SPARQL
PulseAugur coverage of SPARQL — every cluster mentioning SPARQL across labs, papers, and developer communities, ranked by signal.
- used by Gotit.pub 70%
- used by CatalyzeX 70%
- used by Wikidata 70%
- used by Resource Description Framework 70%
- instance of Resource Description Framework 70%
- uses alphaXiv 70%
- used by SHACL 70%
- used by Ontology Web Language 70%
- used by ScienceCast 60%
- used by alphaXiv 60%
- affiliated with Wikidata 50%
- instance of Ontology Web Language 50%
8 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。
-
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。
-
新的语义图框架整合小麦生产数据
研究人员开发了一个名为可持续小麦生产数据中心（Sustainable Wheat Production Datahub）的新型语义图框架，用于整合与小麦种植相关的多样化数据集。该框架利用知识获取与表示方法学（KNARM）创建营养和疾病管理的本体，然后用来自田间试验、专家知识和环境描述符的数据填充这些本体。该系统允许使用SPARQL查询来回答复杂的农艺问题，并展示了从独立来源推导新事实和组合数据的能力，为建立一个全面的全球粮食系统数据中…
-
Open Ontologies：用于 AI 原生本体工程的 Rust MCP 服务器
Tesseract Academy 发布了 Open Ontologies，这是一个基于 Rust 的 MCP 服务器，专为 AI 代理设计，用于工程生产级 OWL 本体。与 Protégé 等传统方法相比，该工具链提供了显著的性能提升，一致性检查的中位数延迟降至 0.3 微秒。Open Ontologies 集成了超过 70 个可供 AI 代理调用的工具，支持三层架构内的验证、推理、对齐和治理。
-
新方法使用形而上学本体承诺验证语义映射
研究人员开发了一种验证不同数据源之间语义映射的新方法。该方法基于本体本身的形而上学承诺，为确保数据一致性提供了一个新颖的框架。该论文通过一个涉及 Islamskiy entsiklopedicheskiy slovar' 和 Basic Formal Ontology 之间映射的案例研究来展示这种方法，重点关注基数约束。这些原则使用 SPARQL 查询来操作化，以验证映射管道结果。
-
新的基准 ENTLORE 测试企业问答中的潜在组织推理 · 跟踪 6 个来源
研究人员推出了 ENTLORE，这是一个旨在评估企业问答系统中潜在组织推理能力的新基准。该框架从文档和组织表中重建企业结构，以测试模型推断隐含关系的能力，而不仅仅是陈述的事实。ENTLORE 包含 2,341 份文档和 907 个问题，结果显示，虽然将数据构建为知识图谱可以提高性能，但仍有很大一部分潜在问题未得到解答。此外，其他研究探索了用于知识图谱问答的智能体方法，重点关注自我改进和合成轨迹课程，以增强推理和泛化能力。
-
新的LLM知识库GPTKB 2.0改进了实体消歧
研究人员开发了GPTKB 2.0，一个源自大型语言模型的知识库，解决了实体消歧问题。该新系统构建了一个包含3840万个三元组和超过160万个实体的知识库，区分了同名异义词并合并了同义提及。一个网络演示允许用户探索知识库、审计事实的出处，并使用SPARQL或自然语言进行查询。
-
新的FICE模型为知识图谱提供完全归纳基数估计
研究人员开发了FICE，这是一种新颖的图神经网络，专为知识图谱上的SPARQL查询进行完全归纳基数估计而设计。与需要为新图或修改后的图重新训练的先前方法不同，FICE无需重新训练即可泛化到未见过的图和关系。该模型采用双组件GNN，其中编码器生成嵌入，解码器预测对数基数，并进行联合训练以进行专门估计。FICE在多个知识图谱上展示了比现有方法显著的改进，降低了中位数查询误差并增强了尾部行为。
-
新GRISP方法使用SLM进行知识图谱上的SPARQL问答
研究人员开发了GRISP，一种使用微调的小型语言模型（SLM）进行知识图谱问答的新方法。GRISP从自然语言问题生成SPARQL查询骨架，然后通过搜索和重新排序知识图谱项来解析占位符。SLM在从问题-查询对生成的数据上进行训练，并且与其他的微调方法相比，该方法在Wikidata和Freebase基准测试上显示出改进的结果。
-
KDAI2026 讲座涵盖 SPARQL、DBpedia 与 Wikidata 以及 OWL
本条目详细介绍了 KDAI2026 的第 11 讲，重点关注 SPARQL 审讯策略。讲座内容包括 FILTER、REGEX、OPTIONAL、UNION、否定、BIND 和 GROUP BY 聚合。还对 DBpedia 和 Wikidata 进行了比较，指出 DBpedia 的 13.2 亿个三元组来自 Wikipedia 信息框，而 Wikidata 的 176 亿个三元组由约 29,000 名编辑维护。会议最后讨论了 OWL 描…
-
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。
-
新框架使用LLM实现对领域特定档案的自然语言访问
研究人员开发了一个名为自然语言知识图谱查询（NLKGQ）的可重用框架，使用户能够通过自然语言查询领域特定的档案。该系统利用大型语言模型（LLM）将自然语言问题转化为准确的SPARQL查询，然后针对知识图谱执行这些查询。该框架被设计为领域无关的，开发始于在Web本体语言（OWL）本体中捕获领域词汇和语义。该系统在查询神经影像学研究档案元数据方面表现出100%的准确性，可读的实体名称和语义注释比LLM选择或提示工程更关键。
-
MARS 系统集成了 LLM 和知识图谱，无需微调即可实现 KGQA
研究人员开发了 MARS，一种用于知识图谱问答 (KGQA) 的新方法，该方法将大型语言模型 (LLM) 与知识图谱 (KG) 相结合，无需模型微调。MARS 采用结构化检索过程将问题实体链接到 KG，并迭代获取相关信息。该系统自适应地决定何时继续图遍历或生成最终的 SPARQL 查询，为完全自主的方法提供了一种更可预测的替代方案。MARS 在 KGQA 基准测试中表现出具有竞争力的性能，证明了其高效和可扩展性。
-
SAGA框架通过模式感知增强代理式文本到SPARQL生成
研究人员推出SAGA，一个旨在改进知识库问答代理式文本到SPARQL生成的新框架。SAGA通过将模式感知纳入归因过程，解决了现有语言模型代理中的“类型盲归因”问题。这种无需训练的方法可以过滤不兼容的属性候选，并呈现模式注释的图模式，从而在多个基准测试中显著提高准确性并减少空结果查询。
-
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。
-
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…
-
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。
-
新的DeSQ框架简化了KBQA的SPARQL查询生成
研究人员推出DeSQ，一个用于知识库问答（KBQA）的SPARQL查询生成新框架。DeSQ将复杂问题分解为原子约束，将它们映射到SPARQL片段，然后组装成完整的查询。该方法旨在结合直接查询生成和答案检索的优点，同时减轻它们的缺点。DeSQ在多个基准测试中表现出卓越的性能，并提供了更高的鲁棒性和简化的评估。