KRR-Oxford/DeepOnto

解決的問題

DeepOnto 提供一個統一的 Python 框架，彌合形式化知識表示（本體）與深度學習之間的差距。它簡化了實現深度學習模型、建構資源以及評估效能的過程，適用於本體匹配與子類預測等任務。

工作原理

它使用核心的 Ontology 類，透過 JPype 與基於 Java 的 OWLAPI 集成，以處理本體實體與公理。該框架分為多個專用模組：

• 處理工具：包含用於一致性檢查的推理機、用於提取子本體的剪枝器、將邏輯表達式轉換為文字的語義化器，以及用於嵌入準備的投影器/歸一化器。
• 分類體系提取：將本體轉換為有向無環圖（DAG），以適應基於圖的深度學習。
• 整合系統：捆綁特定工具，如 BERTMap（本體匹配）、BERTSubs（子類預測）和 OntoLAMA（用於子類推理的 LLM 評估）。

適用對象

專為語義網、知識工程與人工智慧領域的研究人員與開發者設計，希望將深度學習技術應用於形式化本體的人群。

主要亮點

• OWLAPI 集成：無縫連接 Python 與 Java 的 OWLAPI，實現穩健的本體處理。
• 全面的工具集：內建推理、剪枝與語義化支援。
• 預整合模型：包含基於 BERT 的系統，用於本體對齊與子類預測。
• LLM 探測：提供 OntoLAMA，用於評估語言模型在本體子類推理中的表現。