SHACL
PulseAugur coverage of SHACL — every cluster mentioning SHACL across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
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。
-
新方法在转换后推断属性图模式
研究人员开发了一种在新方法，用于在转换后推断属性图中的模式约束。该方法使用一种推理过程，该过程接受输入模式和转换查询以推断输出模式，而无需分析图实例。该系统将属性图映射到RDF，将ProGS映射到SHACL，并将G-CORE映射到SPARQL CONSTRUCT查询，从而能够通过高效的描述逻辑推理器进行模式推断。
-
新系统通过可编程知识块实现人工智能合规自动化
研究人员开发了本体知识块（OKBs），这是一个旨在使人工智能合规性更自动化和可扩展的新系统。OKBs使用结构化证据图和SHACL验证规则将监管义务转化为机器可检查的约束。这种可编程基础设施允许在不更改AI服务代码本身的情况下动态重新配置治理配置文件。原型在HPC资源分配场景中进行了测试，展示了高效的验证时间和管理不同治理配置文件的能力。
-
研究人员探索递归SHACL的静态分析，用于RDF数据验证
本文介绍了一种递归SHACL文档静态分析的新方法，SHACL用于定义RDF数据的约束。研究探讨了验证一个SHACL文档的所有图也验证另一个图的决定性问题。研究表明，在支持和稳定模型语义下，该蕴含问题是不可判定的，但在良基语义下是指数级可判定的。
-
TIO-SHACL框架为TMF意图本体提供全面验证
研究人员开发了TIO-SHACL，一个用于验证TMF意图本体的新框架。TMF意图本体用于电信领域的意图驱动网络。该系统提供全面的SHACL验证，包括56个节点形状和69个属性形状，以确保在实施网络意图之前其正确性。该框架覆盖了100%的TMF意图本体词汇，并在多个SHACL引擎上展示了兼容性，以及在测试用例上实现了高验证准确率。