Resource Description Framework
PulseAugur coverage of Resource Description Framework — every cluster mentioning Resource Description Framework across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
OntoInk 通过集成可视化和验证简化本体文档编制
研究人员开发了 OntoInk，这是一个开源的 MkDocs 插件，旨在简化本体文档编制、可视化和验证的过程。该工具将这些活动集成到单一的文档即代码 (documentation-as-code) 管道中，支持交互式本体图、SHACL 形状验证、OWL 推理和内联 Turtle 编辑。与现有工具不同，OntoInk 提供了一个统一的工作流程，将可编辑的图表直接嵌入文档页面中，从而提高了知识传递和开发效率。
-
欧盟AI法案：新框架助力高风险AI的权利影响评估
研究人员开发了一个语义网框架，以协助在欧盟AI法案下对高风险AI系统进行基本权利影响评估（FRIAs）。该框架将来自不同来源的零散证据整合到一个可查询的知识图中。使用LLM辅助分类对就业相关FRIAs进行的初步评估显示成功有限，突显了自动化公平相关证据检索的挑战。
-
Inria Côte d’Azur 知识图谱与 NLP 博士研究机会
Inria Côte d’Azur 的 WIMMICS 团队提供博士研究机会，专注于知识图谱、语义网和自然语言处理 (NLP) 的交叉领域。研究将涉及从 RDF 数据中提取信息和进行语言化，以促进维基及其链接数据的协作编辑。该职位位于法国索菲亚·安提波利斯。
-
新的GNN4PPM方法利用R-GCN增强预测性流程监控
研究人员开发了GNN4PPM，一种用于预测性流程监控（PPM）的新方法，该方法利用关系图卷积网络（R-GCN）。该方法使用RDF语义将事件日志数据表示为异构知识图，从而能够预测所有下一个事件及其完整数据负载。实验表明，与现有的最先进解决方案相比，GNN4PPM在复杂场景中提供了更高的准确性和适用性。
-
使用TypeScript构建零幻觉AI推理引擎
本文详细介绍了如何通过结合使用json-rules-engine和N3 Reasoner在TypeScript中构建零幻觉推理引擎。文章指出了大型语言模型在处理严格逻辑和确定性推理方面的根本局限性，并提出了一种神经符号管道来克服这一问题。该方法将工作内存、规则库和推理引擎等关注点解耦，类似于微服务架构，使大型语言模型能够充当自然语言驱动的API网关，将意图转化为确定性引擎的结构化参数，从而防止安全关键应用程序中的运行时幻觉。
-
超越向量搜索：用于零幻觉 AI 的语义图
本文主张从向量存储和 RAG 等概率性 AI 方法转向使用知识图谱、SPARQL 和 RDF 的确定性语义查询。它强调了向量存储在处理精确约束方面的局限性，尤其是在企业应用中，模糊性可能导致关键的安全和数据关系故障。作者提出在 Node.js 中使用 N3.js 和 sparqljs 将语义图与现代 TypeScript 后端连接起来，通过利用 RDF 三元组的显式、基于指针的性质进行精确数据检索，从而实现零幻觉架构。
-
神经符号 AI 利用语义网标准对抗 LLM 幻觉
大型语言模型 (LLM) 容易生成虚假信息，这对企业应用来说是一个重大风险。为了解决这个问题，一种神经符号 AI 方法正在兴起，它将 LLM 与符号知识库相结合。这种混合架构使用 RDF、OWL 和 JSON-LD 等语义网标准来确保确定性真相并防止幻觉，从而提供比标准检索增强生成 (RAG) 更可靠的系统。
-
zbMATH开放知识图谱绘制250年数学研究图景
研究人员开发了zbMATH开放知识图谱，这是一个跨越250多年数学研究的广泛RDF知识图谱。该图谱通过整合专家策划的语义内容，如评论、关键词、学科分类和消歧后的作者信息，超越了典型的文献和引用数据。zbMATH开放知识图谱包含3400万个实体和1.68亿个RDF三元组，旨在促进对数学概念和学术关系在长时间内的深入分析。
-
新基础设施增强制造知识图谱的信任度
研究人员开发了一种可组合信任基础设施，旨在提高制造知识图谱的可靠性。该系统集成了四项关键功能：SHACL验证、PROV-O溯源、领域感知双时态版本控制以及原生图决策对象。通过使用共享的相关标识符，这些组件协同工作，提供涌现的信任属性，例如仅靠任何单一功能都无法实现的完整链条审计能力。该基础设施已在包含十一个不同工业数据源的测试平台上得到验证，证明了其在整合不同信息以改进决策方面的有效性。
-
作者批评RDF和SHACL标准开发进展缓慢
作者认为，像RDF和SHACL这样的技术，由于涉及邮件列表、问题线程和会议等冗长流程，标准化工作通常进展过于缓慢。他们强调，这些标准需要涵盖更广泛的当前用例，而不是仅仅局限于它们今天能很好处理的内容。文中引用了一个具体例子，即在智能手表上讨论SHACL UI的困难，这突显了此类案例如何可以轻易地被默认排除。
-
新框架将 RDF 与微分动态逻辑集成到 AI 系统中
研究人员开发了 RDFdL，一个结合了资源描述框架 (RDF) 和微分动态逻辑 (dL) 的新颖框架。这种集成旨在弥合表示和推理静态知识以及物理系统的连续动态之间的差距，这对于 AI 驱动的网络物理系统至关重要。通过将微分方程和状态空间范围转换为 RDF 和 SHACL，RDFdL 使得 dL 的验证结果可以用作 RDF 数据上 SPARQL 查询的蕴涵。该框架已使用 Apache Jena 进行 RDF 推理，并使用 KeYmaer…
-
新平台支持在网页视觉表示上进行机器学习
研究人员开发了一个新平台，通过捕获网页的视觉和结构属性，使其能够进行机器学习应用。该平台使用FitLayout工具渲染网页，并将视觉和布局细节存储在基于RDF的表示中。Python客户端库和REST API促进了与标准机器学习工作流的集成，允许创建基于图的表示来训练图神经网络，以完成识别关键内容元素等任务。
-
新的SC2R框架为有风险的学生提供语义验证的干预措施
本文介绍了SC2R，一个旨在为有学业表现不佳风险的学生提供可操作且符合约束的干预措施的框架。SC2R集成了预测模型和基于整数规划的追溯生成器，利用RDF词汇表进行干预计划，并使用SHACL进行约束验证。在OULAD数据集上的评估表明，该框架能够生成可扩展的干预计划，这些计划既符合语义要求又可机器检查，超越了简单的模型有效性。
-
新的SC2R框架为有风险的学生提供语义上可行的干预措施
研究人员开发了SC2R，一个旨在为被识别为有学业表现不佳风险的学生提供可操作且符合约束条件的干预措施的新框架。该系统结合了预测建模和整数规划来生成可行的干预计划，并使用RDF和SHACL进行语义验证，以确保计划符合时间、预算和可用性等教育约束。在OULAD数据集上的评估表明，SC2R能够大规模生成紧凑的计划，并识别出更简单的优化方法可能忽略的语义上不可行的建议。
-
AutoSchema框架使AI代理无需训练即可查询各种知识图谱
研究人员开发了AutoSchema，一个新颖的框架，旨在使语言模型代理无需事先训练即可查询异构知识图谱。该系统解决了不同生命科学知识资源之间不断变化的模式、标识符和链接的挑战。AutoSchema检查实时模式，将问题实体映射到图标识符，并探索关系路径以迭代地构建查询。在生物医学和化学知识图谱任务上的评估表明，与TogoMCP等现有方法相比，准确性和效率有所提高，初步证据表明其能够支持未见过的图谱。
-
新方法将 OWL 公理集成到 SHACL 约束中，以实现高效的 RDF 图验证
研究人员开发了一种新方法，可将 OWL 公理直接集成到 SHACL 约束中，从而简化了包含 OWL 本体（ontologies）的 RDF 图的验证过程。该方法构建了一个翻译器，以 SHACL 形状（shapes）和 OWL EL$^-$ 本体作为输入，生成任何标准 SHACL 验证器都可以评估的 SHACL 约束。评估表明，与传统的顺序推理和验证过程相比，该方法在识别违规行为方面更有效。
-
新的BDI本体形式化了AI能动性和认知建模
研究人员开发了一个形式化的信念-愿望-意图（BDI）本体，以更好地表示人工智能和认知科学中的理性能动性。该本体旨在弥合认知架构与结构化知识表示之间的差距。实验表明，当与大型语言模型（LLMs）集成以增强推理连贯性，以及与推理平台集成以实现RDF三元组和代理心智状态之间的双向数据流时，该本体非常有用。
-
新的基准套件评估LLM将自然语言翻译成SHACL的能力
研究人员推出了NL2SHACL-Bench，一个旨在评估将自然语言需求翻译成SHACL形状的新基准套件，用于验证RDF知识图谱。该基准用于评估四种大型语言模型，结果显示，尽管当前模型可以生成语法正确的SHACL，但在为复杂的逻辑和结构模式生成语义等效的约束方面存在困难。该新套件旨在为衡量NL2SHACL领域的进展提供有意义的基础。
-
新的链分层方法改进了带否定的RDF规则
研究人员引入了一种称为链分层的新方法，以解决将默认否定纳入N3和SHACL Rules等RDF规则语言的复杂性。现有方法由于单个三元组内的信息有限以及规则头部中引入的空白节点所带来的复杂性而常常失败。这种新条件通过分析多步推导并使用完整性约束来消除不可能的场景，确保了带有否定和存在规则的RDF规则具有明确的语义。所提出的方法保证了无论规则应用顺序如何，只要尊重链分层，都能生成唯一、精简且有依据的RDF图，并包含一个原型实现来展示其可行性。
-
新框架简化了领域专家的数据质量分析
研究人员开发了一个名为质量模式模型（QPM）的新框架，以帮助领域专家定义数据质量分析，而无需深厚的技术专长。QPM 使用独立于技术的查询模板，简化了该过程，并避免了为不同数据库技术重新定义分析的需要。概念验证实现证明了 QPM 在 XML、RDF 和 Neo4j 数据库上的表达能力和可用性，表明领域专家可以独立创建基于模板的质量分析。