Semantic Web
PulseAugur coverage of Semantic Web — every cluster mentioning Semantic Web across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的 QRAKEN 管道增强了知识图谱的自然语言查询功能
研究人员开发了 QRAKEN，一个新颖的神经符号管道，旨在改进 RDF 知识图谱的自然语言查询。与以往严重依赖模式期望的旧方法不同，QRAKEN 将其查询生成建立在经验性图证据的基础上。它采用两阶段过程：一个离线蒸馏器创建一个名为 TTQL 的紧凑表示，描述填充的模式和频率；一个在线组件使用 TTQL 指导 LLM，同时应用确定性检查进行优化。这种方法在 Text-to-SPARQL 任务上显著提高了性能，优于现有系统，并证明了经验性…
-
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。
-
新论文提出语义知识技术以增强人工智能理解能力
一篇新论文提出“语义知识技术”作为语义网原始目标的延伸，旨在赋予人工智能系统更强大的知识理解能力。作者认为，当前语言模型缺乏可检查的知识账户，并且语义网的标准因省略了条件、操作和声明的覆盖范围而不完整。该论文介绍了一个七层架构，并定义了“大型知识模型”和“语义通用人工智能”等术语作为研究议程。
-
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。
-
新的AVA框架揭示了自然语言处理模型在本体推理方面的局限性
一个名为AVA的新框架已被开发出来，用于评估通用自然语言处理嵌入模型的本体推理能力。该框架使用了源自各种本体的超过17万个对比三元组，以测试这些模型在区分逻辑敏感关系语义方面的能力。目前最先进的模型在这些任务上表现出显著的局限性，最好的模型准确率仅为中等水平，这表明语言理解与真正的本体推理之间存在差距。
-
本体解释：为 AI 代理定义含义
本文介绍了本体论在人工智能和数据管理背景下的概念。它解释说，本体论是对概念化的显式、机器可读的规范，将其与非正式定义或分类法区分开来。作者使用 SaaS 客户流失定义的实际示例来说明，缺乏正式的本体论会导致 AI 代理解释数据时产生歧义和错误。这篇是旨在为 AI 应用构建一个受管理的意义层级的五部分系列文章的第一篇，从以机器可读格式定义客户流失规则开始。
-
FITTER模型实现时序知识图谱的跨域推理
研究人员推出FITTER，这是一种新颖的归纳式模型，专为时序知识图谱链接预测而设计。与仅限于单个图谱词汇的先前方法不同，FITTER能够跨不同领域以及未见的实体、关系名称和时间戳转移知识。该模型通过交互模式表示谓词并使用相对时间编码来实现词汇无关的嵌入。在六个基准上的评估表明，FITTER在无需重新训练的情况下持续优于归纳式基线，这表明它有可能在语义网的各种知识图谱中进行信息推理。
-
ACM超文本会议HT2026将于2026年9月在伦敦举行
ACM超文本会议，即HT2026，是超文本、社交媒体和语义网等领域研究的首屈一指的盛会。会议定于2026年9月14日至18日在英国伦敦举行。
-
作者抱怨自然语言的主导地位，呼吁建立结构化数据互联网
作者强烈希望建立一个更结构化、机器可读的互联网，并抱怨当前信息编码对自然语言的依赖。他们指出Wikidata和OpenStreetMap等现有项目是成功的结构化数据倡议的例子，并将它们与社交媒体和搜索中纯文本的局限性进行了对比。文章批评大型语言模型（LLM）是解决这一问题的低效、倒行逆施的方案，并建议改进数据结构将是一种更直接的方法。
-
AI工具MetaConfigurator帮助科学家将JSON数据转换为RDF
研究人员开发了MetaConfigurator，一个AI辅助工具，旨在帮助科学家将结构化JSON数据转换为RDF（资源描述框架），以提高语义互操作性。该系统与现有的JSON Schema编辑器集成，并使用AI生成RML映射，允许用户精炼三元组、执行SPARQL查询和可视化知识图谱。这种方法旨在连接传统数据管理与语义网技术，使保存和查询实验上下文更加容易，如通过金属有机框架合成数据所证明的那样。
-
AI问题探讨生活中最难形式化映射的类别
用户正在询问在AI、知识表示和语义网技术的背景下，将生活的某些方面映射到形式化系统的难度。这个问题探讨了哪些生活类别在形式化表示方面最具挑战性。
-
AI问题促使用户通过知识图谱映射生活联系
这篇发布在Mastodon上的帖子提出了一个关于知识图谱的问题，要求用户想象他们的生活是一个知识图谱，并找出两个不太可能但联系紧密的实体。它将此置于语义网技术和人工智能的背景下。
-
ESWC 2026 会议探讨人工智能浪潮下的语义网未来
第23届欧洲语义网会议（ESWC 2026）即将在杜布罗夫尼克召开。会议的一个重点将是探讨语义网技术在人工智能兴起背景下的未来。讨论将涵盖这些技术如何在当前的人工智能格局中进行调整并保持相关性，特别是关于大型语言模型和生成式人工智能。
-
人工智能推动语义网复兴，探索Agentic Web和Linked Data
Kingsley Uyi Idehen 和 Robert Scoble 讨论了语义网愿景的复兴，特别是在人工智能的背景下。他们的对话被自发录制，探讨了“Agentic Web”的潜力以及Linked Data的广泛影响。讨论强调了对结构化数据和互联信息系统的新兴趣。
-
AI研究定义低资源语言，以实现更好的数字表征
两篇相关论文提出了解决语义网中低资源语言造成的数字鸿沟的方法。研究重点是使用DBpedia、BabelNet和Wikidata等数据集，分析Linked Open Data知识图谱（LOD KGs）中的语言分布。目标是正式定义此背景下的“低资源”语言，以促进跨语言迁移并改进多语言KG补全。