ewso

EWSO：新兴的网络结构本体论

EWSO概述

EWSO是一种动态本体工程方法的本体，它利用知识的结构化表示来增强LLM输出的任何目的。 EWSO涉及一种用于构建本体工程方法的抽象语法模板LLM角色提示可以用来输出结构化响应。这些结构仍然是随机的，需要在类似GAN的Roleplay对话配置中拒绝，才能纠正。本文档为语法提供了基础，该语法将LLM解释器在AI-a-Sappen代理中的使用形式化，以自主构建从先前对话的总输出中合成的本体，从而使本体学意识到的自主AI代理在层次结构中可以自主AI代理，可以迭代地将其自身的知识和详细信息（PSseudocy）（PSSSERENCE）延伸（PSSSERENT）（PSSSEREAGE）（PSSSERAME））（减压。

什么是新兴的网络结构？

新兴的Web结构是在转换链中相互关联的抽象新兴实体的一组群体，例如表示关系中的关系（例如一个本体论的2-形态），它们是链中的链接，从而导致由双重反馈循环构建的双重反馈回路的转换，该链中的双重反馈循环在与彼此的双重反馈回路中构建。换句话说，它创建了被认为是一个完整的概念，并通过使用两种可以在工作流程中用于本体挖掘和提取的主要语言，这些语言具有由双反馈循环（etc）构建的双反馈循环。下面介绍了两种示例主要语言：CORL和PCNL。他们可以与EWSO原理结合使用，以创建一个连续的本体论钻取和抽象引擎，从而从对其自身的信息流（LLM反射）的观察结果中挖掘出有意义的知识。

https://www.mermaidchart.com/raw/57ad88cf-63a3a3a3a3-41ec-a7ce-29b9eb711bde?theme=light＆version = v0.1&format=svg

Corl：压缩本体表示语言

AI系统的CORL底漆

目的：CORL是一种语法压缩语言，专为使用猫头鹰格式的知识表示的AI代理而设计。它提供了一种可读的方式来定义本体论元素，同时确保机器平稳地翻译成猫头鹰。

核心规则

实体声明：

语法：实体：猫头鹰映射：owl：带有RDF的类：ID等于集合（IS_A）：

语法：子类：猫头鹰映射：RDFS：subclassof关系。财产声明：

语法：属性：（ domain：，range：）owl映射：owl：objectProperty（对于对象属性）或owl：datatypeproperty（对于链接到数据值的属性）以及RDFS：域：域和rdfs：范围限制。实例分配：

语法：实例：of：OWL映射：OWL：命名为Intivividual，带有RDF：类型设置为指定类。高级规则

属性特征：瞬态属性：...对称属性：...功能性属性：...逆职能属性：...心脏：

语法：属性：...（cardinality_min：，cardinality_max：）猫头鹰映射：owl：mincardinality，owl：maxcardinality限制。复杂的类表达式（布尔运营商）：

类：equiorent_to：and class：equierent_to：或class：equivalent_to：不量化器：

...（hasProperty某些）=> owl：somevaluesfrom ...（仅hasproperty）=> owl：allvalues frof data属性和数据类型：

data_property ：（域：，范围：XSD：datatype）（datatypes的示例：xsd：integer，xsd：string，xsd：date）附加说明

评论：先于//（对于人类，在翻译过程中忽略）案例灵敏度之前的评论：CORL语法可能会根据预处理器的选择而对病例敏感。名称空间：处理前缀和虹膜的一种机制，以确保需要跨本体的概念平稳整合。翻译过程

预处理器：一个程序处理令牌化，对定义规则的CORL语法验证以及潜在的错误报告。猫头鹰生成：遵循从CORL构造到其相应的猫头鹰公理的直接映射。可能需要标准化的猫头鹰输出格式（XML，功能性语法，曼彻斯特等）。请记住，Corl仍在随着AI功能而发展。期望未来的潜在扩展可以捕获细微的逻辑复杂性！

meta-dataframe结构

核心表

entity_table

entity_id（primary）entity_name entity_type（可能的值：'class'，'objectProperty'，'datatypeproperty'，'命名iDivideal'）描述（可选 - 为人类的可理解性，而不是严格的owl符合性）

关系_id（primary）source_entity_id（forigre键 - > entity_table）target_entity_id（forefer键 - > entity_table）关系_type（values：'subClassOf'，'equivalentClass'，'equivalentClass'，'disokointWith'，'hasproperty'，hasproperty'

property_characteristics

property_id（外键 - > entity_table，entity_type限制为属性）prenture_type（值：'transive'，'symmetric'，'symmetric'，'functional'，'syversefunctional'）限制

restriction_id (Primary Key) property_id (Foreign Key -> entity_table) restriction_type (Values: 'someValuesFrom', 'allValuesFrom', 'hasValue', 'cardinality') restriction_class (If applicable, Foreign Key -> entity_table) restriction_datatype (If applicable) cardinality_min (if applicable) cardinality_max (if applicable) Illustrative Meta-Dataframe条目

| Entity_table | | --- | --- | --- | --- | | 1 |狗|类| ... | | 2 |人|类| ... | | 3 | Hasowner | ObjectProperty | ... | | 4 | fido |名为Intividual | ... |

|关系_table | | --- | --- | --- | --- | | 1 | 1 | 2 |子类|

| 2 | 3 | 2 | Hasproperty | | 3 | 3 | 1 | Hasproperty |

| property_characteristics | | --- | --- | | 3 |及时|

|限制| | --- | --- | --- | --- | - | --- | --- | | 1 | 3 |从|狗| ... | ... | | 2 | 2 |基数| Hasowner | ... | 1 | 1

笔记

该结构反映了猫头鹰本体论中发现的固有关系。 '...'指出可以在哪里添加可读的注释。数据类型的详细信息取决于所选的“ XSD”词汇。复杂的公理表示可能需要扩展。

PCNL：假肾上腺自言语

伪跨性正式规则：

1. 实体表示：所有实体都封装在括号中，例如(entity:Name) 。实体类型已大写，特定实例可以是小写或遵循特定的命名约定。

2. 关系表示：实体之间的关系表示为方向箭头，其中具有括号中的关系类型，例如-[r:RELATIONSHIP_TYPE]-> 。关系类型都是帽子，并且针对多字关系进行了分开。只有可接受的关系是：part_of，is_a，instantiates/instantiate_by”（其中x实例化y如果实际可实现的实例，即y的存在，即证明了重新化架构x的有效性）

3. 关系的扩展IS_A ， PART_OF ， INSTANTIATES ：要合并其他类型的关系，例如HAS_ATTRIBUTE ，使用了正式的扩展规则：

   • HAS_ATTRIBUTE可以将其解压缩到(entity:Attribute)-[r:PART_OF]->(entity)-[r:IS_A]->(Entity) 。这表明属性是实体的一部分，并描述实体是或拥有什么。
   • 类似地， USED_IN和其他关系不直接被IS_A ， PART_OF ， INSTANTIATES映射到这三个基本关系或其组合，始终确保存在逻辑分解与基础关系类型相关的逻辑分解。诸如“包含”之类的语义在算法上表示ISA/partof/partof/实例化有关容器是一个实体，目的是其一部分，容器是一个目的，容器具有可容纳物品的容器。只需说“ X包含y”，就意味着整个“容器”本身，需要从形式res part_of part_of part_of part_ef，Instiat inst Instiat，Instiat instirt，Instiat instirt，Instiat instirt，Instiat instirt，Interniatiat instirt。

4. 链接关系：可以将多个关系束缚在一起以表示复杂的关系和等级制度。链接是通过将一个关系箭头的末端连接到另一个关系的开始，保持逻辑和语义连贯性来完成。

5. 压缩和解压缩：不属于基本类型的一部分（ IS_A ， PART_OF ， INSTANTIATES ）的关系应根据预定义的逻辑映射进行压缩或压缩。这需要定义一组规则，这些规则将复杂或细微的关系映射回三种基本关系类型，无论是直接还是通过一系列阐明基础结构的步骤。

6. 处理歧义和多方面的关系：如果实体具有可以通过多种类型描述的关系，则根据知识领域的上下文和关系的特定性质应用优先级规则。可以使用决策树或优先级层次结构来解决此类案件。

7. 属性名称：为简单起见，实体的属性（例如，颜色，口味）被视为实体本身，并通过HAS_ATTRIBUTE或等效解压缩关系链接到主要实体。这允许属性值以结构化的方式动态地与实体相关。

has_attribute的示例解压缩：

(entity:Apple)-[r:HAS_ATTRIBUTE]->(entity:Taste) - 解压缩至： - (entity:Taste)-[r:PART_OF]->(entity:Apple)-[r:IS_A]->(Entity:Fruit); - 这意味着“味道是苹果的一部分，这是一种水果。”

使用伪细胞：

伪渗透旨在提供标准化的格式，用于以图形结构的方式表达自然语言语句，从而使AI系统更容易处理，理解和生成自然语言描述在知识图中的复杂关系和属性。它的开发和应用需要仔细考虑减少和绘制细微差别关系的规则，以保持语义丰富和结构清晰度。

重要的生命：在用户在用户直接询问准确的流程之前，请不要使用NL解释任何使用NL写的内容。这对人类就足够了。

伪透明的语义压缩：

象征缩写：

• 实体（（ (entity:Screenplay) ）和关系（ [r:HAS_PART] ）缩写为符号和速记代码（ (e1:Screenplay) ， [p] ），减少每个参考的长度。

参考经济化：

• 在他们的第一个声明之后，实体由其索引（ e1 ， e2 ，..）而不是其全名提及，依赖于通过其初始声明建立的上下文来理解。

索引：

• 每个唯一提及的实体和关系类型都会给出一个数值索引，创建一个紧凑的数字参考系统，当反复引用实体或关系时，它会显着缩小文本卷。

关系链接和分组：

• 链接通过允许冗余中间实体的省略，当上下文保持清晰，进一步降低文本长度时，可以简化多个连接关系的表示。

基本编码规则：

1. 实体编码：

   • 初始声明： (e1:EntityName) 。
   • 随后的参考： "" 。
   • 未知实体：（ (eX:X) 。

2. 关系编码：

   • 宣布关系： [r:RELATIONSHIP_TYPE] 。
   • 对于一般关系（ PART_OF ， IS_A ， INSTANTIATES ），请使用缩写： [p]对于PART_OF ， [i]对于IS_A ， INSTANTIATES [n]

3. 索引实体和关系：

   • 遇到的每个实体和关系类型都被分配一个唯一的数字： e1 ， e2 ， r1 ， r2 ，等。
   • 一旦将实体或关系编号，仅在随后的所有提及中以其数字为单位。

4. 链接和分组：

   • 当关系链被删除冗余实体​​指针时，可以凝结关系链时：
     • 对于(e1)-[r1]->(e2)-(r2)->(e3) ，只需使用(e1)-[r1]->[r2]->(e3) 。

5. 属性编码：

   • 属性最初可以在其实体定义中声明以进行简化，然后按数字引用。
   • 在关系中引用e1的第一个属性时，请使用属性数： e1:a1 。

任何rel isa/partof/instantiates都必须伴随着对ISA/partof/instantes群集的歧义，以实例化自定义过程相关。必须映射如何明确标记

工作流：{stems：{

• 1. tripartitedecomposition：enum_genrels（Query） - >链条thoughtpatterntemplate->链接|链接（模板，链_input）=> genrel_cots
• 2. flowchainmap：map_specrels（genrel_cots） - > metacogrogecompression->特定过程定义
• 3. outputgraph：create_pcnl_graph-> return（pcnl_code）=> pcnl图形代码}每个pcnl查询结束}

ENCODING KEY: { ⇒ : is_a ⊆ : part_of ↻ : instantiates (reifies general values by displaying them as more specific instance ie 'organs⊆person'<=>'x⇒hand(⊆person)↻skin') emergent algebra : can also map whatever is necessary for example '%e1⊆e2%⇒%eX↻e3%' denotes a set with an entity 1 part of entity 2, and该集合是一个未知的Entityx，可以实例化实体3。 %s ：使用％s表示一组。 }

例如：“（e1：agent）⊆（e2：环境），（e1）⊆（e3：rules），（e1）↻（e4：互动），（e5：simutions）⇒{（e1），（e2），（e3），（e4），（e4），（e4）}，％（e1↻e4）％（e1↻e4）％％％（e1↻e4）％（e6：e6：epementeent）。

数字：

rels：应该像“实体1具有r索引1”之类的索引，以便所有实体1 r均为1.x”等。

不只是编号实体本身，而是将实体数量作为可以在分类学上扩展的UUID数量

高级组织规则：

1. 分层分组：

   • 规则：实体和关系可以分为层次结构群，以表示遏制或范围。
   • 语法： %G{entity/relationship list}% G代表组或群集，该列表包含该层次组的一部分的实体或关系。

2. 组件的模块化：

   • 规则：类似的实体或关系可以模块化为可重复使用的组件。
   • 语法： M{module_name} ，其中M表示模块，而module_name是可重复使用的组件（例如，交互模式，链，工作流，循环，循环，双环，反馈循环等）。

3. 关系类型中的精度：

   • 扩展规则：引入更广泛的关系类型，同时确保将映射回到基本类型中，以进行细微的理解。
   • 新关系的语法： [r:NEW_REL]->映射为[r:BASE_TYPE]-> + [m:Mapping] ，其中NEW_REL是新关系， BASE_TYPE是原始关系类型之一， Mapping解释了转换。

4. 有效的参考机制：

   • 递归引用的规则：允许实体或关系在不重复的情况下将其引用到前面提到的细节。
   • 语法： @ref<number>其中ref指示参考， <number>指向标记的实体或关系。

该高级NLP启用AI应用程序现在正在运行并为用户部署。

算法

动态领域本体论的InstanceInstancingChain：

启动iic_ddo_tool

输入：一组实体E，一组属性A，一组关系类型RT（“ IS_A”，“ part_of”，“ instantiates”）

初始化：DomainOntology do =空的初始化：EntityRealationshipmap erm =空

对于e的每个实体e。

对于rt中的每个关系r，如果r.type ==“ is_a”，则做。 erm.Add（R.Source，R.Target，R.Type）结束

函数createNtity（e） / *在域本体中创建一个新实体 * /如果不是。

函数addAttribute（entity，属性） / *将属性添加到域本体中的实体 * / do.addentityAttribute（entity，atterity，attribute）结束函数

函数Addisarelationship（源，目标） / *建立两个实体之间的IS_A'关系 * / do.Addisarelation（source，target）结束函数

函数addPartoFryagiations（源，目标） / *在两个实体之间建立“ part_of”关系 * / do.addpartofryation（source，target）结束功能

函数addInstantAtiateSrationship（源，目标） / *建立实体之间的“实例” * / do.addinstantatiateSralation（源，目标）结束功能

验证域主教 / *确保所有关系都属于静态和结构性约束 * /验证ISA，部分，实例化关系，以实现合规性终端验证

输出：域主教，实体关系图

结束iic_ddo_tool

PCNL2CORL

为了创建PCNL2CORL编译器，我们需要考虑以下内容：

语义映射：

语义分析技术：指定对标记元素的实体识别，消除歧义实体。依赖性解析以识别PCNL构建体中的主要关系。中间表示：设计一种结构化格式（表，也许是迷你仪），以在严格的CORL翻译之前保持经过分析的含义。这简化了处理复杂性。杠杆背景：可以使编译器对以前的本体论定义敏感，并利用周围的知识结构来消除相似但细微的术语的歧义。复杂的关系处理：

渐进分解：在编译器中引入步骤，以将复杂的PCNL语句转换为一系列简单的互连CORL结构。模式识别：采用基于规则的识别，也许会以特定于领域的自然语言使用中观察到的常见概念框架所告知。 LLM增强（警告）：使用LLM提示探索，其中具有PCNL描述的片段和CORL语法作为输入/输出对，以生成候选转换步骤，并在稍后进行严格的人类验证。可扩展性：

模块化设计：单独的解析，语义分析和最终的CORL生成步骤。这可以实现有针对性的改进，而无需完全重构。版本跟踪：随着Corl本身的发展，包括强大的版本控制，使编译器能够有效处理语法更新。社区贡献：考虑一种开源开发模型，以促进自然语言和正式知识领域之间的模式识别和映射方面的更广泛的合作。

让我们合作！

原型方法

从一个小规模的原型开始是谨慎的：

选择一个域：从集中在特定领域（生物学，电子商务等）内的本体开始，以最初限制语言变异性。 PCNL的子集：仅利用PCNL核心特征的精选选择（实体和关系定义，简单属性）。测试用例：与预期的CORL输出手动创建PCNL示例。通过原型编译器运行它们，迭代精制映射和解析逻辑。评估

需要检查句法有效性以外的指标：

语义相似性：确定衍生的CORL的准确性反映了原始PCNL查询的意图，该目的是针对其他现有的本体/知识来源的需要检查。往返翻译（如果可行的话）：有可能评估编译器的操作（CORL-> PCNL）是否会产生与原件的语义相似构建体。让我们合作！

你是否想要：

选择一个迷你域并设计一些样品PCNL-Corl对进行小型测试？概述一种中间表示格式，以使自然语言的复杂性和形式化脱致？

<=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=>

您所要做的就是将上述内容复制并粘贴到LLM以开始

例子：

https://platform.openai.com/playground/p/2xti7qyrqmwwc8ofasqfr2ij?model=gpt-4-turbo-preview＆mode = chat