Descarga de DeepOnto - Descarga del código fuente DeepOnto

DeepOnto

Código Fuente de IA

Minor Update

Descargar

Docios | GitHub | arxiv | Papel

Un paquete para ingeniería de ontología con aprendizaje profundo.

Noticias ?

Verifique el cambio de cambios y las preguntas frecuentes completas. La página de preguntas frecuentes no contiene mucha información ahora, pero se actualizará de acuerdo con los comentarios.

Acerca de

$ textsf {Deeponto} $ Su objetivo es proporcionar bloques de construcción para implementar modelos de aprendizaje profundo, construir recursos y realizar evaluaciones para diversos fines de ingeniería de ontología.

Documentación : https://krr-oxford.github.io/deeponto/ .
Repositorio de GitHub : https://github.com/krr-oxford/deeponto .
Pypi : https://pypi.org/project/deeponto/ .

Instalación

Owlapi

$ textsf {Deeponto} $ se basa en Owlapi versión 4.5.22 (escrita en Java) para ontologías.

Seguimos lo que se ha implementado en MOWL que usa JPype para puente en Python y Java Virtual Machine (JVM). Verifique la página de instalación de JPype para obtener una inicialización exitosa de JVM.

Pytorch

$ textsf {Deeponto} $ confía en Pytorch para el marco de aprendizaje profundo.

Recomendamos instalar pytorch antes de instalar $ textsf {Deeponto} $ Siguiendo los comandos enumerados en la página web de Pytorch. Observe que los usuarios pueden elegir GPU (con CUDA) o la versión CPU de Pytorch.

En caso de que la versión de Pytorch más reciente cause problemas de incompatibilidad, use el siguiente comando (con CUDA 11.6 ) que se sabe que funciona:

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

Uso básico de $ textsf {Deeponto} $ No se basa en GPU, pero para una capacitación eficiente en el modelo de aprendizaje profundo, asegúrese de que torch.cuda.is_available() devuelva True .

Instalar desde PYPI

Otras dependencias se especifican en setup.cfg y requirements.txt que se supone que deben instalarse junto con deeponto .

 # requiring Python>=3.8
pip install deeponto

Nos han informado que openprompt tiene un conflicto con varios otros paquetes que apenas se pueden abordar en macOS con M1, por lo que ahora lo establecemos como una dependencia opcional. Sin embargo, es la principal dependencia del código Ontolama en deeponto.complete.ontolama . Para usar Ontolama, instale openprompt por separado o use el siguiente comando para instalar $ textsf {Deeponto} $ :

pip install deeponto[ontolama]

Instalar desde el repositorio de git

Para instalar la última versión inédita de Deeponto, puede instalar directamente desde el repositorio.

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

Características principales

Figura: Ilustración de la arquitectura de Deeponto.

Procesamiento de ontología

La clase base de $ textsf {Deeponto} $ IS [ Ontology ] [Deeponto.onto.ontology], que sirve como el principal punto de entrada para introducir las características de Owlapi, como acceder a entidades de ontología, consulta de conceptos de antepasados/descendientes (y matriz/niño), eliminar entidades, modificaciones de eje y anotaciones de recuperación. Ver uso rápido en Load An Ontology. Junto con estas funcionalidades básicas, se construyen varios submódulos esenciales para mejorar el módulo central, incluido el siguiente:

Razonamiento de Ontology ([ OntologyReasoner ] [Deeponto.onto.ontologyRazerer]): cada instancia de $ textsf {Deeponto} $ tiene un razonador como su atributo. Se utiliza para realizar actividades de razonamiento, como obtener subsumidores y subsume inferidos, así como verificar la implicación y la consistencia.
Ontology Pruning ([ OntologyPruner ] [Deeponto.onto.ontologyPruner]): este submódico tiene como objetivo incorporar algoritmos de poda para extraer una sub -ontología de una ontología de entrada. Actualmente implementamos el propuesto en [2], que introduce axiomas de subsunción entre los padres afirmados (atómicos o complejos) y los hijos de la clase destinados a la eliminación.
Ontology Verbalisation ([ OntologyVerbaliser ] [Deeponto.onto.ontologyverBaliser]): el verbaliser de concepto recursivo propuesto en [4] se implementa aquí, que puede transformar automáticamente una expresión lógica compleja en una oración textual basada en nombres de entidad o etiquetas disponibles en la ontología. Ver Verbalising Ontology Concepts.
Ontology Projection ([ OntologyProjector ] [Deeponto.onto.ontologyProjector]): el algoritmo de proyección adoptado en el OWL2Vec* Ontology Increddings se implementa aquí, que es transformar el Tbox de Ontology en un conjunto de triples RDF. El código relevante se modifica desde la biblioteca del moho.
Normalización de ontología ([ OntologyNormaliser ] [profundo.onto.ontologyNormaliser]): el implementado $ mathcal {el} $ La normalización también se modifica a partir de la biblioteca del moho, que se utiliza para transformar los axiomas de Tbox en formas normalizadas para soportar, por ejemplo, incrustaciones de ontología geométrica.
Taxonomía de ontología ([ OntologyTaxonomy ] [Deeponto.onto.ontologytaxonomy]): la taxonomía extraída de una ontología es un gráfico acíclico dirigido para la jerarquía de subsunción, que a menudo se usa para apoyar aplicaciones de aprendizaje profundo basados en gráficos.

Herramientas y recursos

Las herramientas y recursos individuales se implementan en función del módulo de procesamiento de ontología central. Actualmente, $ textsf {Deeponto} $ Admite lo siguiente:

Bertmap [1] es un sistema de coincidencia de ontología (OM) basado en BERT originalmente en repo, pero ahora se mantiene en $ textsf {Deeponto} $ . Ver Ontology Matching con Bertmap y Bertmaplt.
Bio-ML [2] es un recurso OM que se ha utilizado en la pista BIO-ML del OAEI. Ver BIO-ML: una documentación integral.
Bertsubs [3] es un sistema para la predicción de la subsunción de ontología. Hemos transformado su código experimental original en este proyecto. Ver Inferencia de subsunción con Bertsubs.
Ontolama [4] es una evaluación del modelo de lenguaje para la inferencia de la subsunción de ontología. Consulte Ontolama: descripción general del conjunto de datos y guía de uso para el uso de los conjuntos de datos y el enfoque de sondeo basado en el aviso.
HIT (externo) [6] es un modelo de incrustación de jerarquía derivado de los modelos tipo Bert en el espacio hiperbólico. Vea los modelos de éxito en Huggingface Hub para opciones y uso.

Licencia

! Licencia "Licencia"

 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.

Citación

Nuestro sistema de papa para $ textsf {Deeponto} $ está disponible en ARXIV e iOS Press.

Yuan He, Jiaoyan Chen, Hang Dong, Ian Horrocks, Carlo Allocca, Taehun Kim y Brahmananda Sapkota. Deeponto: un paquete de Python para ingeniería de ontología con aprendizaje profundo. Semántica Web, vol. 15, no. 5, pp. 1991-2004, 2024.

! Crédito "Cita"

 ```
@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}
}
```

Publicaciones relevantes

[1] Yuan él, Jiaoyan Chen, Denvar Antonyrajah e Ian Horrocks. Bertmap: un sistema de alineación de ontología basado en Bert . En Actas de la 36ª Conferencia AAAI sobre inteligencia artificial (AAAI-2022). /arxiv//aaai/
[2] Yuan él, Jiaoyan Chen, Hang Dong, Ernesto Jiménez-Ruiz, Ali Hadian e Ian Horrocks. Conjuntos de datos biomédicos amigables para el aprendizaje automático para equivalencia y subsunción ontología coincidencia . La 21ª Conferencia Internacional de la Semántica (ISWC-2022, Mejor candidato en papel de recursos ). /arxiv//iswc/
[3] Jiaoyan Chen, Yuan He, Yuxia Geng, Ernesto Jiménez-Ruiz, Hang Dong e Ian Horrocks. Incrustaciones semánticas contextuales para la predicción de la subsunción de ontología . World Wide Web Journal （wwwj-2023). /arxiv//wwwj/
[4] Yuan él, Jiaoyan Chen, Ernesto Jiménez-Ruiz, Hang Dong e Ian Horrocks. Análisis del modelo de lenguaje para la inferencia de subsunción de ontología . Hallazgos de la Asociación de Lingüística Computacional (ACL-2023). /arxiv//acl/
[5] Yuan He, Jiaoyan Chen, Hang Dong e Ian Horrocks. Explorando grandes modelos de idiomas para la alineación de ontología . La 22a Conferencia Internacional Semántica Semántica (ISWC-2023 Posters & Demos). /arxiv//iswc/
[6] Yuan He, Zhangdie Yuan, Jiaoyan Chen e Ian Horrocks. Modelos de idiomas como codificadores de jerarquía . Avances en los sistemas de procesamiento de información neural (Neurips 2024). /arxiv//[neurips] (aparecer)/

Informe cualquier error o consulta planteando un problema de GitHub o enviando correos electrónicos a los mantenedores (yuan él o Jiaoyan Chen) a través de: