SPARQL
PulseAugur coverage of SPARQL — every cluster mentioning SPARQL across labs, papers, and developer communities, ranked by signal.
- used by Resource Description Framework 80%
- used by Gotit.pub 70%
- used by alphaXiv 70%
- used by ScienceCast 70%
- uses alphaXiv 70%
- uses ScienceCast 70%
- instance of Resource Description Framework 70%
- used by CatalyzeX 70%
- used by Wikidata 70%
- used by Web Ontology Language 70%
- used by SHACL 70%
- used by Ontology Web Language 70%
9 天有情绪数据
-
新数据集训练 AI 代理更有效地搜索 Wikidata
研究人员推出了一款名为 Wikidata Search Traces 的新数据集和框架，旨在训练代理查询 Wikidata 等大型知识库。该数据集解决了当前语言模型在依赖内部记忆而非主动图探索方面的局限性。提出的方法包括创建多跳问题并有效管理检索到的证据，显示出商业和开源模型的性能均有所提高。
-
新的基准数据集旨在改进用于建筑自动化的自然语言到SPARQL查询
研究人员推出了Build2SPARQL，这是一个大规模的基准数据集，旨在改进将自然语言问题转换为用于建筑自动化知识图谱的SPARQL查询。该数据集通过图形遍历代码管道生成可执行的SPARQL查询，解决了此类基准的稀缺性问题，并独立于语言模型的行为确保了正确性。然后，通过大型语言模型生成自然语言问题，在人类验证中实现了高语义保真度和自然度。该基准旨在增强语言代理查询复杂建筑知识图谱的能力。
-
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。
-
新基准评估LLM在时空停电分析中的能力
研究人员推出了GeoOutageBench，一个旨在评估大型语言模型（LLM）在执行时空知识图谱问答（KGQA）以分析停电和基础设施韧性方面的能力的新基准。该基准独特地整合了来自不同来源的视觉、文本和结构化数据，包括停电记录、卫星图像和天气数据，以及领域本体。GeoOutageBench提供了一个具有不同难度级别的查询分类，以评估LLM对模糊时空问题的理解、其本体的使用以及在多模态KGQA检索中的准确性，为评估LLM-KG系统在现实世…
-
AI框架通过可解释性增强执法领域的法律推理能力
提出了一种用于执法领域决策支持系统的新框架，重点关注可解释性以及是否符合欧盟《通用数据保护条例》（GDPR）和《执法指令》（LED）等法规。该系统利用符号AI和SPARQL处理法律规范和规则，确保执法机构（LEAs）的决策透明且可辩护。与许多缺乏可解释性的机器学习方法不同，该框架旨在通过提供清晰的输出推理来建立用户信心，并在必要时利用决策树来指导信息请求。
-
CodeGraph知识图谱解锁源代码语义，助力LLM分析
研究人员开发了CodeGraph，一个新颖的知识图谱，旨在对GitHub等公共代码库中的源代码进行语义注解。该系统利用专门的代码大语言模型和三阶段链接过程，将提取的代码概念与Wikidata进行关联。生成的CodeGraph包含约1.58亿个节点和10亿条边，为多种编程语言的源代码提供了详细的语义表示。另一项独立研究探讨了代码图谱的实际应用，发现它们可以显著降低Haiku等小型LLM在分析Kubernetes和Visual Studi…
-
新系统在LLM知识图谱查询中使用受控语义
研究人员开发了一个名为NLKGQ的系统，该系统利用LLM上下文窗口中的受控语义来执行自然语言知识图谱查询。该框架使用正式的OWL本体将领域概念转移给LLM，使它们能够以零样本（zero-shot）的方式直接生成SPARQL查询。该系统在多个基准测试上进行了评估，包括DBLP-QuAD 2.0和一个新提出的DBLP-QuAD 3.1，取得了很高的匹配分数。
-
强化学习提升零样本文本到SPARQL生成能力
研究人员探索了使用强化学习进行零样本文本到SPARQL生成，这是知识图谱问答的关键任务。他们将Group-Relative Policy Optimization (GRPO)应用于Qwen3-1.7B模型，利用执行反馈和答案级奖励进行训练，无需金标准查询标注。研究发现，基于结果的奖励显著提高了性能，优于零样本基线，表明在缺乏完全监督的情况下，强化学习是一种可行的策略。
-
新的“数据故事”方法简化了文化遗产知识图谱的访问
研究人员开发了一种名为“数据故事”的新颖方法，以使文化遗产知识图谱更容易进行探索和质量评估。这些叙事结合了说明性文本、图像和可执行的SPARQL查询及其可视化结果，引导用户理解复杂数据，而无需深厚的技术专业知识。作为概念验证，介绍了一个名为LODEON的创作平台，该平台具有AI支持的助手，展示了这些数据故事如何增强理解并揭示隐藏的数据质量问题。
-
LLM知识图谱问答：答案路径至关重要，语法无关紧要
研究人员调查了在大型语言模型（LLM）对知识图谱进行问答的图检索增强生成（RAG）流水线中不同组件的影响。他们的发现表明，包含“答案路径”（即到达答案所需的特定三元组）可显著提高准确性，而移除它则会严重降低性能。相反，语法、三元组顺序和子图大小等因素对多跳问答没有可测量的影响。
-
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。
-
新框架通过LLM和代理导航增强知识图谱问答能力
研究人员开发了两个用于知识图谱（KG）问答的新颖框架。第一个，KGFR，采用大型语言模型（LLM）和结构化检索器（KGFR）之间的协作方法，实现了对未见过的KG的零样本泛化，并能高效处理大型图谱。第二个，KGVoyager，提出了一个知识图谱无关的代理架构，该架构动态地发现图谱结构和语义以生成SPARQL查询，仅需要一个查询端点和一个轻量级的类索引即可应用于现实世界的端点。
-
新框架可自动生成知识图谱的联合SPARQL查询
研究人员开发了RENSA，一个旨在自动化知识图谱联合SPARQL查询生成的框架。该系统通过整合类和权威信息来增强现有的元数据标准，从而实现更精确的源选择并减少通信开销。RENSA生成的配置文件紧凑，并且在源选择准确性方面已证明可与最先进的方法相媲美，同时无需运行时ASK查询。
-
新AI工具检测政治新闻中的时间虚假信息
研究人员开发了一种时间连贯性评分（TCS）方法，用于识别政治新闻中的时间不一致性，这是一种绕过传统假新闻检测器的虚假信息形式。TCS系统采用四阶段流程：提取时间事实、构建知识图谱、根据内部规则和Wikidata等外部来源进行验证，以及聚合带有解释的评分。该方法在包含注入错误的文章基准测试（100篇文章）上达到了0.909的精确率，并为标记的不一致性提供详细解释，以协助人工事实核查员。
-
新本体标准化边缘、雾和云中的分布式AI工作流
研究人员开发了一种新的符合SAREF标准本体，旨在标准化边缘、雾和云环境中分布式AI工作流的表示。该本体扩展了SAREF4SYST框架，包含了AI管道、作业、计算资源和部署约束的概念，旨在提高互操作性和编排能力。所提出的模型已通过概念验证的智能电网能源服务编排场景进行了评估，证明了高部署成功率和快速的编排决策时间。
-
新框架改进了基于LLM的知识图谱问答
研究人员为使用大型语言模型（LLMs）的知识图谱问答（KGQA）引入了一个名为Constrained Entity Selection under Partial Knowledge (CES-PK) 的新框架。该方法侧重于使用从问题中提取的轻量级符号约束来验证LLMs生成的候选答案，而不是像SPARQL那样需要完整的语义解析成可执行查询。CES-PK旨在通过过滤无效答案来提高精度，并通过采用三值约束语义，在知识图谱不完整的情况下避免…
-
GrOIL 管道使用 LLM 自动化形式本体创建
研究人员开发了 GrOIL，这是一个用于从领域文档自动构建形式本体的新型七阶段管道。该系统确保语料库基础、词汇一致性和表达能力，生成可审计的 Web Ontology Language (OWL) Terminological Boxes (TBox)。与以前的方法不同，GrOIL 将大型语言模型 (LLM) 的使用限制在特定的中介任务上，将输出基础化为 Unified Discourse-Hypergraphs (UDH)，并支持基…
-
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。
-
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。