Web Ontology Language
PulseAugur coverage of Web Ontology Language — every cluster mentioning Web Ontology Language across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
OntoInk 通过集成可视化和验证简化本体文档编制
研究人员开发了 OntoInk，这是一个开源的 MkDocs 插件，旨在简化本体文档编制、可视化和验证的过程。该工具将这些活动集成到单一的文档即代码 (documentation-as-code) 管道中，支持交互式本体图、SHACL 形状验证、OWL 推理和内联 Turtle 编辑。与现有工具不同，OntoInk 提供了一个统一的工作流程，将可编辑的图表直接嵌入文档页面中，从而提高了知识传递和开发效率。
-
新本体旨在统一危机管理知识表示
研究人员开发了欧洲危机管理本体（ECMO），这是一个基于OWL的模块化本体，用于跨部门危机管理和灾害风险降低。ECMO-CORE建立了诸如危害、影响和响应等基本概念，还包括特定领域的模块，例如一个与SNOMED CT和ICD-11对齐的公共卫生模块。该本体用于表示来自“开源疫情情报”系统的数据，证明了其支持危机响应一致知识表示和集成的能力。
-
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。
-
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。
-
新框架 PIE-APT 支持在时间知识图上进行溯因规划
研究人员推出 PIE-APT，一个用于时间动态知识图 (TDKG) 溯因规划的新框架。该系统在开放世界环境中运行，并解决了现有动作形式化中固有的可判定性问题和枝节问题等挑战。PIE-APT 采用统一方法，包含 PIE-Abducer 和 PIE-APT 两个模块，它们原生支持 SROIQ 描述逻辑和 OWL，用于建模状态转换和动作。该框架使用增量推理器来维持可判定性，并通过在 OWL 中表示动作来绕过枝节问题。它还通过综合缺失的前提（…
-
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…
-
英国、北约国防本体在新研究论文中实现对齐
本文详细介绍了对英国和北约国防数据基础设施至关重要的三个顶层本体的对齐：信息交换标准（IES）、高质量数据模型（HQDM）和基础形式本体（BFO）。该研究通过创建手工制作的OWL交叉映射，解决了IES和HQDM之间缺乏公开对齐的问题。通过对合并后的本体进行推理，该研究取得了超越特定对齐的重大成果。
-
新算法简化复杂的 OWL 类表达式，以改进推理
研究人员开发了一种名为类表达式简化器 (CES) 的新算法，以降低知识表示中使用的 OWL 类表达式的复杂性。CES 应用理论上可靠的简化原则，使这些表达式更易于人类阅读和推理，同时不改变其形式语义。CES 在开源 Python 框架 OWLAPy 中实现，在对中等规模本体进行测试时，已证明在推理效率和冗余度降低方面有所改进，有助于构建更易于访问和可扩展的本体驱动应用程序。
-
新的本体论支持方法改进了汽车电子电气组件的验证
研究人员开发了一种新的方法来验证汽车电子电气（E/E）组件的鲁棒性。该方法利用本体论来形式化鲁棒性验证过程和任务剖面中的知识，旨在自动化分析选择和决策支持。该系统已应用于汽车电力电子领域的工业用例，在缩短设计时间和提高详尽性方面取得了显著改进。
-
基于本体的方法简化汽车组件验证
一篇新论文提出了一种支持本体的方法，以增强汽车电子电气组件的鲁棒性验证过程。该方法将验证过程和任务配置文件的知识形式化为OWL表示，从而能够进行语义查询，以改进分析选择和决策支持。该框架应用于汽车电力电子领域的工业用例，通过自动化的分析选择和数据提供，显著减少了设计时间和提高了穷尽性。
-
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。
-
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。
-
神经符号框架使用组合范畴语法重构大型语言模型输出
研究人员提出了一个神经符号框架，利用组合范畴语法（CCG）将大型语言模型（LLMs）的输出重构为类型化的组合推导。该方法虽然不声称LLMs内部实现了CCG，但表明LLM的输出可以以增量方式被可听地重构。该框架超越了自然语言，扩展到Solidity、OWL和SQL等形式语言，利用了Curry-Howard对应关系。它能够针对外部知识源检查组合结构失败和幻觉内容。
-
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。
-
NeurOWL框架使用LLM进行不完整的本体推理
研究人员开发了NeurOWL，一个新颖的神经符号框架，旨在解决不完整OWL本体中的推理挑战。该框架集成了大型语言模型（LLMs）和本体嵌入，以联合验证合理的子类关系并识别缺失的公理。NeurOWL在包括医疗保健和生物信息学在内的各种现实世界领域展示了强大的性能。
-
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。
-
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…
-
Owl alpha AI 模型在 OpenRouter 上免费发布
新的 AI 模型 Owl alpha 已发布，可在 OpenRouter 上免费获取。发布内容包括一个演示其功能的 YouTube 教程。
-
New framework enables fuzzy quantification over ontologies and knowledge graphs
研究人员开发了一个新的框架，用于在本体和知识图谱上进行模糊量化查询，支持标准和模糊版本。该系统旨在检索满足通过I型或II型模糊量化语句表达的标准的对象。一个显著的特点是它不依赖于特定的量词类型、评估方法或数据源，并且包含一个名为Q2S2的公开可用实现，以促进进一步的研究。