AutoRD: An Automatic and End-to-End System for Rare Disease Knowledge Graph Construction Based on Ontologies-enhanced Large Language Models
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Illinois College of Medicine Peoria(伊利诺伊大学皮奥里亚医学院)
针对LLM罕见病专业知识不足、难以处理最新信息及管理数据的问题,本文提出端到端系统AutoRD,通过整合最新结构化知识自动抽取罕见病实体与关系,并在实验中超越常见LLM和传统方法。
2024-10-25 cs.AI cs.CL
Controlled Query Evaluation for Datalog and OWL 2 Profile Ontologies
University of Oxford(牛津大学)
我们研究的机密性执法本体下的受控查询评估框架,其中的政策规定的敏感信息和审查员确保查询答案,可能会损害政策不返回。我们专注于审查,确保机密性,同时最大限度地提高信息的访问,并考虑作为本体语言的Datasheet和OWL 2配置文件。
2015-04-24 cs.AI
Ontology-driven Information Extraction
University of Calabria(卡拉布里亚大学);AGH University of Science and Technology(AGH科技大学)
同构非结构化数据(HUD)是共享共同属性(例如相似布局、共同文件格式或共同值域)的非结构化文档的集合。在这些属性的基础上,最好自动处理HUD,以通过称为语义视图的语义层(通常是本体)访问主要信息。因此,我们提出了一种基于本体的方法,用于从HUD中提取语义丰富的信息,通过集成和扩展经典信息抽取,表识别,本体,文本注释和逻辑编程领域的最新技术和成果。此外,我们设计和实现了一个系统,名为KnowRex,已成功地应用到简历中的Europass风格,提供一个语义视图,他们能够,例如,选择那些表现出所需的技能。
2015-12-18 cs.AI cs.IR
Apport des ontologies pour le calcul de la similarité sémantique au sein d'un système de recommandation
Université de technologie de Compiègne(贡比涅技术大学);CNRS(法国国家科学研究中心);Vivocaz
术语、词或文本数据之间的语义相关性或相似性的测量在处理文本数据的不同应用中起着重要作用,例如知识获取、推荐系统和自然语言处理。在过去的几年中,许多本体已经被开发并用作信息系统的知识库的结构化表示形式。基于本体的语义相似度计算方法得到了发展,并得到了其他基于上下文的相似度计算方法的补充。在本文中,我们提出并进行了基于本体的语义相似度的计算方法,在推荐系统的上下文中使用。
2022-05-25 cs.AI cs.IR
The State of the Art in Developing Fuzzy Ontologies: A Survey
Shahid Beheshti University(沙希德·贝赫什提大学)
由典型本体支持的概念形式主义可能不足以表示由于领域的概念之间缺乏清晰的边界而导致的不确定性信息。模糊本体论的提出提供了一种方法来处理这种不确定性。本文介绍了在发展模糊本体的艺术状态。该调查是通过研究从一批100篇模糊本体领域的文章中发展模糊本体的约35部作品而产生的。
2018-05-06 cs.AI
Tagging multimedia stimuli with ontologies
情绪刺激的成功管理是情感计算及其相关研究的一个关键问题。作为人工智能的一个分支,AC不仅关注计算机系统的设计以及能够识别、解释和处理人类情感的硬件,还关注能够以有序和受控的方式触发人类情感反应的系统的开发。这需要在从情感注释的数据库中提取数据时可达到的最大精度和效率。虽然这些数据库确实使用关键字或标签来描述语义内容,但它们不提供有效提取相关情感内容所需的必要灵活性或杠杆作用。因此,在某种程度上,我们建议引入本体作为描述情感注释数据的新范式。基于语义属性选择和排序数据的能力对于任何涉及元数据、语义和本体排序(如语义Web或社会语义桌面)的研究都是至关重要的,本文中描述的方法也有助于这些领域的重用。
2009-03-04 cs.AI
On the Merging of Domain-Specific Heterogeneous Ontologies using Wordnet and Web Pattern-based Queries
Faculty of Information Technology(信息技术学院);Faculty of Computer Science(计算机科学学院);Monash University(莫纳什大学);University of Lyon(里昂大学)
本体构成了各种计算机科学学科的基本兴趣,如语义网,信息检索,数据库设计等,它们旨在提供一个正式的,明确的和共享的概念化和不同社区之间的共同领域的理解。此外,它们允许明确定义特定领域的概念及其约束。然而,本体开发的分布式特性和本体工程师观点的差异导致了本体之间的“语义异构性”。语义异构性是实现本体间互操作性的主要障碍。为了克服这一障碍,我们提出了一个多用途的框架,利用WordNet通用知识库:i)发现和纠正不正确的语义关系的概念之间的本体在一个特定的领域。该步骤是本体合并的一个基本步骤。ii)通过计算概念之间的语义关系来合并特定领域的本体。㈢通过在网上获取统计资料,处理WordNet中缺少概念的问题。4.用这些缺失的概念丰富WordNet。一个实验性的框架实例和比较国家的最先进的语法和语义为基础的系统验证我们的建议。
2020-04-30 cs.AI cs.CL cs.IR
Considerations on Construction Ontologies
West University(西大学)
本文通过对现有本体的分析,指出了解决信息系统中语义异构的途径。作者强调了知识获取系统中的任务,并确定了与向智能系统添加新信息有关的方面。提出了一种本体推理服务与自然语言生成相结合的解决方案。一个多智能体系统将设想与提取代理,推理代理和能力管理代理。
2009-05-28 cs.AI
Enabling Transparent Cyber Threat Intelligence Combining Large Language Models and Domain Ontologies
Department of Information Engineering, University of Brescia, Italy(布雷西亚大学信息工程系);School of Computer Science and Informatics, Cardiff University, United Kingdom(卡迪夫大学计算机科学与信息学学院);Department of Electronics and Computer Science, University of Southampton, United Kingdom(南安普顿大学电子与计算机科学系)
本文提出结合本体驱动的结构化输出与大语言模型,构建提升网络安全日志信息提取准确性和可解释性的AI代理,通过领域本体和SHACL约束提高语义有效性。
2026-04-24 cs.AI cs.CR
ReOnto: A Neuro-Symbolic Approach for Biomedical Relation Extraction
IIIT-Delhi(德里英迪拉甘地信息技术学院);Cerence GmbH(赛轮思有限公司);Zerotha Research(Zerotha研究院)
ReOnto提出一种神经符号方法,结合图神经网络与本体先验知识,通过提取实体间关系路径,在生物医学关系抽取中超越基线约3%。
2023-09-04 cs.AI cs.CL cs.IR
Safe Reasoning Over Ontologies
IBM TJ Watson Research center(IBM TJ Watson 研究中心)
随着本体的激增和自动推理机变得越来越强大,保护敏感信息的问题变得更加严重。特别地,由于事实可以从其他事实推断,因此包括在本体中的信息(虽然其本身不被认为是敏感的)可能能够被用来推断其他敏感信息的可能性变得越来越大。我们首先考虑的问题,测试本体的安全性定义为它不能被用来推导出任何敏感的事实,使用一个给定的集合的推理规则。然后,我们考虑的问题,优化本体的基础上的标准,使尽可能多的有用信息,而不透露任何敏感的事实。
2009-04-01 cs.AI cs.DS
LLM-based Zero-shot Triple Extraction for Automated Ontology Generation from Software Engineering Standards
Computer Science Department(计算机科学系);Charleston Southern University(查尔斯顿南方大学)
本文提出基于LLM的零样本三元组提取方法,用于从软件工程标准中自动生成本体,通过改进的工作流程和专家标注集验证了其有效性。
2026-01-10 cs.AI cs.SE
An Efficient Technique for Similarity Identification between Ontologies
当本体同时用于信息共享、合并、集成和查询过程时,通常会遭受语义异构性的影响。因此,本体之间的相似性识别成为一个强制性的任务,所有这些过程来处理语义异构性的问题。在本文中,我们提出了一个有效的技术,两个本体之间的相似性测量。所提出的技术确定所有候选人对相似的概念,而不会遗漏任何相似的对。所提出的技术可以用于不同类型的操作本体,如合并,映射和对齐。通过分析其结果的完整性,正确性和整体质量的结果方面的合理改进已被发现。
2010-06-23 cs.AI
Bias in ontologies -- a preliminary assessment
University of Cape Town(开普敦大学)
在计算和IT中,本体论形式的逻辑理论和类似的人工制品被用于结构化、注释和查询数据等,从而影响关于什么被馈送到算法中的数据分析。算法偏见是一个众所周知的概念,但是在为算法输入提供结构化机制的本体论的上下文中,偏差意味着什么呢?偏见的来源是什么?它们如何在本体论中表现出来?我们检查和列举类型的偏见相关的本体论,以及它们是否是明确的或隐含的。这八种类型的例子说明了从现存的生产级本体和样本的文献。然后,我们评估了三个同时开发的COVID-19本体论的偏见,并在每个本体论中检测到不同程度的偏见类型子集。这第一个特点的目的是有助于本体论的道德方面的敏感性,主要是关于信息和知识的表示。
2021-01-20 cs.AI
Dialogue Ontology Relation Extraction via Constrained Chain-of-Thought Decoding
Heinrich Heine University Düsseldorf(杜塞尔多夫海因里希·海涅大学)
本文针对无标注对话数据的本体关系抽取问题,提出将思维链解码约束到本体术语和关系的生成式方法,以降低幻觉风险,并在两个数据集上验证了其在微调和单样本大模型上的性能提升。
2025-03-07 cs.AI cs.CL cs.LG
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
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
Extract ABox Modules for Efficient Ontology Querying
University of Miami(迈阿密大学)
从本体ABox中提取逻辑独立的片段可以用于解决查询具有大ABox的本体的易处理性问题。在本文中,我们提出了一个正式的定义的ABox模块,这样它保证了完整的保存事实的一组给定的个人,因此可以独立的w.r.t.本体TBox。使用这种类型的ABox模块,隔离或分布式(并行)ABox推理变得可行,并且可以从本体ABoxes获得更有效的数据检索。为了计算这样的ABox模块,我们提出了一个理论方法,也是一个近似的$\mathcal{SHIQ}$本体。对不同类型本体的模块近似评价表明,平均而言,提取的ABox模块明显小于整个ABox,基于ABox模块的本体推理时间可以得到显著提高。
2014-06-11 cs.AI
Uncertainty in Ontologies: Dempster-Shafer Theory for Data Fusion Applications
EADS(欧洲航空防务与航天公司)
目前本体在数据融合应用中的兴趣越来越大。事实上,本体被看作是描述和推理传感器数据,对象,关系和一般领域理论的语义工具。此外,不确定性可能是数据融合处理的数据和信息的最重要特征之一。然而,本体论的基本性质意味着本体论只描述世界上断言的和真实的事实。不同的概率,模糊和证据的方法已经存在,以填补这一空白,本文回顾了最流行的工具。然而,没有一个工具完全符合我们的目的。因此,我们构建了一个Dempster-Shafer本体,可以导入到任何特定的领域本体,使我们能够以不确定的方式实例化它。我们还开发了一个Java应用程序,使推理这些不确定的本体实例。
2011-06-20 cs.AI
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
Towards a Cyber Information Ontology
National Center for Ontological Research(国家本体论研究中心);U.S. Customs & Border Protection(美国海关与边境保护局);University at Buffalo(布法罗大学);Institute for Artificial Intelligence and Data Science(人工智能与数据科学研究所)
本文提出一组术语作为网络本体与顶层、中层本体间的接口,围绕信息复制行为、副本集合及忠实代表成员展开,聚焦网络信息管理的独特性。
2024-08-16 cs.AI
The Information Flow Foundation for Conceptual Knowledge Organization
The Ontology Consortium(本体联盟)
不同话语社区之间的本体共享使他们能够将自己的信息结构与共享共同术语和语义的其他社区的信息结构进行比较-本体共享促进了在线知识组织之间的互操作性。本文演示了本体共享是如何形式化的信息流(IF)的概念知识模型。信息流间接地表示通过可指定的本体扩展层次结构与同义类型等效增强的共享-两个本体通过各自扩展的公共通用本体共享术语和含义。使用形式化为IF逻辑的参与者社区本体、形式化为IF理论的公共共享可扩展本体、从公共本体到可形式化为IF理论解释的参与者社区本体的参与者社区规范链接的范式,本文认为本体共享集中在社区连接的虚拟本体中,并且演示了该虚拟本体如何可计算为参与本体的融合-参与本体之和模本体共享结构的商。
2018-10-19 cs.AI cs.DL
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
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
Data Analytics using Ontologies of Management Theories: Towards Implementing 'From Theory to Practice'
York University(约克大学);Kingsdale Shareholder Services(金斯代尔股东服务公司);Canadian Tire(加拿大轮胎公司)
我们探讨了计算本体论如何在“数据科学”这一发展中的学科中发挥作用。“我们提出了一种方法,其中管理理论被表示为形式公理,然后应用于对驻留在公司数据库中的数据进行推断。也就是说,管理理论将被实现为数据分析引擎中的规则。我们展示了一个案例研究的发展,这样的本体论正式代表会计理论的一阶逻辑。虽然相当初步,但信息技术(即本体论)可以潜在地实现学术陈词滥调“从理论到实践”并适用于新兴的数据分析领域的想法是新颖和令人兴奋的。
2016-08-28 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
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
Automatic White-Box Testing of First-Order Logic Ontologies
Facultad de Informática(信息学院);University of the Basque Country UPV/EHU(巴斯克地区大学)
形式本体是基于逻辑的形式主义中的公理化。形式化本体的发展及其在语义网领域的重要作用,促使人们对有助于本体工程的自动推理技术和工具的使用进行了大量的研究。主要目标之一是细化和改进公理化,以使自动推理工具能够有效地推断可靠的信息。公理化中的缺陷不仅会导致错误的推理,而且还会通过增加推理的计算成本甚至阻止推理来阻碍预期信息的推理。在本文中,我们介绍了一种新的,全自动的白盒测试框架的一阶逻辑本体。我们的方法是基于检测的推理为基础的冗余在给定的公理化。所提出的测试方法的应用是完全自动化的,因为a)测试的自动生成仅由公理的语法指导,并且b)测试的评估由自动定理证明器执行。我们的建议,使缺陷的检测,并服务于证明的适用性等级-推理的目的-每个公理。我们正式定义的测试,从任何公理生成的集合,并证明每个测试是逻辑上相关的公理,测试已经产生的冗余。我们已经实现了我们的方法,并使用这种实现自动检测隐藏在各种一阶逻辑本体中的几个非平凡的缺陷。在整个文件中,我们提供了这些缺陷的说明性例子,解释他们是如何发现的,以及如何每个证明-由自动定理证明-提供了有用的提示每个缺陷的性质。此外,通过纠正所有检测到的缺陷,我们已经获得了一个改进版本的测试本体:Adimen-SUMO。
2019-01-30 cs.AI
Embedding Ontologies via Incorporating Extensional and Intensional Knowledge
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院);Department of Computer Science, The University of Manchester(曼彻斯特大学计算机科学系);China Mobile Research Institute(中国移动研究院)
本文提出EIKE方法,通过扩展空间和内涵空间整合本体实例、概念及关系,结合几何方法和预训练语言模型捕捉结构与文本信息,在三组数据集上优于现有方法。
2026-03-25 cs.AI cs.CL
Text-mining and ontologies: new approaches to knowledge discovery of microbial diversity
MaIAGE, INRA, Université Paris-Saclay(巴黎萨克雷大学法国国家农业研究院MaIAGE)
微生物学研究可以获得关于微生物栖息地的大量公共信息。微生物学研究的许多领域使用这些信息,主要是在生物多样性研究中。然而,栖息地信息以非结构化的自然语言形式表达,这阻碍了其大规模开发。相似的栖息地通常用不同的术语描述,这使得它们很难自动比较,例如肠和肠道。使用一个共同的参考标准,以标准化这些栖息地的描述所要求的(伊戈尔等人,2010年,这是必要的。我们提出了自2010年以来一直在开发的本体论OntoBiotope。OntoBiotope本体是一个正式的机器可读的表示,使索引的信息以及概念化和推理。
2018-10-31 cs.AI q-bio.QM
FALCON: Scalable Reasoning over Inconsistent ALC Ontologies
Delft University of Technology(代尔夫特理工大学);University of Toronto(多伦多大学);University of Notre Dame(圣母大学)
提出FALCON模糊本体神经推理器,通过近似模型生成与采样,实现大规模不一致ALC本体的可扩展近似推理,并在生物医学知识库补全中验证其有效性。
2024-05-27 cs.AI cs.LO
The IFF Foundation for Ontological Knowledge Organization
The Haworth Press Inc.(霍沃斯出版社)
本文讨论了一种公理化的本体集成方法,这种方法将以前基于信息流的方法(Kent 2000)扩展到一阶逻辑。这种公理化方法在信息流框架(IFF)中得到了体现,IFF是一个元级框架,用于组织出现在数字图书馆、分布式数据库和本体中的信息(Kent 2001)。本文认为,本体的整合是一个对齐和统一两步走的过程。本体对齐包括通过中介本体共享公共术语和语义。本体统一集中在社区连接的虚拟本体中,是参与者社区本体的对齐图的融合-参与者门户的总和模本体对齐结构的商。
2018-10-10 cs.AI cs.DL
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
A review of ontologies for smart and continuous commissioning
Ryerson University(瑞尔森大学)
建筑物的智能和连续调试(SCCx)可以显著缩小设计和运营性能之间的差距。本体在SCCx中起着重要的作用,因为它们有助于机器的数据可读性和推理。为了在SCCx中开发和整合本体,需要更好地理解本体。本文通过基于构建数据类型、一般方法和应用程序对SCCx领域中自2014年以来构建数据本体的最新研究进行了批判性回顾。建筑信息建模和建筑管理系统这两个主要领域的数据类型已经被大多数现有本体所考虑。通过对现有本体的批判性分析,可以明显看出三个主要应用:(1)关键性能指标计算,(2)建筑性能改进,以及(3)故障检测和诊断。在文献综述中发现的主要差距是SCCx的整体本体论和对如何评估这些方法的见解。基于这些发现,本研究为未来必要的研究,包括:SCCx相关的数据类型的识别,本体性能的评估,并创建开源方法提供了建议。
2022-08-25 cs.AI cs.DB
Ontologies-based Architecture for Sociocultural Knowledge Co-Construction Systems
University of Maroua(马鲁阿大学);University of Gaston Berger(加斯东·贝尔热大学);University of Ouaga 1(瓦加1大学);Inria(法国国家信息与自动化研究所);UCA(蔚蓝海岸大学)
考虑到基于语义维基引擎的平台的发展,可以区分两种主要方法:用于维基的本体(OfW)和用于本体的维基(WfO)。OfW vision需要导入现有的本体。它们大多使用基于RDF(资源描述框架)的系统结合标准SQL(结构化查询语言)数据库来管理和查询语义数据。但是,关系数据库并不是存储语义数据的理想类型。对于SMW(Semantic MediaWiki)来说,更自然的数据模型是RDF,这是一种以图形而不是固定的数据库表来组织信息的数据格式。本文提出了一种基于本体的体系结构,旨在实现这一思想。该体系结构主要包括Web用户界面层、语义层和持久层三层功能结构。
2019-04-11 cs.AI cs.DL
Classifying Organizations for Food System Ontologies using Natural Language Processing
University of Utah(犹他大学);University of Ottawa(渥太华大学);University of California, Davis(加州大学戴维斯分校);University of Milan(米兰大学);IC-FOODS
本文研究利用自然语言处理方法自动对组织进行分类,以构建知识图谱并与食品系统本体集成,实验表明该方法在环境问题类别和SIC代码分类任务上性能良好,具有广泛适用性。
2023-09-19 cs.AI cs.CL cs.CY
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
DataOps for Societal Intelligence: a Data Pipeline for Labor Market Skills Extraction and Matching
Technical University Eindhoven(埃因霍温理工大学);Jheronimus Academy of Data Science(杰罗尼穆斯数据科学学院);Tilburg University(蒂尔堡大学)
人工智能算法支持的大数据分析可以在劳动力市场智能问题的背景下支持技能定位和检索。我们通过特定的DataOps模型制定和解决这个问题,将来自多个国家的行政和技术合作伙伴的数据源融合到合作中,创建共享知识以支持政策和决策。然后,我们专注于从简历和空缺职位中提取技能的关键任务,这些技能具有最先进的机器学习模型。我们展示了应用机器学习对荷兰和比利时佛兰芒地区就业机构真实数据的初步结果。最终目标是将这些技能与技能、工作和职业的标准本体相匹配。
2021-04-05 cs.AI
To Be or Not To Be: Vector ontologies as a truly formal ontological framework
Kaspar Rothenfusser (May 20, 2025)(独立研究者)
本文指出现有形式本体论不符合胡塞尔的形式化标准,提出将其重新定位为基础本体论,论证了基于向量空间公理的向量本体论符合胡塞尔式形式本体论要求,可作为人机互操作的本体论框架。
2025-05-20 cs.AI cs.SC
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
Understanding Semantic Web and Ontologies: Theory and Applications
Philadelphia University(费城大学);Faculty of Information Technology(信息技术学院)
语义Web实际上是当前Web的扩展,因为它对人类和计算机都更有意义地表示信息。它能够以机器可读的形式描述内容和服务,并使注释、发现、发布、广告和组合服务自动化。它是在本体论的基础上发展起来的,本体论被认为是语义网的支柱。换句话说,当前的Web已经从机器可读转变为机器可理解。事实上,本体是语义网上标注语义和为资源提供公共的、可理解的基础的关键技术。此外,本体可以提供一个共同的词汇表,语法发布数据,并可以提供一个语义描述的数据,可以用来保存本体,并保持他们的推理准备。本文介绍了Web服务和语义Web的基本概念,定义了本体的结构和主要应用,并对许多相关术语进行了解释,以提供对本体的基本理解。
2010-06-23 cs.AI
OPA2Vec: combining formal and informal content of biomedical ontologies to improve similarity-based prediction
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
动机:本体在生物学中被广泛用于数据注释、集成和分析。除了正式结构化的公理之外,本体还包含注释公理形式的元数据,这些注释公理提供了表征本体类的有价值的信息。本体中常用的注释包括类标签、描述或同义词。尽管是一个丰富的语义信息源,本体元数据通常是未开发的基于本体的分析方法,如语义相似性的措施。结果如下:我们提出了一种新的方法,OPA 2 Vec,通过结合形式本体公理和注释公理从本体元数据中生成生物实体的本体矢量表示。我们应用了一个Word 2 Vec模型,该模型已经在PubMed摘要上进行了预训练,以从我们收集的数据中生成特征向量。我们以两种不同的方式验证我们的方法:首先,我们使用获得的蛋白质的矢量表示作为相似性度量来预测两个不同数据集上的蛋白质-蛋白质相互作用(PPI)。其次,我们评估我们的方法预测基因-疾病协会的基础上表型相似性,通过生成向量表示的基因和疾病的表型本体,并应用所获得的向量来预测基因-疾病协会。这两个实验只是我们的方法的可能应用的说明。OPA 2 Vec可用于生成给定任何类型生物医学本体的任何生物医学实体的矢量表示。联系人:robert. kaust.edu.sa和xin. gao@kaust.edu.sa。https://github.com/bio-ontology-research-group/opa2vec
2018-04-29 cs.AI cs.CE cs.CL
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
Effective Enabling of Sharing and Reuse of Knowledge On Semantic Web by Ontology in Date Fruit Model
Arab Open University(阿拉伯开放大学);Muscat College(马斯喀特学院);Higher College Of Technology(高等技术学院)
由于各组织已认识到知识是创造和维持竞争优势的宝贵无形资产,知识共享在当今社会中发挥着至关重要的作用。它是人们通过不同媒介进行信息交流的活动。知识共享和知识重用领域面临着许多问题。目前,各实体之间的知识共享是以非常临时的方式实现的,缺乏对数据含义的适当理解。本体可以潜在地解决这些问题,促进知识共享和重用,通过正式和真实世界的语义。通过形式语义,本体是机器可理解的。计算机可以处理数据,引用本体进行注释,并通过封装在本体中的知识,从原始数据中推导出事实。枣果是苏丹国丰富遗产最持久的象征。建立枣的本体将丰富农业领域的农业团体和研究学者。
2012-07-10 cs.AI cs.IR
Top-k Query Answering in Datalog+/- Ontologies under Subjective Reports (Technical Report)
University of Oxford(牛津大学);Università della Calabria(卡拉布里亚大学)
在传统的数据库和基于本体的数据访问中,查询应答中使用偏好最近受到了广泛的关注,这是由于其许多现实世界的应用。在本文中,我们解决的问题,前k查询回答Datatrons +/-本体查询用户的喜好和收集(主观)报告的其他用户。在这里,每个报告都包含一系列功能的分数、作者对功能的偏好以及其他信息。然后将每个报告的这些信息片段与查询用户的偏好和他/她对每个报告的信任一起组合,以对查询结果进行排名。我们提出了两种替代这样的排名,以及这些排名下的top-k(原子)查询回答算法。我们还表明,在适当的假设下,这些算法运行在多项式时间的数据复杂度。最后,我们提出了更一般的报告,这是与套原子,而不是单个原子。
2013-11-29 cs.AI cs.DB
A Literature Based Approach to Define the Scope of Biomedical Ontologies: A Case Study on a Rehabilitation Therapy Ontology
Newcastle University(纽卡斯尔大学);Umm Al-Qura University(乌姆·库拉大学)
在这篇文章中,我们探讨了我们早期的尝试,建立一个本体描述脑损伤后的康复治疗。这些疗法范围广泛,涉及许多不同种类的干预措施。因此,这些疗法很难描述。除了限制实际实践外,这也是循证医学的一个主要障碍,因为很难有意义地比较两种治疗方案。本体开发需要本体学家和领域专家的大量努力。从领域专家获得的知识构成了本体的范围。知识获取的过程是昂贵的,消耗专家的时间,并可能有偏见,这取决于专家的选择。存在各种方法和技术来实现这种知识获取,包括社区团体和开放式开发实践。一个相关的问题是界定范围。通过定义范围,我们可以决定一个概念(即术语)是否应该在本体中表示。这是知识启发的对立面,因为它定义了本体论中不应该存在的东西。这可以通过预先定义一组能力问题来解决。然而,这些方法昂贵且耗时。在这里,我们描述了我们的工作对一种替代方法,引导本体从最初的小语料库的文献,将定义的本体的范围,扩大这一套覆盖的域,然后使用信息抽取定义一个初始的术语,提供的基础和能力的本体。在这里,我们讨论了四种方法来构建一个合适的语料库,既足够覆盖和精确。
2017-09-27 cs.AI cs.DL cs.IR
Information-theoretic Interestingness Measures for Cross-Ontology Data Mining
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Arizona(亚利桑那大学);Mississippi State University(密西西比州立大学)
具有来自多个生物本体的概念的生物实体的社区注释已经创建了具有正交本体之间的嵌入式隐式关系的基于本体的注释数据的大型且不断增长的存储库。开发有效的数据采掘方法和度量来挖掘和评估所挖掘的关系的质量没有跟上注释数据的增长。在这项研究中,我们提出了一个数据采掘的方法,使用本体指导的泛化发现跨本体的关系,以及一个新的兴趣度度量的基础上信息论。我们应用我们的数据采掘算法和兴趣度措施的数据集从基因表达数据库在小鼠基因组信息作为一个初步的概念证明,以挖掘小鼠解剖本体和基因本体概念(生物过程,分子功能和细胞成分)的发展阶段之间的关系。此外,我们提出了我们的兴趣度指标与现有的四个指标的比较。基于本体的注释数据集为发现跨本体的关系提供了宝贵的资源。使用高效的数据采掘方法和适当的兴趣度度量使得能够识别高质量的关系。
2016-05-16 cs.AI cs.CE q-bio.QM
Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding
Virginia Tech(弗吉尼亚理工大学);WeChat AI(微信人工智能实验室);University of California Santa Barbara(加州大学圣巴巴拉分校);Lehigh University(理海大学)
事件提取通常被建模为多类分类问题,其中事件类型和参数角色被视为原子符号。这些方法通常限于一组预定义的类型。我们提出了一种新的事件提取框架,使用事件类型和参数角色作为自然语言查询,从输入文本中提取候选触发器和参数。由于查询具有丰富的语义,我们的框架受益于注意力机制,以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外,查询和提取配方允许我们的方法,利用所有可用的事件注释从各种本体作为一个统一的模型。ACE和ERE上的实验表明,我们的方法在每个数据集上都达到了最先进的性能,并且在zero-shot事件提取上显著优于现有方法。
2022-03-22 cs.AI cs.CL
Systematic Analysis of COVID-19 Ontologies
Department of Library and Information Science, Calcutta University(加尔各答大学图书馆与信息科学系)
本文通过系统综述和参数化评估方法,对24个COVID-19本体从设计方法、形式化程度、词汇重用和领域覆盖等方面进行系统分析,为领域本体比较和未来发展提供参考。
2023-09-15 cs.AI cs.DL cs.IR
Pynsett: A programmable relation extractor
QBE Europe(QBE欧洲)
本文提出了一种可编程的英语关系抽取方法,通过将文本解析成语义图。人们可以用简单的英语定义规则,这些规则充当图表示的匹配模式。这些规则旨在捕获文档的语义内容,允许灵活性和临时实体。关系抽取是一项复杂的任务,通常需要大量的训练语料。这里提出的方法是理想的提取专门的本体在一个有限的文件集合。
2020-10-04 cs.AI cs.CL
Embedding Biomedical Ontologies by Jointly Encoding Network Structure and Textual Node Descriptors
Athens University of Economics and Business(雅典经济与商业大学);Institute for Language and Speech Processing, Research Center ‘Athena’(“雅典娜”研究中心语言与语音处理研究所);Google Research(谷歌研究院);CNRS(法国国家科学研究中心);Univ. Paris Diderot(巴黎第七大学)
网络嵌入(Network Embedding,NE)方法将网络节点映射为低维特征向量,在网络分析和生物信息学中有着广泛的应用。许多现有的NE方法仅依赖于网络结构,忽略了与节点相关联的其他信息,例如,描述节点的文本。最近试图结合这两个信息来源只考虑本地网络结构。我们扩展了NODE2VEC,一个众所周知的NE方法,考虑更广泛的网络结构,也考虑使用递归神经编码器的文本节点描述符。我们的方法是评估链接预测在两个网络来自UMLS。实验结果表明,所提出的方法相比,以前的工作的有效性。
2019-06-20 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 Module Extraction via Datalog Reasoning
University of Oxford(牛津大学)
模块提取-计算本体T的(优选地小的)片段M的任务,其保留签名S上的蕴涵-近年来已经发现了许多应用。然而,提取最小尺寸的模块在计算上是困难的,并且通常在算法上是不可行的。因此,实用的技术是基于近似,其中M可证明地捕获相关蕴涵,但不能保证是最小的。现有的近似,但是,确保M保持所有的二阶蕴涵的T w.r.t. S,它比许多应用中所需的更强,并且在实践中可能导致大模块。在本文中,我们提出了一种新的方法,其中模块提取减少到一个推理问题的数据库。我们的方法不仅以优雅的方式概括了现有的近似,而且还可以定制为仅保留特定类型的蕴涵,这使我们能够提取更小的模块。对广泛使用的本体的评估显示出非常令人鼓舞的结果。
2014-11-20 cs.AI cs.LO
How Users Explore Ontologies on the Web: A Study of NCBO's BioPortal Usage Logs
Stanford University(斯坦福大学);Graz University of Technology(格拉茨技术大学);GESIS(莱布尼茨社会科学研究所);University of Koblenz-Landau(科布伦茨-兰道大学)
生物医学领域的本体论数量众多,高度专业化,开发成本非常昂贵。因此,本体采用和重用的一个重要前提是有效地支持探索和发现现有的本体。为了实现这一目标,国家生物医学本体中心(NCBO)开发了BioPortal-一个在线知识库,旨在支持用户探索和查找500多个现有的生物医学本体。2016年,BioPortal是探索语义生物医学词汇和术语的最大门户之一,被许多研究人员和从业者使用。虽然这个门户的使用率很高,但我们对用户究竟如何搜索和探索本体以及首先存在什么样的使用模式或用户组知之甚少。深入了解用户在这些门户网站上的行为可以提供有价值的信息,以制定更好地支持用户探索和查找现有本体的策略,从而实现更好的本体重用。为此,我们使用数据采掘技术研究和分组用户根据他们的浏览行为在BioPortal上。此外,我们使用所获得的组来表征和比较探索策略跨本体。特别是,我们能够识别出七种不同的浏览行为类型,它们都使用了BioPortal提供的不同功能。例如,搜索浏览器广泛使用搜索功能,而本体树浏览器主要依赖于类层次结构来浏览本体。此外,我们表明,本体的具体特点影响用户探索和互动的网站。我们的研究结果可能会指导开发更多的面向用户的系统在Web上的本体探索。
2016-10-31 cs.AI cs.DL cs.HC