Resource Description Framework
PulseAugur coverage of Resource Description Framework — every cluster mentioning Resource Description Framework across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
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。
-
新的ISONGraph格式大幅减少Token使用量，提高LLM知识图谱准确性
一种名为ISONGraph的新图序列化格式已被开发出来，以提高大型语言模型（LLM）使用的知识图谱的效率。该格式通过最小化语法开销，与JSON等冗长格式相比，可将Token数量减少约70%。这种Token使用量的减少显著影响了图数据可用的有效上下文窗口。此外，ISONGraph在遍历问答和多跳推理任务的准确性方面均表现出卓越的性能，多跳准确性是替代格式的两倍。
-
神经符号元策略增强了强化学习中的部分可观测性
研究人员开发了一种新颖的神经符号元策略，旨在增强部分可观测强化学习场景下的决策能力。该系统通过学习每一步应用哪种启发式方法来智能管理符号记忆，确保执行过程保持符号化。该方法利用时序知识图谱记忆，将隐藏状态和观测表示为资源描述框架（RDF）图，并通过时序RDF三元组注解来增强记忆。这种集成提供了直接的语义网基础，并允许进行可检查的记忆管理。
-
ProbSPARQL 扩展 SPARQL 以处理知识图谱中的不确定数值数据
研究人员开发了 ProbSPARQL，这是 SPARQL 查询语言的一个扩展，旨在处理知识图谱中的不确定和多维数值数据。该新系统通过将不确定的数值建模为随机变量并实现支持分布的查询，解决了当前 RDF 和 SPARQL 技术中的局限性。ProbSPARQL 已在 Apache Jena ARQ 上实现，并与 Fuseki 兼容，已在真实数据片段上进行了测试，并对其可扩展性进行了评估，证明了其可行的执行和相比传统后处理方法的潜在加速。
-
KDAI2026 会议涵盖从语句到推理的 RDF 堆栈
本周的 KDAI2026 会议聚焦于 RDF 堆栈，涵盖了类型的字面量、空白节点和 Turtle 语法。讲座还深入探讨了 RDFS，包括类、域、值域、子类层次结构、模型论语义和 RDF*。最后，介绍了 SPARQL 的入门概念，强调三元组是核心消息单元。
-
AI生成的知识图谱可以使用SHACL进行验证
本文讨论了确保AI生成的知识图谱质量的方法，特别是那些使用RDF三元组的知识图谱。文章强调了手动人工审查的扩展性挑战，并提出使用SHACL（Shapes Constraint Language）进行自主验证。作者解释了SHACL如何强制执行类、属性和域的约束，从而创建一个反馈循环，指导LLM纠正错误并提高摄取的RDF数据的质量。
-
Apache Jena 通过语义推理赋能原生 AI 知识库
作者提出使用 Apache Jena（一个用于构建语义网应用的框架）来创建原生 AI 知识库。这种方法旨在赋予 AI 类似人类的增量学习和推理能力，超越简单的信息摄取和查询。通过利用本体、知识图谱以及 RDF 和 OWL 等工具，目标是构建一个能够补充通用模型并解决 AI 生成内容的“粗糙问题”的专业化 AI。作者发现大型语言模型（LLMs）能够自然理解 RDF 图语言，从而便于创建充当 AI 记忆层的个人知识库。
-
Cyc AI 项目结束，贡献者将本体迁移至 RDF
Cyc 项目，一项重要的早期人工智能研究项目，即将结束，其关键贡献者 Benjamin Rode 正在努力将其上层本体迁移到资源描述框架 (RDF)。这项迁移工作被描述为雄心勃勃，反映了原始 Cyc 项目的规模。该计划还提供了对早期人工智能研究社区的见解。
-
LLM 用于 RDF 数据集搜索：平衡检索有效性和忠实度
一篇新的研究论文探讨了使用大型语言模型（LLM）为 RDF 数据集生成元数据，旨在提高数据集的可搜索性。该研究评估了六种不同的元数据生成方法，评估了它们在检索方面的有效性以及它们对原始数据的忠实度。虽然无约束重写提供了最佳的检索收益，但牺牲了忠实度，表明搜索改进可能源于不受支持的语义扩展。更基础的方法增强了忠实度，其中配置文件约束重写在有效性和准确性之间取得了最佳平衡。
-
新西兰发布信息公开流程建模本体
研究人员开发了FOI-O，一个旨在对信息公开（FOI）请求相关流程进行建模和分析的新本体和验证框架。该系统专门针对新西兰的《官方信息法》，旨在梳理和阐明FOI请求记录中复杂的、常常混合了通信、系统状态和法律结果的数据。FOI-O提供了一种标准化方法来表示请求档案、事件和元数据，并支持JSON、Python、SKOS、OWL、RDF和SHACL等格式的配套资产，以及流程模型和导出示例。
-
LLM提取用户偏好用于知识图谱和推荐
研究人员开发了一种使用大型语言模型从对话数据中提取结构化用户偏好三元组的方法，旨在构建个人知识图谱（PKG）。该方法通过将提取的三元组链接到Wikidata标识符，将非结构化的“字符串”转换为语义化的“事物”。使用基于Qwen和Gemma的模型进行的评估表明，一些模型在语义提取方面表现良好，并在下游推荐任务中展现了实用性。