Download DeepOnto - Download do código -fonte DeepOnto

DeepOnto

Código-Fonte de IA

Minor Update

Baixar

DOCs | Github | arxiv | Papel

Um pacote para engenharia de ontologia com aprendizado profundo.

Notícias ?

Verifique o Changelog completo e as perguntas frequentes. A página das perguntas frequentes não contém muitas informações agora, mas será atualizada de acordo com o feedback.

Sobre

$ textsf {Deeponto} $ visa fornecer blocos de construção para implementar modelos de aprendizado profundo, construir recursos e realizar avaliação para vários fins de engenharia de ontologia.

Documentação : https://krr-oxford.github.io/deePonto/ .
Repositório do Github : https://github.com/krr-oxford/deePonto .
Pypi : https://pypi.org/project/deePonto/ .

Instalação

Owlapi

$ textsf {Deeponto} $ depende do Owlapi versão 4.5.22 (escrito em Java) para ontologias.

Seguimos o que foi implementado em Mowl, que usa o JPype para preencher o Python e o Java Virtual Machine (JVM). Verifique a página de instalação do JPype para obter uma inicialização bem -sucedida da JVM.

Pytorch

$ textsf {Deeponto} $ depende do Pytorch para a estrutura de aprendizado profundo.

Recomendamos a instalação de Pytorch antes de instalar $ textsf {Deeponto} $ Seguindo os comandos listados na página da web Pytorch. Observe que os usuários podem escolher a versão GPU (com CUDA) ou CPU do Pytorch.

Caso a versão mais recente do Pytorch faça com que quaisquer problemas de incompatibilidade, use o seguinte comando (com CUDA 11.6 ) conhecido por funcionar:

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

Uso básico de $ textsf {Deeponto} $ Não depende de GPUs, mas para o treinamento eficiente de modelos de aprendizado profundo, verifique se torch.cuda.is_available() retorna True .

Instale a partir de Pypi

Outras dependências são especificadas no setup.cfg e requirements.txt que deveriam ser instaladas junto com deeponto .

 # requiring Python>=3.8
pip install deeponto

Fomos informados de que openprompt tem um conflito com vários outros pacotes que dificilmente podem ser abordados no MacOS com M1, então agora o definimos como uma dependência opcional. No entanto, é a principal dependência do Código Ontolama em deeponto.complete.ontolama . Para usar ontolama, instale openprompt separadamente ou use o seguinte comando para instalar $ textsf {Deeponto} $ :

pip install deeponto[ontolama]

Instale a partir do repositório Git

Para instalar a versão mais recente e provavelmente não lançada do Deeponto, você pode instalar diretamente no repositório.

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

Principais características

Figura: Ilustração da arquitetura de Deeponto.

Processamento de ontologia

A classe base de $ textsf {Deeponto} $ é [ Ontology ] [Deeponto.onto.ontology], que serve como o principal ponto de entrada para introduzir as características do Owlapi, como acessar entidades de ontologia, consultar conceitos de ancestrais/descendentes (e pais/filho), deletar entidades, modificar axiomas e retroceder as anotações. Consulte o uso rápido na carga de uma ontologia. Juntamente com essas funcionalidades básicas, vários sub-módulos essenciais são construídos para aprimorar o módulo principal, incluindo o seguinte:

Raciocínio da ontologia ([ OntologyReasoner ] [Deeponto.onto.ontologyReioner]): Cada instância de $ textsf {Deeponto} $ tem um raciocínio como atributo. É usado para realizar atividades de raciocínio, como a obtenção de subsumidores e subsumes inferidos, bem como a verificação e a consistência.
Antologia de poda ([ OntologyPruner ] [Deeponto.onto.ontologyPruner]): Este sub-módulo visa incorporar algoritmos de poda para extrair uma sub-ontologia de uma ontologia de entrada. Atualmente, implementamos o proposto em [2], que introduz axiomas de subsumo entre os pais afirmados (atômicos ou complexos) e filhos da classe direcionados para a remoção.
A verbalização da ontologia ([ OntologyVerbaliser ] [Deeponto.onto.ontologyVerbaliser]): o conceito recursivo verbaliser proposto em [4] é implementado aqui, que pode transformar automaticamente uma expressão lógica complexa em uma frase textual com base em nomes de entidades ou etiquetas disponíveis na ontologia. Veja conceitos de ontologia verbalizando.
Projeção de ontologia ([ OntologyProjector ] [Deeponto.onto.ontologyProjector]): O algoritmo de projeção adotado na OWL2VEC* Ontology Incoreddings é implementado aqui, que é transformar a Tbox de uma ontologia em um conjunto de triplos de RDF. O código relevante é modificado na biblioteca Mowl.
Normalização da ontologia ([ OntologyNormaliser ] [Deeponto.onto.ontologyNormaliser]): o implementado $ Mathcal {el} $ A normalização também é modificada na biblioteca Mowl, que é usada para transformar os axiomas de Tbox em formas normalizadas para suportar, por exemplo, incorporações de ontologia geométrica.
Taxonomia de ontologia ([ OntologyTaxonomy ] [Deeponto.onto.ontologyTaxonomy]): A taxonomia extraída de uma ontologia é um gráfico acíclico direcionado para a hierarquia de subsumo, que é frequentemente usada para apoiar aplicativos de aprendizado profundo baseados em gráficos.

Ferramentas e recursos

Ferramentas e recursos individuais são implementados com base no módulo principal de processamento de ontologia. Atualmente, $ textsf {Deeponto} $ suporta o seguinte:

Bertmap [1] é um sistema de correspondência de ontologia baseado em Bert (OM) desenvolvido originalmente em repo, mas agora é mantido em $ textsf {Deeponto} $ . Veja a ontologia correspondente com o Bertmap & Bertmaplt.
O Bio-ML [2] é um recurso OM que foi usado na faixa Bio-ML dos OAI. Veja Bio-ML: uma documentação abrangente.
Bertsubs [3] é um sistema para previsão de subsunição de ontologia. Transformamos seu código experimental original neste projeto. Consulte Inferência de subsunção no Bertsubs.
Ontolama [4] é uma avaliação do modelo de idioma para a inferência de subsunição ontológica. Veja Ontolama: Guia de Visão geral e uso do conjunto de dados para o uso dos conjuntos de dados e a abordagem de sondagem rápida.
Hit (externo) [6] é um modelo de incorporação de hierarquia derivado de modelos de re-treinamento do tipo Bert no espaço hiperbólico. Consulte Modelos de sucesso no HUGGINGFACE HUB para opções e uso.

Licença

!!! Licença "Licença"

 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.

Citação

Nosso sistema Papaer para $ textsf {Deeponto} $ está disponível na Arxiv e iOS Press.

Yuan He, Jiaoyan Chen, Hang Dong, Ian Horrocks, Carlo Allocca, Taehun Kim e Brahmananda Sapkota. Deeponto: um pacote Python para engenharia de ontologia com aprendizado profundo. Semântica Web, vol. 15, não. 5, pp. 1991-2004, 2024.

!!! Crédito "Citação"

 ```
@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}
}
```

Publicações relevantes

[1] Yuan ele, Jiaoyan Chen, Denvar Antononrajah e Ian Horrocks. BERTMAP: Um sistema de alinhamento de ontologia baseado em Bert . Em Anais da 36ª Conferência AAAI sobre Inteligência Artificial (AAAI-2022). /arxiv//aaai/
[2] Yuan ele, Jiaoyan Chen, Hang Dong, Ernesto Jiménez-Ruiz, Ali Hadian e Ian Horrocks. Machine Learning Friendly Biomedical DataSets para correspondência de equivalência e ontologia de subsunção . A 21ª Conferência Internacional da Web semântica (ISWC-2022, Melhor Candidato a Papel de Recursos ). /arxiv//iswc/
[3] Jiaoyan Chen, Yuan He, Yuxia Geng, Ernesto Jiménez-Ruiz, Hang Dong e Ian Horrocks. INCEDIMENTOS SEMUSICAIS CONTENTTUAL PARA PREFICIÇÃO DE SUBSUMING ANTOLOGIA . World Wide Web Journal （wwwj-2023). /arxiv//wwwj/
[4] Yuan ele, Jiaoyan Chen, Ernesto Jiménez-Ruiz, Hang Dong e Ian Horrocks. Análise do modelo de idioma para inferência de subsunição de ontologia . Achados da Associação para Linguística Computacional (ACL-2023). /arxiv//acl/
[5] Yuan He, Jiaoyan Chen, Hang Dong e Ian Horrocks. Explorando grandes modelos de linguagem para o alinhamento da ontologia . A 22ª Conferência Internacional da Web semântica (pôsteres e demos ISWC-2023). /arxiv//iswc/
[6] Yuan He, Zhangdie Yuan, Jiaoyan Chen e Ian Horrocks. Modelos de idiomas como codificadores de hierarquia . Avanços nos sistemas de processamento de informações neurais (Neurips 2024). /arxiv//[neurips] (para aparecer)/

Por favor, relate quaisquer bugs ou consultas, levantando um problema no Github ou enviando e -mails para os mantenedores (Yuan ele ou Jiaoyan Chen) através de: