本研究通过引入适用于本体匹配的主动学习方法 DualLoop 解决最后一英里问题，其中包括可调节的启发式匹配器、适应高度不平衡数据的短期学习器和创建调整新启发式方法以探索潜在匹配的长期学习器。通过在三个不同规模和领域的数据集上评估 DualLoop，我们达到比现有主动学习方法更好的 F1 分数和召回率，并将查询成本降低了 50% 以上，成功找到了额外的匹配，并在建筑工程行业中部署和运行，展示了其实际价值和效率。

Apr, 2024

本文提出了一种新方法，将知识图谱作为先验知识，通过机器学习、图匹配和修改频繁子图挖掘来语义注释结构化数据源。我们的评估显示，在只知道少量语义模型的棘手情况下，我们的方法优于两种最先进的解决方案。

Dec, 2022

整合归纳推理和演绎推理的过程，系统文献综述发现研究了机器学习和本体结合的文章，并将归纳推理（由机器学习执行）和演绎推理（由本体执行）结合到人工智能系统中。通过分析 128 项研究，我们找到了三个主要的机器学习和本体结合的类别：增强本体、语义数据挖掘、学习与推理系统，并强调了这些研究中使用的多种机器学习算法。此外，我们还将我们的分类与领域内类似的近期工作和神经符号方法进行了比较。

Jan, 2024

通过自然语言处理和网络分析等方法，对 30 个生物医学本体和计算机科学本体的质量进行研究和改进。该研究提出了多种潜在问题的检测方法，重点关注本体间交叉引用的问题，并探讨了本体的多样化重复使用对于本体质量的改进至关重要的观点。

May, 2022

本文基于知识图谱嵌入探索了一种新的基于结构的映射方法，并使用合成和真实数据集进行了初步评估，结果表明，该方法对相似结构的图形具有很好的处理能力，可优于处理本体的大小和结构差异的对齐噪声。

Apr, 2022

本文系统回顾了本体嵌入领域的 80 多篇论文，介绍了本体的不同语义以及数学和机器学习的视角下的本体嵌入的定义和特性，并对几种技术解决方案进行了分类和分析，包括几何建模、序列建模和图传播等。此外，还介绍了本体嵌入在本体工程、机器学习增强和生命科学中的应用，并讨论了挑战和未来方向。

Jun, 2024

改善研究数据的 FAIR 性（可找性、可访性、互操作性、可重复性）的重要性不容忽视，特别是在当前由组学技术产生的大规模复杂数据集面前。本篇综述介绍了与基础植物科学相关的本体论术语，并说明了如何使用这些术语来注释与植物特定实验相关的数据，在元数据框架（如 ISA）中标记植物科学相关数据。同时，还介绍了用于确定适用本体论或查找本体论术语的资源库和平台。

Aug, 2023

为解决 Ontology Matching 中评价体系不全的问题，该研究提出了五个新的医学本体匹配任务，并且提出了一个全面的评价框架，对机器学习和非机器学习的匹配系统进行了评估。该研究的资源已经公开发布在 OAEI 2022 的 BioML 赛道中。

May, 2022

本文讨论了当前数据科学和机器学习自动化解决方案的重要缺陷，并设想如何利用语义理解和推理与数据科学自动化的新工具相结合，以帮助保持一致且可解释的数据增强和转换。另外，我们还讨论了语义如何在处理与信任、偏见和可解释性相关的挑战方面以一种崭新的方式帮助数据科学家，并在更好地探索和组织大型数据源方面提供帮助。

Mar, 2023

本文提出了两种新颖的自动文本标注方法用于验证机器学习生成的未标记文本的元数据，特别适用于环境基因组学领域。我们的技术展示了利用未标记文本和科学领域的现有信息的两种新方法的潜力。结果表明，所提出的标签分配方法可以为未标记文本生成通用和高度特定的文本标签，其中有多达 44% 的标签与机器学习关键词提取算法建议的标签匹配。

Nov, 2023