利用神经网络 (Deep Learning) 技术特别是语言模型 (Language Model)，在本体工程 (Ontology Engineering) 中应用已引起广泛关注。Deeponto 是一个为本体工程设计的 Python 包，通过整合深度学习框架和本体 API，实现了对本体建模的无缝集成。本文通过两个使用案例展示了 Deeponto 的实际应用价值。

Jul, 2023

该研究提出了一个本体重塑方法，将本体转化为更好地反映底层数据并帮助构建更好的知识图谱的知识图谱模式，从而解决工业分析中的低质量知识图谱可能带来的问题，由此提高了 SPARQL 查询的训练效率和知识图谱的可扩展性。

Sep, 2022

本文提出一个以本体指导实体对齐的方法 OntoEA，该方法通过联合嵌入本体和知识图谱来避免虚假映射，实验证明了该方法的优越性和本体的有效性。

May, 2021

本文介绍了一种使用两个基于人工智能的聚类算法来推荐 Open Research Knowledge Graph（ORKG）中资源有关谓词（在 RDF 语句中）的方法，以促进 ORKG 中术语汇聚的服务。实验证明，该方法具有很高的准确性和相对较高的召回率，并提供了有关谓词组的新见解，这些谓词组自动在跨 44 个研究领域的学术知识的语义化模式中积累。

Oct, 2022

提出 OntoSeer 工具来改善本体论建设过程的质量，包括名称约定，词汇复用，ODP 实现和公理的添加，并作为 Protégé 插件进行实现。

Feb, 2022

ReOnto 是一种利用神经符号知识进行关系抽取任务的新技术，通过使用图神经网络获取句子表示并利用公开可访问的本体论来确定两个实体之间的句内关系，从本体论中提取两个实体之间的关系路径。在两个公共生物医学数据集 BioRel 和 ADE 上进行的实验结果显示，我们的方法优于所有基准方法（大约提高了 3%）。

Sep, 2023

本研究探讨本体论操作中的对齐和合并在不同环境下的特性，发现其中的通用性质（包括幂等性、交换律、结合律和可表示性），并且发现可以高效地计算出给定本体库的合并闭包。

Aug, 2022

本研究介绍了一种名为 LaKERMap 的新型自监督学习本体匹配框架，它利用转换器将概念的上下文和结构信息融入其中，旨在捕捉包括本地和全局交互在内的多种结构上下文。通过使用 Bio-ML 数据集和任务，我们的创新方法显示 LaKERMap 在对齐质量和推理时间方面优于最先进的系统。

Oct, 2023

本研究开发的 GraphMatcher 是一个本体匹配系统，使用图注意力方法计算类及其周围术语的高层表示，并在 Ontology Alignment Evaluation Initiative（OAEI）2022 会议跟踪中取得了显著的成果。

Apr, 2024

本研究提出 OntoMedRec，基于医学本体的逻辑预训练和模型无关的药物推荐，解决了数据稀疏性问题，通过对基准数据集进行全面实验评估，结果表明 OntoMedRec 的整合可以提高整个电子病历数据集和少样本药物入院情况下各种模型的性能。

Jan, 2024