düsseldorf(海因里希-海涅大学杜塞尔多夫)
TeQoDO通过LLM自主构建面向任务的对话本体,结合模块化TOD系统概念,提升对话系统的可解释性和可控性。
2025-12-19 cs.AI cs.CL cs.DB
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
Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management
Yonyou AI Lab(用友人工智能实验室);Yonyou Network Technology Co., Ltd.(用友网络技术有限公司)
本文提出大型本体模型(LOM),通过构建、对齐和推理框架,实现企业知识管理中多源异构数据的整合与复杂语义推理,实验表明其在复杂图推理任务中表现优于现有模型。
2026-01-18 cs.AI cs.CL cs.LG
How Does A Text Preprocessing Pipeline Affect Ontology Matching?
Australian National University(澳大利亚国立大学);Monash University(莫纳什大学)
本文研究了文本预处理流程对本体匹配的影响,发现阶段1的分词和标准化比阶段2的停用词去除和词干提取更有效,并提出两种修复虚假映射的新方法。
2026-05-07 cs.CL cs.IR
An Automatic Ontology Generation Framework with An Organizational Perspective
Virginia Commonwealth University(弗吉尼亚联邦大学);University of Sydney(悉尼大学)
本体以其知识的语义表示而闻名。本体不能自动演变以反映在各个域中发生的更新。为了解决这个问题,研究人员呼吁从非结构化文本语料库中自动生成本体。不幸的是,旨在从非结构化文本语料库中生成本体的系统是特定领域的,需要人工干预。此外,他们遭受的不确定性,创造概念的联系和困难,找到公理相同的概念。知识图谱(KGs)已经成为知识动态表示的一个强大模型。然而,幼儿园有许多质量限制,需要广泛改进。本研究旨在发展一个新的领域无关本体自动生成框架,将非结构化的文本语料转换为领域一致的本体形式。该框架从非结构化文本语料库中生成知识库,并对其进行改进和校正,使其与领域本体保持一致。所提出的自动生成的本体的力量是,它集成了知识库的动态特征和本体的质量特征。
2022-01-15 cs.AI
Ontology-supported processing of clinical text using medical knowledge integration for multi-label classification of diagnosis coding
King Mongkut’s University of Technology North Bangkok(曼谷北部金蒙固科技大学);Suan Sunandha Rajabhat University(素安塔尼皇家大学)
为了改进基于机器学习的多标签编码分配系统,讨论了从分布式医学本体中提取的临床信息的知识集成。所提出的方法是使用一个基于决策树的级联层次技术的大学医院数据的冠心病(CHD)患者。初步结果表明,结果令人满意。
2010-04-08 cs.AI cs.LG
Towards Self-explanatory Ontology Visualization with Contextual Verbalization
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)
本体是语义网的核心基础之一。要参与语义Web项目,领域专家需要能够理解所涉及的本体。可视化符号可以提供本体的概述,并帮助用户理解实体之间的联系。然而,用户首先需要学习视觉符号,然后才能正确地解释它。受控的自然语言表示将是立即可读的,并且在复杂公理的情况下可能是优选的,然而,本体的结构将保持不太明显。我们建议结合本体可视化与上下文本体verbalizations选定的本体(图)元素,显示控制自然语言(CNL)解释OWL公理对应于选定的视觉符号元素。因此,领域专家将受益于图形符号提供的高级概述和图中特定元素的详细文本解释。
2016-07-06 cs.AI cs.CL
Meronymic Ontology Extraction via Large Language Models
Imperial College London(帝国理工学院伦敦分校);Sapienza University of Rome(罗马大学萨皮恩扎分校);King’s College London(伦敦国王学院)
本文提出利用大语言模型从评论文本中全自动抽取商品整体-部分本体,并通过LLM评判证明其效果优于基于BERT的基线方法,为LLMs在本体抽取中的广泛应用奠定基础。
2025-11-09 cs.AI cs.CL
From Textual Information Sources to Linked Data in the Agatha Project
Universidade de Évora(埃武拉大学)
文本信息的自动推理是现代自然语言处理(NLP)系统中的一项具有挑战性的任务。在这项工作中,我们描述了我们的建议,通过关联数据,如本体论和同义词表示和推理葡萄牙文文件。我们的方法诉诸于一个专门的管道自然语言处理(部分的语音标签,命名实体识别,语义角色标注)填充本体的刑事调查领域。所提供的架构和本体是语言独立的。虽然一些NLP模块是依赖于语言的,但它们可以使用适当的AI方法来构建。
2019-09-03 cs.AI cs.CL
UMCR: Universal Medical Concept Recognition through Guideline Integration and Agentic Linking
Polytechnique Montréal(蒙特利尔理工学院);Mila – Quebec AI Institute(米拉-魁北克人工智能研究所)
UMCR是一种通过指南整合与智能体链接实现的通用医学概念识别方法,可适配任意目标本体与源文本类型,在MedPath基准上表现出色,提升了医疗领域互操作性并降低对LLM记忆的依赖。
2026-10-14 cs.CL
Ontology-Based Query Expansion with Latently Related Named Entities for Semantic Text Search
Ho Chi Minh City University of Technology(胡志明市理工大学)
传统的信息检索系统通过关键字集合来表示文档和查询。然而,文档或查询的内容主要由其中出现的关键字和命名实体定义。命名实体具有本体特征,即它们的别名、类和标识符,这些特征从它们的文本外观中隐藏。此外,查询的含义可能隐含与查询中的显式实体相关的潜在命名实体。提出了一种基于本体的广义向量空间模型来进行语义文本搜索。它利用命名实体及其潜在相关实体的本体特征来揭示文档和查询的语义。我们还提出了一个框架,结合不同的本体,以发挥其互补优势的语义标注和搜索。在基准数据集上的实验表明,我们的模型比其他模型具有更好的搜索质量。
2018-07-15 cs.AI cs.IR
Ontology Learning and Knowledge Graph Construction: A Comparison of Approaches and Their Impact on RAG Performance
本文比较了不同知识图谱构建策略对RAG性能的影响,发现融合文本块信息的本体引导知识图谱性能优于向量检索基线,且基于关系数据库构建的本体引导知识图谱在性能相当的同时,具有降低LLM使用成本和避免本体合并复杂性的双重优势。
2025-11-08 cs.AI cs.IR
Ontology-based Interpretable Machine Learning for Textual Data
New Jersey Institute of Technology(新泽西理工学院);Wells Fargo Bank(富国银行);University of Oregon(俄勒冈大学)
在本文中,我们介绍了一种新的解释框架,学习一个可解释的模型的基础上,基于本体的抽样技术来解释不可知的预测模型。与现有的方法不同,我们的算法考虑上下文之间的相关性,领域知识本体中描述的词,生成语义解释。为了缩小解释的搜索空间,这是长而复杂的文本数据的主要问题,我们设计了一个可学习的锚算法,以更好地提取局部解释。进一步介绍了一套规则,关于结合学习可解释的表征与锚,以产生可理解的语义解释。在两个真实数据集上进行的广泛实验表明,与基线方法相比,我们的方法可以生成更精确和更有见地的解释。
2020-04-01 cs.AI cs.LG stat.ML
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
Ontology Population using LLMs
Kansas State University(堪萨斯州立大学);Wright State University(莱特州立大学)
本研究针对知识图谱填充成本高、非结构化文本提取难的问题,探究大语言模型结合提示工程与模块化本体的应用效果,发现其在Enslaved.org中心本体任务中可提取约90%的基准三元组。
2024-11-03 cs.AI cs.CL
Distributional semantic modeling: a revised technique to train term/word vector space models applying the ontology-related approach
受最近的本体相关方法(使用不同类型的上下文知识,如句法知识、术语知识、语义知识等)的启发,我们设计了一种基于神经网络的分布式语义建模方法--术语向量空间模型。能够识别术语(术语抽取)和它们之间的关系(关系抽取)的技术称为语义预处理技术-- SPT。我们的方法依赖于从自然语言文本中自动提取术语,并随后形成面向问题或面向应用(也有深度注释)的文本语料库,其中基本实体是术语(包括非成分和成分术语)。这给了我们一个从分布式词表示(或词嵌入)转换到分布式词表示(或词嵌入)的机会。这种转换将允许生成不同主题域的更准确的语义映射(也是输入术语之间的关系-这对于探索集群和对立或测试您对它们的假设很有用)。语义映射可以使用Vec 2graph表示为一个图,Vec 2graph是一个Python库,用于将词嵌入(在本例中为术语嵌入)可视化为动态和交互式图。结合术语嵌入的Vec 2graph库不仅可以提高解决标准NLP任务的准确性,还可以更新自动化本体开发的传统概念。我们工作的主要实际成果是开发工具包(表示为Web服务API和Web应用程序的工具包集),它提供了所有必要的例程,用于基本的语言预处理和乌克兰语自然语言文本的语义预处理,用于将来的术语向量空间模型的训练。
2020-03-06 cs.AI cs.CL
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
Ontology-Constrained Generation of Domain-Specific Clinical Summaries
Polytechnique Montreal(蒙特利尔理工学院);LAMA-WeST
本文提出利用本体引导的约束解码方法生成领域特定的临床摘要,在MIMIC-III数据集上验证了该方法能减少幻觉并提升电子健康记录摘要的领域相关性。
2024-11-23 cs.AI cs.CL
Building Large Lexicalized Ontologies from Text: a Use Case in Automatic Indexing of Biotechnology Patents
INRA(法国国家农业研究院)
本文介绍了一个工具,TyDI,并在建立一个术语本体,即一个词汇化的本体,旨在细粒度的索引语义搜索应用程序的方法进行了实验。TyDI为知识工程师和领域专家提供了有效协作的工具,以验证,组织和概念化语料库提取的术语。一个生物技术专利搜索的用例展示了TyDI的潜力。
2020-10-02 cs.AI cs.CL cs.IR
NCBO Ontology Recommender 2.0: An Enhanced Approach for Biomedical Ontology Recommendation
University of A Coruña(拉科鲁尼亚大学);University of Montpellier(蒙彼利埃大学)
生物医学研究人员使用本体来用本体术语注释他们的数据,从而实现更好的数据集成和互操作性。然而,当前生物医学本体的数量、种类和复杂性使得研究人员难以确定哪些本体可以重新用于他们的特定需求。为了克服这个问题,2010年,国家生物医学本体中心(NCBO)发布了本体推荐器,这是一种接收生物医学文本语料库或关键字列表并建议适合引用指定术语的本体的服务。我们开发了一个新版本的NCBO本体推荐。该系统采用了一种新的推荐方法,根据以下四个标准来评估本体与生物医学文本数据的相关性:(1)本体覆盖输入数据的程度;(2)本体在生物医学界的接受程度;(3)本体类覆盖输入数据的详细程度;(4)本体类在生物医学领域的应用程度。以及(4)本体到输入数据的域的专门化。我们的评估表明,增强的推荐提供了更高质量的建议比原来的方法,提供更好的覆盖范围的输入数据,更详细的信息,他们的概念,增加专业化的领域的输入数据,并在社区中更大的接受和使用。此外,它还为用户提供了更多的解释性信息,以及不仅是单个本体,而且是本体组的建议。它还可以定制以适应不同场景的需求。Ontology Recommender 2.0结合了其前身的优势,并进行了一系列调整和新功能,以提高其可靠性和实用性。Ontology Recommender 2.0从NCBO BioPortal平台推荐了500多个生物医学本体,在那里它是公开的。
2017-05-25 cs.AI cs.IR
Automated Tree Knowledge Graph Construction using Ontology Expansion and Retrieval from Vietnamese History Textbooks
The University of Danang(岘港大学);Vietnam-Korea University of Information and Communication Technology(越南-韩国信息与通信技术大学)
本文针对低资源语言越南语,提出端到端树状知识图谱构建与检索评估流水线,构建了含750节点的知识图谱,其自上而下图遍历策略在NDCG@10上超基线4.7个百分点。
2026-09-02 cs.AI
Ontology Verbalization using Semantic-Refinement
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
我们提出了一种基于规则的技术来产生冗余-OWL实体的自由NL描述。现有的解决OWL本体语言化问题的方法生成的NL文本片段与对应的OWL语句接近。其中一些方法还对这些NL文本片段进行分组和聚合,以生成更流畅和更全面的内容形式。将我们的注意力限制在对个体的描述上,我们发现,目前可用的工具所遵循的方法是确定给定的个体/概念名称所满足的所有逻辑条件的集合,并将这些条件逐字翻译成相应的NL描述。这种描述的人类可理解性受到重复和冗余的影响,因为它们对它们的OWL表示具有高度的保真度。在文献中,在生成实体的NL描述之前,没有努力去除逻辑级的冗余和重复,并且我们发现这是所生成的文本缺乏可读性的主要原因。在此,我们提出了一种称为语义细化(SR)的技术来生成给定OWLontology的个人和概念的有意义和易于理解的描述。我们识别OWL/DL结构导致重复/冗余的描述,并提出了一系列细化规则,以保持意义的方式重写个体/概念所满足的条件。然后,将缩减的条件集用于生成NL描述。我们的实验表明,SR导致显着改善本体实体的描述。我们还测试了生成的描述的有效性和有用性,验证本体的目的,并发现所提出的技术确实是有帮助的上下文中。
2016-10-31 cs.AI cs.CL
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
Ontology-Enhanced Knowledge Graph Completion using Large Language Models
Tianjin University, College of Intelligence and Computing(天津大学智能与计算学院);University of Manchester, Department of Computer Science(曼彻斯特大学计算机科学系)
本文提出 OL-KGC,通过神经感知嵌入结构信息并自动抽取、文本化本体知识以引导 LLM 推理,在三个基准上达到最先进 KGC 性能。
2025-10-21 cs.AI cs.CL
APOLO: Automatic Prompt Optimization for Ontology Learning
Bosch Center for Artificial Intelligence(博世人工智能中心);Bosch Research North America(博世北美研究院);University of Mannheim(曼海姆大学);University of Würzburg(维尔茨堡大学)
本文提出APOLO,将本体学习转化为提示优化问题,利用多智能体生成训练数据,并采用贪婪与自回归两种学习器,经GEPA优化后在生物医学和植物本体上均获提升,证明提示优化是微调的轻量级替代方案。
2026-10-21 cs.AI
Extracting ontology-compliant knowledge from scientific text describing irradiated materials using large language models
IBM Research(IBM研究院);Univ. of Granada, Spain(格拉纳达大学);IFMIF DONES, Spain(IFMIF DONES);Instituto de Ciencia de Materiales de Madrid (ICMM)(马德里材料科学研究所);CSIC, Spain(西班牙国家研究委员会);Universidad de Alicante, Spain(阿利坎特大学)
本文提出eolas模块化流水线,利用大语言模型自动将科学文献转换为符合指定本体的知识图谱,并在辐照材料领域验证其高效性,同时引入首个基准数据集,通过168个实验总结出实用指南。
2026-09-16 cs.AI
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
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
Ontology-enhanced Prompt-tuning for Few-shot Learning
Zhejiang University(浙江大学);AZFT Joint Lab for Knowledge Engine(AZFT知识引擎联合实验室);Hangzhou Innovation Center(杭州创新中心);Alibaba Group(阿里巴巴集团);Tecent(腾讯)
少样本学习(FSL)的目标是基于有限数量的样本进行预测。知识图谱和本体库等结构化数据已被用于各种任务中的Few-Shot设置。然而,现有方法所采用的先验知识存在知识缺失、知识噪声和知识异构等问题,影响了少样本学习的性能。在这项研究中,我们探索知识注入FSL与预先训练的语言模型,并提出本体增强提示微调(OntoPrompt)。具体来说,我们开发了基于外部知识图谱的本体转换,以解决知识缺失的问题,实现了结构化知识到文本的转换。我们进一步引入跨度敏感的知识注入,通过一个可见的矩阵来选择有用的知识来处理知识噪声问题。为了弥合知识和文本之间的差距,我们提出了一个集体训练算法来共同优化表示。我们评估我们提出的OntoPrompt在三个任务,包括关系抽取,事件抽取,和知识图谱完成,八个数据集。实验结果表明,我们的方法可以获得更好的Few-Shot性能比基线。
2022-01-27 cs.AI cs.CL cs.IR
Le terme et le concept : fondements d'une ontoterminologie
Laboratoire Listic(LISTIC实验室)
本体的大多数定义,被视为“概念化的规范”,同意这样一个事实,即如果本体可以采取不同的形式,它必然包括术语的词汇表和与域的概念化有关的意义的一些规范。而领域知识主要通过科技文本来表达,我们希望从中提取一些有用的信息来构建本体。但就这么简单吗?在这篇文章中,我们将看到词汇结构,即由语言关系连接的单词网络,不一定与领域概念化相匹配。我们必须记住,编写文档是文本语言学的关注点,其中一个原则是文本的不完整性,而构建本体-被视为独立于任务的知识-关注的是基于形式语言而不是自然语言的概念化。然而,著名的萨皮尔和沃尔夫关于思维和语言相互依赖的假设也适用于形式语言。这意味着构建本体和定义概念的方式直接取决于所使用的形式语言;并且结果将不相同。引入本体术语的概念,可以考虑到认识论的原则,为正式的本体论建设。
2008-01-08 cs.AI
OPAL: Ontology-Aware Pretrained Language Model for End-to-End Task-Oriented Dialogue
Shanghai Jiao Tong University(上海交通大学);AISpeech Co., Ltd.(思必驰有限公司)
提出了一种面向任务的端到端对话的本体感知预训练语言模型(OPAL)。与聊天对话模型不同,面向任务的对话模型至少实现两个特定于任务的模块:对话状态跟踪器(DST)和响应生成器(RG)。对话状态由域-槽-值三元组组成,作为用户搜索域相关数据库的约束条件。带有注释的结构化对话状态的大规模面向任务的对话数据通常是不可访问的。它阻碍了为面向任务的对话开发预先训练好的语言模型。我们提出了一个简单而有效的预训练方法来缓解这个问题,它包括两个预训练阶段。第一阶段是对大规模上下文文本数据进行预训练,其中文本的结构化信息由信息提取工具提取。为了弥合预训练方法和下游任务之间的差距,我们设计了两个预训练任务:类似本体的三重恢复和下一个文本生成,分别模拟DST和RG。第二阶段是根据TOD数据对预训练模型进行微调。实验结果表明,我们提出的方法取得了令人兴奋的提升,并获得竞争力的性能,即使没有任何TOD数据的CamRest 676和MultiWOZ基准。
2022-09-10 cs.CL
An Ontology Construction Approach for the Domain Of Poultry Science Using Protege
Narasu’s Sarathy Institute of Technology(纳拉苏萨拉蒂理工学院)
现有的信息检索系统主要是基于关键词的全文匹配或基于主题的分类。这种关键字匹配往往返回大量无关信息,这不符合用户的查询要求。为了解决这一问题,并利用语义环境增强搜索,本文实现了一种家禽领域的本体技术。本体是当前语义环境研究领域的一种新兴技术。本文使用Protege 4.0构建了家禽本体,并为家禽本体的Web应用生成了资源描述框架模式和XML脚本。
2013-02-21 cs.AI
Challenges for an Ontology of Artificial Intelligence
Belmont University(贝尔蒙特大学)
在制定对社会中日益普及和强大的人工智能(AI)应用的回应时,最重要的是本体论问题。例如:这些系统是什么?如何看待它们?一个算法如何被视为一个代理?我们讨论了三个阻碍讨论和模糊试图形成清晰的AI本体论的因素:(1)AI的各种和不断发展的定义,(2)现有技术被同化并被视为“正常”的趋势,以及(3)人类拟人化的趋势。这个列表并不打算是详尽的,也不被视为完全排除了一个明确的本体论,但是,这些挑战是一组必要的主题供考虑。这些因素中的每一个都被认为是一个供讨论的“移动目标”,这对人工智能系统开发的技术专家和非从业者都构成了挑战(例如,哲学家和神学家)有意义地说话,因为人工智能结构和能力的语料库正在快速发展。最后,我们提出了前进的途径,包括为哲学和科学学者提供合作合成的机会。
2019-02-25 cs.AI cs.CY
OntoMath${}^{\mathbf{PRO}}$ 2.0 Ontology: Updates of the Formal Model
Joint Supercomputer Center of the Russian Academy of Sciences(俄罗斯科学院联合超级计算机中心);Kazan Federal University(喀山联邦大学)
本文主要研究基于本体的数学知识管理与表示问题。主要关注的是在开放关联数据云中表示数学语句的正式模型的开发。该模型适用于从自然语言数学文本中提取数学事实并将这些事实表示为关联开放数据的应用程序。该模型用于开发一个新版本的OntoMath ${}^{\mathrm{PRO}}$本体的专业数学进行了说明。OntoMath ${}^{\mathrm{PRO}}$是一个语义发布平台的基础,该平台将LaTeX格式的数学论文集作为输入,并构建其基于本体的链接开放数据表示。语义发布平台又是OntoMath数字生态系统的核心组件,OntoMath数字生态系统是本体、文本分析工具和数学知识管理应用的生态系统,包括数学公式的语义搜索和数学论文的推荐系统。该模型将本体分为三层:基础本体层、领域本体层和语言层。领域本体层包含与语言无关的数学概念。语言层为这些概念提供语言基础,基础本体层为它们提供元本体注释。这些概念被组织在两个主要的层次结构中:对象的层次结构和具体化关系的层次结构。
2023-03-17 cs.AI cs.DL math.HO
Common Sense Knowledge, Ontology and Text Mining for Implicit Requirements
Montclair State University(蒙特克莱尔州立大学);Covenant University(圣约大学)
系统满足其需求的能力是成功的一个重要决定因素。因此,有效的需求规范是至关重要的。显式需求是系统执行的明确定义的需求。隐式需求(IMR)是一种假设的需求,虽然在需求收集过程中没有引出,但系统预计会满足这些需求。研究表明,软件系统故障的一个主要因素是存在未经处理的IMR。由于IMR的相关性对于有效的系统功能很重要,因此开发了一些方法来帮助识别和管理IMR。在本文中,我们强调,常识知识,在人工智能领域的知识表示,将是有用的自动识别和管理IMRs。本文的目的是确定IMR的来源,并提出一个自动化的支持工具,在组织范围内管理IMR。由于这是目前实践中的一个差距,我们的工作在这方面做出了贡献。我们提出了一种新的方法来识别和管理IMRs的基础上结合三个核心技术:常识知识,文本挖掘和本体。我们认为,发现和处理未知和非引出的需求将降低软件开发的风险和成本。
2021-03-21 cs.AI cs.SE
GPTON: Generative Pre-trained Transformers enhanced with Ontology Narration for accurate annotation of biological data
University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心);Yale University(耶鲁大学)
研究开发了GPTON,利用GPT-4进行本体叙述将结构化知识注入LLMs,为超68%的基因集实现了准确的文本与本体注释,人工评估证实其稳健性,有望显著推进生物医学研究。
2024-10-17 cs.AI q-bio.QM
Evo-DKD: Dual-Knowledge Decoding for Autonomous Ontology Evolution in Large Language Models
Radian Group Inc.(Radian集团);Sri Sivasubramaniya Nadar College Of Engineering(纳德工程学院)
研究针对本体和知识图谱进化难题,提出Evo-DKD双解码器框架,结合结构化遍历与非结构化推理,通过动态注意力机制协调,经模拟在单流模式下近似双解码,实验证明其在多领域用例中优于基线,为知识库维护提供新范式。
2026-07-28 cs.AI
From Business Events to Auditable Decisions: Ontology-Governed Graph Simulation for Enterprise AI
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LOM-action框架,通过本体引导的图模拟实现企业AI决策,确保决策基于模拟图而非无限制知识空间,提升决策可信度与可审计性。
2026-04-08 cs.AI cs.CL
Event extraction based on open information extraction and ontology
Ministry of Higher Education and Scientific Research(高等教育与科学研究部);University Tunis El manar(突尼斯埃尔马纳尔大学);Faculty of Sciences of Tunis(突尼斯理学院)
在这篇硕士论文中提出的工作包括提取一组事件从自然语言写的文本。为此,我们以信息抽取和开放式信息抽取的基本概念为基础。首先,我们采用了一个开放的信息抽取系统(OIE)进行关系抽取,突出了OIE在事件抽取中的重要性,并将本体用于事件建模。我们用测试指标测试了我们方法的结果。因此,两级事件提取方法表现出良好的性能结果,但需要大量的专家干预,在分类器的建设,这将需要时间。在这种情况下,我们提出了一种方法,减少了专家干预的关系抽取,识别的实体和推理是自动的,并基于技术的适应和通信。最后,为了证明提取结果的相关性,我们进行了一组实验,使用不同的测试指标以及比较研究。
2019-06-24 cs.AI cs.CL
Wikontic: Constructing Wikidata-Aligned, Ontology-Aware Knowledge Graphs with Large Language Models
Cognitive AI Systems Lab(认知人工智能系统实验室);Moscow Independent Research Institute of Artificial Intelligence(莫斯科独立人工智能研究所);London Institute for Mathematical Sciences(伦敦数学科学研究所)
Wikontic通过多阶段流程构建维基数据对齐、本体感知的知识图谱,提升KG质量并实现高效构建。
2026-01-29 cs.AI cs.CL cs.LG
Plant Memory: Technical Language Processing and a Verified Maintenance Ontology for Agent-Accessible Failure Knowledge from SAP PM Work Orders
Indian Institute of Technology Jodhpur(印度技术学院乔德普尔分校)
Plant Memory系统通过技术语言处理构建符合ISO 14224的维护本体,解决SAP PM工单故障知识不可用问题,实验显示其在故障知识提取和根本原因诊断上优于原始SAP数据。
2026-10-15 cs.AI cs.CL
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
Entity-Augmented Neuroscience Knowledge Retrieval Using Ontology and Semantic Understanding Capability of LLM
Sudha Gopalakrishnan Brain Centre, Indian Institute of Technology, Madras(印度理工学院马德拉斯分校苏达·戈帕拉克里希南脑科学中心);Department of Electrical Engineering, Indian Institute of Technology, Madras(印度理工学院马德拉斯分校电气工程系)
本研究利用大语言模型、本体论和文本嵌入从无标注神经科学文献构建知识图谱,并提出实体增强检索算法,显著提升知识发现,实体提取F1达0.84,改善超52%问题回答。
2025-10-26 cs.AI cs.CL
Ontology-to-tools compilation for executable semantic constraint enforcement in LLM agents
University of Cambridge(剑桥大学);CMCL;CMPG
本体到工具的编译用于LLM代理中的可执行语义约束强制,通过生成知识图谱实例来强制执行语义约束,减少手动工程。
2026-02-03 cs.AI cs.IR
Formal Ontology Learning on Factual IS-A Corpus in English using Description Logics
本体学习(Ontology Learning,OL)是在给定内容为自然语言(NL)的非结构化语料库的情况下生成本体形式的知识库的计算任务。在这一领域可以找到几项工作,其中大部分限于基于统计和词典-句法模式匹配的技术。这些技术并不能导致非常准确的学习,主要是因为在NL的几个语言的细微差别。正式OL是一种替代(较少探索)的方法,使用计算语言学中的理论和工具进行深入的语言学分析,以生成正式的公理和定义,而不是简单地归纳分类。本文提出了一种基于描述逻辑的形式化学习语言框架,用于英语事实IS-A类句子的学习。我们认为IS-A句子的语义构建并非易事。因此,我们也主张,这样的句子需要专门的研究,在任何真正正式的OL可以提出之前的背景下OL。我们介绍了一个学习工具,称为DLOL_IS-A,产生这样的本体的猫头鹰格式。我们采用了基于IS-A丰富的WCL v.1.1数据集和我们自己的社区代表IS-A数据集的“黄金标准”OL评估。与轻量级OL工具Text 2 Onto和正式OL工具FRED相比,我们观察到DLOL_IS-A的显著改进。
2016-03-08 cs.AI cs.CL