KRR-Oxford/DeepOnto

解决的问题

DeepOnto 提供了一个统一的 Python 框架，弥合了形式化知识表示（本体）与深度学习之间的差距。它简化了实现深度学习模型、构建资源以及评估性能的过程，适用于本体匹配和子类预测等任务。

工作原理

它使用一个核心的 Ontology 类，通过 JPype 与基于 Java 的 OWLAPI 集成，以处理本体实体和公理。该框架分为多个专用模块：

• 处理工具：包括用于一致性检查的推理机、用于提取子本体的剪枝器、将逻辑表达式转换为文本的语义化器，以及用于嵌入准备的投影器/归一化器。
• 分类体系提取：将本体转换为有向无环图（DAG），以适应基于图的深度学习。
• 集成系统：捆绑了特定工具，如 BERTMap（本体匹配）、BERTSubs（子类预测）和 OntoLAMA（用于子类推理的 LLM 评估）。

适用人群

专为语义网、知识工程和人工智能领域的研究人员和开发者设计，希望将深度学习技术应用于形式化本体的人群。

主要亮点

• OWLAPI 集成：无缝连接 Python 与 Java 的 OWLAPI，实现稳健的本体处理。
• 全面的工具集：内置推理、剪枝和语义化支持。
• 预集成模型：包含基于 BERT 的系统，用于本体对齐和子类预测。
• LLM 探测：提供 OntoLAMA，用于评估语言模型在本体子类推理中的表现。