SHACL
PulseAugur coverage of SHACL — every cluster mentioning SHACL across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
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。
-
全球人工智能法规比较：欧盟、美国、中国面临合规差距
一项新的比较研究分析了欧盟、美国和中国的人工智能法规，重点关注高风险用例以及公平、问责和可信赖（FAIR）原则的实施。研究强调了在互操作性要求、人工智能与特定行业及数据保护法规的整合以及关键数字基础设施治理方面存在的反复出现的差距。为应对这些挑战，该论文提出了知识块（Knowledge Blocks），一种使用RDF/OWL、SHACL和PROV-O的可机器检查的合规性构件模式，旨在促进跨不同监管制度的、可审计的合规性设计。
-
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。
-
新流程利用大语言模型和本体论自动化工业设备配置
研究人员开发了SysName，一个旨在自动化工业现场总线设备配置的流程。该系统使用混合检索索引，并结合了源自ECLASS、AAS和SOSA/SSN标准的本体图。然后，本地大语言模型生成JSON-LD配置，并通过一个两阶段的弃权门进行进一步验证，以防止不安全的操作。SysName在配置各种工业协议方面表现出高精度和高效率，包括一个涉及Universal Robots UR5e机器人的案例研究。
-
LLM 管道将机构政策转换为机器可读知识图谱
研究人员开发了 PolicyKG，一个代理式 LLM 管道，旨在将机构政策从自然语言转换为机器可读的 SHACL 知识图谱。该系统将政策句子分类为义务、许可或禁止，将它们翻译成一阶规范逻辑，并生成 SHACL 约束。该管道利用 LangGraph 状态机和语料库适配器进行领域再定向，在机构政策语料库上表现出高精度，并显示出合规性检查的潜力。
-
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。
-
SHACL形状学习已正式化，并具有严格的复杂度界限
研究人员开发了一种用于学习SHACL形状的拟合方法，这对于在知识图谱应用中验证数据图至关重要。该研究侧重于与Description Logic ELI对齐的SHACL核心片段，并考虑了递归形状目录的各种语义。该工作为计算最具体的拟合形状建立了严格的指数时间上限，并解决了其存在性问题，同时还确定了特定场景下的多项式界限。
-
新的 PULSE 语言简化了时空知识图谱工程
研究人员开发了 PULSE，一种新颖的可执行契约语言，专为时空知识图谱工程而设计。该语言旨在将操作角色、观测和约束整合到一个单一的、类型化的运行时中，从而修复证据不可覆盖问题，并确保基于事实的计时器和受保护的状态更改。该系统已经过严格测试，包括使用 Lean 4 进行形式化验证和广泛的时间轨迹分析，证明了其匹配独立工作流和识别突变体的能力。
-
新的SciSchema.org集合标准化科学过程描述
研究人员推出了SciSchema.org，这是一个包含16个模式的集合，旨在跨学科标准化科学过程的描述。这些模式采用结合大型语言模型和专家反馈的人工干预方法开发，涵盖生物学、化学、物理学和心理学等领域。其目标是通过结构化输入、输出、参数和来源等细节，来提高科学研究的可比性、可重复性和自动化程度。
-
KDAI2026讲座涵盖知识图谱、神经符号AI和AI的局限性
KDAI2026的最后讲座聚焦于知识图谱和神经符号AI，探讨了OWL、SHACL和混合AI方法等主题。会议还回顾了AI的局限性，讨论了ELIZA效应、Clever Hans、中文房间论证和回形针最大化器等概念，并得出结论，无论是符号推理还是纯粹的机器学习都无法单独实现高级AI。
-
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。
-
RDF/OWL 与属性图：为 AI Agent 选择正确的语义架构
本文探讨了架构师在为 Agentic AI 系统选择 RDF/OWL 和属性图之间的决策过程。文章认为，核心问题不在于哪种技术更优越，而在于所要解决的语义问题的性质。属性图适用于具有显式关系和遍历需求的单系统 Agent，而 RDF/OWL 对于需要共享含义和可审计 Agent 流程的跨平台、受监管的工作流至关重要。
-
Agent 内存需要本体论，但团队常混淆两种不同类型
构建 Agent 内存系统需要仔细考虑本体论，本体论可以有两种截然不同的方法。第一种，本体论即提取模式（ontology-as-extraction-schema），涉及在提示或函数调用中使用受限的词汇表，以确保一致的数据提取，例如标记供应商或合同状态。这种方法很轻量级，通常在 YAML 或 Pydantic 模式等简单文件中管理，并且足以满足单一平台部署。第二种，本体论即语义基础设施（ontology-as-semantic-inf…
-
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。