DeepOnto Download - DeepOnto Source Code Download

DeepOnto

AI-Quellcode

Minor Update

Herunterladen

Docs | Github | Arxiv | Papier

Ein Paket für Ontology Engineering mit Deep Learning.

Nachricht ?

Überprüfen Sie den vollständigen ChangeLog und die FAQs. Die FAQS -Seite enthält jetzt nicht viele Informationen, wird jedoch entsprechend dem Feedback aktualisiert.

Um

$ textenf {Deeponto} $ Ziel ist es, Bausteine für die Implementierung von Deep -Learning -Modellen, die Erstellung von Ressourcen und die Durchführung von Bewertungen für verschiedene Ontology Engineering -Zwecke bereitzustellen.

Dokumentation : https://krrr-oxford.github.io/deeponto/ .
Github Repository : https://github.com/krr--oxford/deeponto .
Pypi : https://pypi.org/project/deeponto/ .

Installation

Owlapi

$ textenf {Deeponto} $ stützt sich auf Owlapi Version 4.5.22 (geschrieben in Java) für Ontologien.

Wir folgen dem, was in Mowl implementiert wurde, das JPYP zum Brücken von Python und Java Virtual Machine (JVM) verwendet. Bitte überprüfen Sie die Installationsseite von JPype, um eine erfolgreiche JVM -Initialisierung zu erhalten.

Pytorch

$ textenf {Deeponto} $ stützt sich auf Pytorch für Deep Learning Framework.

Wir empfehlen, Pytorch vor der Installation zu installieren $ textenf {Deeponto} $ Befolgen Sie die auf der Pytorch -Webseite aufgeführten Befehle. Beachten Sie, dass Benutzer entweder GPU (mit CUDA) oder CPU -Version von Pytorch auswählen können.

Wenn die jüngste Pytorch -Version alle Inkompatibilitätsprobleme verursacht, verwenden Sie den folgenden Befehl (mit CUDA 11.6 ), der bekannt ist:

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu116

Grundnutzung von $ textenf {Deeponto} $ Vergewöhnt sich nicht auf GPUs, aber für ein effizientes Deep Learning -Modelltraining, stellen Sie bitte sicher, dass torch.cuda.is_available() True zurückgibt.

Installieren Sie von PYPI

Andere Abhängigkeiten sind in setup.cfg und requirements.txt angegeben, die zusammen mit deeponto installiert werden sollen.

 # requiring Python>=3.8
pip install deeponto

Wir wurden darüber informiert, dass openprompt einen Konflikt mit mehreren anderen Paketen hat, die kaum auf macOS mit M1 behandelt werden können. Daher stellen wir sie jetzt als optionale Abhängigkeit fest. Es ist jedoch die Hauptabhängigkeit des Ontolama -Code auf deeponto.complete.ontolama . Um Ontolama zu verwenden, installieren Sie bitte openprompt separat oder verwenden Sie den folgenden Befehl zur Installation $ textenf {Deeponto} $ :

pip install deeponto[ontolama]

Installieren Sie aus dem Git -Repository

Um die neueste, wahrscheinlich unveröffentlichte Version von Deeponto zu installieren, können Sie direkt aus dem Repository installieren.

pip install git+https://github.com/KRR-Oxford/DeepOnto.git

Hauptmerkmale

Abbildung: Abbildung von Deepontos Architektur.

Ontologieverarbeitung

Die Basisklasse von $ textenf {Deeponto} $ ist [ Ontology ] [Deeponto.onto.ontology], das als Haupteintrittspunkt für die Einführung der Merkmale des Owlapi dient, z. Sehen Sie die schnelle Verwendung bei Ladung einer Ontologie. Zusammen mit diesen grundlegenden Funktionen werden mehrere wesentliche Submodules entwickelt, um das Kernmodul zu verbessern, einschließlich der folgenden:

Ontologie -Argumentation ([ OntologyReasoner ] [Deeponto.onto.ontologyReasoner]): Jede Instanz von $ textenf {Deeponto} $ hat einen Vernunft als Attribut. Es wird zur Durchführung von Argumentationsaktivitäten verwendet, wie z.
Ontology-Schnitt ([ OntologyPruner ] [Deeponto.onto.ontologyPruner]): Dieses Submodul zielt darauf ab, Schnittalgorithmen zum Extrahieren einer Subontologie aus einer Eingabe-Ontologie einzubeziehen. Wir implementieren derzeit die in [2] vorgeschlagene, die Subsums -Axiome zwischen den geltenden (atomaren oder komplexen) Eltern und Kindern der für die Entfernung abgestimmten Klasse einführt.
Ontologieveralisierung ([ OntologyVerbaliser ] [Deeponto.onto.ontologyverbaliser]): Das in [4] vorgeschlagene rekursive Konzept wird hier implementiert, das automatisch einen komplexen logischen Ausdruck in einen Textsatz basierend auf den in der Ontologie verfügbaren Entitätsnamen oder Labels verwandeln kann. Siehe Verbalisierung von Ontologiekonzepten.
Ontologieprojektion ([ OntologyProjector ] [Deeponto.onto.ontologyProjector]): Der in der OWL2VEC* Ontology -Einbettungen übernommene Projektionsalgorithmus wird hier implementiert, wodurch die Tbox einer Ontologie in einen Satz von RDF -Dreifachs umgewandelt wird. Der relevante Code wird aus der MowL -Bibliothek geändert.
Ontologie -Normalisierung ([ OntologyNormaliser ] [Deeponto.onto.ontologyNormaliser]): Die implementierte $ mathcal {el} $ Die Normalisierung wird auch aus der MWL -Bibliothek modifiziert, mit der Tbox -Axiome in normalisierte Formen umgewandelt werden können, z. B. geometrische Ontologie -Einbettungen.
Ontologie-Taxonomie ([ OntologyTaxonomy ] [Deeponto.onto.ontologyTaxonomy]): Die aus einer Ontologie extrahierte Taxonomie ist eine gerichtete acyclische Graphen für die Abhängigkeits-Hierarchie, die häufig zur Unterstützung von Grafik-basierten Deep-Learning-Anwendungen verwendet wird.

Tools und Ressourcen

Einzelne Tools und Ressourcen werden basierend auf dem Core Ontology Processing -Modul implementiert. Momentan, $ textenf {Deeponto} $ Unterstützt Folgendes:

Bertmap [1] ist ein Bert-basiertes Ontology Matching (OM) -System, das ursprünglich in Repo entwickelt wurde, wird aber jetzt in gehalten $ textenf {Deeponto} $ . Siehe Ontology Matching mit Bertmap & Bertmaplt.
Bio-ML [2] ist eine OM-Ressource, die in der Bio-ML-Spur der OAEI verwendet wurde. Siehe BIO-ML: Eine umfassende Dokumentation.
Bertsubs [3] ist ein System für die Vorhersage von Ontology Subsumtion. Wir haben seinen ursprünglichen experimentellen Code in dieses Projekt umgewandelt. Siehe Abhängigkeit von Bertsubs.
Ontolama [4] ist eine Bewertung des Sprachmodells für die Inferenz für Ontologie -Abhängigkeit. Siehe Ontolama: Datensatzübersicht und Nutzungshandbuch für die Verwendung der Datensätze und des prompt-basierten Prüfungsansatzes.
Hit (extern) [6] ist ein Hierarchie-Einbettungsmodell, das aus Bert-ähnlichen Modellen im hyperbolischen Raum abgeleitet ist. Sehen Sie sich Optionen und Verwendung an.

Lizenz

!!! Lizenz "Lizenz"

 Copyright 2021-2023 Yuan He.
Copyright 2023 Yuan He, Jiaoyan Chen.
All rights reserved.

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at *<http://www.apache.org/licenses/LICENSE-2.0>*

Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.

Zitat

Unser System Papaer für $ textenf {Deeponto} $ ist bei Arxiv und iOS Press erhältlich.

Yuan He, Jiaoyan Chen, Hang Dong, Ian Horrocks, Carlo Allocca, Taehun Kim und Brahmananda Sapkota. Deeponto: Ein Python -Paket für Ontology Engineering mit Deep Learning. Semantisches Web, Vol. 15, nein. 5, S. 1991-2004, 2024.

!!! Kredit "Zitat"

 ```
@article{he2024deeponto,
  author = {He, Yuan and Chen, Jiaoyan and Dong, Hang and Horrocks, Ian and Allocca, Carlo and Kim, Taehun and Sapkota, Brahmananda},
  journal = {Semantic Web},
  number = {5},
  pages = {1991--2004},
  title = {DeepOnto: A Python package for ontology engineering with deep learning},
  volume = {15},
  year = {2024}
}
```

Relevante Veröffentlichungen

[1] Yuan er, Jiaoyan Chen, Denvar Antonyrajah und Ian Horrocks. Bertmap: Ein Bert -basiertes Ontologie -Ausrichtungssystem . In Proceedings of 36. AAAI-Konferenz über künstliche Intelligenz (AAAI-2022). /arxiv//aaai/
[2] Yuan er, Jiaoyan Chen, Hang Dong, Ernesto Jiménez-Ruiz, Ali Hadian und Ian Horrocks. Maschinell lernfreundliche biomedizinische Datensätze für die Gleichwertigkeit und die Ontologie-Übereinstimmung mit Abonnement . Die 21. International Semantic Web Conference (ISWC-2022, Bester Ressourcenpapierkandidat ). /arxiv//iswc/
[3] Jiaoyan Chen, Yuan HE, Yuxia Geng, Ernesto Jiménez-Ruiz, Hang Dong und Ian Horrocks. Kontextbezogene semantische Einbettungen für die Vorhersage von Ontologie -Subsumtion . World Wide Web Journal （wwwj-2023). /arxiv//wwwj/
[4] Yuan er, Jiaoyan Chen, Ernesto Jiménez-ruiz, Hang Dong und Ian Horrocks. Sprachmodellanalyse für die Inferenz für Ontologie -Subsums . Ergebnisse der Assoziation für Computer-Linguistik (ACL-2023). /arxiv//acl/
[5] Yuan He, Jiaoyan Chen, Hang Dong und Ian Horrocks. Erforschung großer Sprachmodelle für die Ontologie -Ausrichtung . Die 22. Internationale Semantische Webkonferenz (ISWC-2023 Poster & Demos). /arxiv//iswc/
[6] Yuan He, Zhangdie Yuan, Jiaoyan Chen und Ian Horrocks. Sprachmodelle als Hierarchie -Encoder . Fortschritte in der Verarbeitung von neuronalen Informationsverarbeitungssystemen (Neurips 2024). /arxiv//[neurips] (erscheinen)/