包括设备诊断和异常检测在内的工业分析很大程度上依赖于异质生产数据的整合。知识图（kgs）作为数据格式和本体作为统一数据模式是一个突出的解决方案，它提供了高质量的数据集成以及一种方便且标准化的方式来交换数据并将分析应用程序分层。然而，它们之间高度不匹配的本体和工业数据的本体学自然而然导致低质量的KG，这阻碍了工业分析的采用和可扩展性。实际上，这样的kg大大增加了为用户编写查询的培训时间，消耗大量存储以获取冗余信息，并且很难维护和更新。为了解决这个问题，我们提出了一种本体论重塑方法，将本体论转换为KG模式，以更好地反映基本数据，从而有助于构建更好的KGS。在这张海报中，我们对正在进行的研究进行了初步讨论，并通过Bosch上有关现实世界行业数据的大量SPARQL查询来评估我们的方法，并讨论我们的发现。

知识图（kg）用于广泛的应用中。由于行业的数据量和多样性，KG生成的自动化是非常需要的。 KG生成的一种重要方法是将原始数据映射到给定的KG模式，即域本体论，并根据本体论构建实体和属性。但是，这种本体的自动生成是苛刻的，现有的解决方案通常并不令人满意。一个重要的挑战是在本体工程的两个原则之间进行权衡：知识方向和数据取向。前者规定，本体应该对领域的一般知识进行建模，而后者则强调反映数据特异性以确保良好的可用性。我们通过我们的本体研究方法重塑方法来应对这一挑战，该方法将给定领域本体论转换为较小的本体论的过程是自动化的，该本体学是KG模式。域本体论可以设计为以知识为导向，而KG模式涵盖了数据特异性。此外，我们的方法允许在循环中将用户偏好包含在内。我们证明了我们正在进行的有关本体研究重塑的研究，并使用实际的工业数据进行了评估，并有令人鼓舞的结果。

在由家用电器，电动汽车和太阳能电池板等各种设备组成的分散家庭能源系统中，最终用户可以更深入地研究该系统的细节，并进一步实现能源可持续性，如果向它们提供了有关电能消耗的数据和设备粒度的生产。但是，该领域中的许多数据库都是从其他域中孤立的，包括仅与能源有关的信息。这可能会导致每个设备能源使用的信息损失（\ textit {例如{例如}天气）。同时，许多这些数据集已在计算建模技术（例如机器学习模型）中广泛使用。尽管这种计算方法仅通过仅专注于数据集的局部视图来实现极高的准确性和性能，但不能保证模型可靠性，因为当考虑到信息遗漏时，此类模型非常容易受到数据输入波动的影响。本文通过在家庭能源系统的基础上检查语义Web方法来解决智能能源系统领域的数据隔离问题。我们提供了一种基于本体的方法，用于在系统中的设备级分辨率下管理分散数据。结果，与每个设备相关的数据的范围可以在整个网络中以可互操作的方式轻松扩展，并且只要根据W3C标准组织数据，就可以从网络中获得其他信息，例如天气。 。

尽管编码了大量丰富和有价值的数据，但现有的数据来源主要是独立创建的，这是他们整合的重大挑战。映射语言，例如RML和R2RML，促进了将Meta-Data和将数据集成到知识图中的过程的声明性规范。除了在数据源和统一模式中表达对应关系之外，映射规则还可以包括知识提取功能。组合映射规则和函数表示强大的形式主义，以指定流水管以透明地将数据集成到知识图中。令人惊讶的是，这些形式主义没有完全调整，并且通过将ad-hoc程序执行到预处理和集成数据来创建许多知识图表。在本文中，我们提出了Eablock，一种方法将实体对齐（EA）集成为RML映射规则的一部分。 eAblock包括执行从文本属性的实体识别的功能块，并将识别的实体链接到Wikidata，DBPedia和域特定词库中的相应资源，例如UML。 EABLOCK提供可靠性和有效的技术来评估功能并转移映射以促进其在任何符合RML标准的发动机中的应用。我们有经验评估的eAblock性能，结果表明eAblock加快了需要实体识别和链接在符合最先进的RML标准的发动机的知识图形创建管道。 Eablock还通过Github存储库（https:/github.com/sdm-tib/eablock）和doi（https://doi.org/10.5281/zenodo.5779777）作为工具被公开可用作工具。

各种网络的部署（例如，事物互联网（IOT）和移动网络），数据库（例如，营养表和食品组成数据库）和社交媒体（例如，Instagram和Twitter）产生大量的多型食品数据，这在食品科学和工业中起着关键作用。然而，由于众所周知的数据协调问题，这些多源食品数据显示为信息孤岛，导致难以充分利用这些食物数据。食物知识图表提供了统一和标准化的概念术语及其结构形式的关系，因此可以将食物信息孤单转换为更可重复使用的全球数量数字连接的食物互联网以使各种应用有益。据我们所知，这是食品科学与工业中食品知识图表的第一个全面审查。我们首先提供知识图表的简要介绍，然后主要从食物分类，食品本体到食品知识图表的进展。粮食知识图表的代表性应用将在新的配方开发，食品可追溯性，食物数据可视化，个性化饮食推荐，食品搜索和质询回答，视觉食品对象识别，食品机械智能制造方面来概述。我们还讨论了该领域的未来方向，例如食品供应链系统和人类健康的食品知识图，这应该得到进一步的研究。他们的巨大潜力将吸引更多的研究努力，将食物知识图形应用于食品科学和工业领域。

对生产系统的事件数据的分析是与行业4.0相关的许多应用程序的基础。但是，在该域中很常见异质性和不相交数据。结果，事件的上下文信息可能不完整或不正确地解释，从而导致次优分析结果。本文提出了一种根据事件数据的上下文（例如产品类型，过程类型或过程参数）访问生产系统事件数据的方法。该方法通过组合从数据库系统中提取过滤的事件日志：1）生产系统层次结构的语义模型，2）正式的过程描述和3）OPC UA信息模型。作为概念证明，我们使用基于OPC UA的机械伴侣规范的示例服务器演示了我们的方法。

叙事制图是一项学科，研究了故事和地图的交织性质。然而，叙述的传统地理化技术经常遇到几个突出的挑战，包括数据采集和一体化挑战和语义挑战。为了解决这些挑战，在本文中，我们提出了具有知识图表（KGS）的叙事制图的想法。首先，要解决数据采集和集成挑战，我们开发了一组基于KG的地理学工具箱，以允许用户从GISYstem内搜索和检索来自集成跨域知识图中的相关数据以获得来自GISYSTEM的叙述映射。在此工具的帮助下，来自KG的检索数据以GIS格式直接实现，该格式已准备好用于空间分析和映射。两种用例 - 麦哲伦的远征和第二次世界大战 - 被提出展示了这种方法的有效性。与此同时，从这种方法中确定了几个限制，例如数据不完整，语义不相容，以及地理化的语义挑战。对于后面的两个限制，我们为叙事制图提出了一个模块化本体，它将地图内容（地图内容模块）和地理化过程（制图模块）正式化。我们证明，通过代表KGS（本体）中的地图内容和地理化过程，我们可以实现数据可重用性和叙事制图的地图再现性。

大型公共知识图，例如Wikidata，包含数千万实体的数十亿个陈述，从而激发了各种用例以利用此类知识图。但是，实践表明，Wikidata中仍然缺少适合用户需求的许多相关信息，而当前的链接开放数据（LOD）工具不适合丰富像Wikidata这样的大图。在本文中，我们研究了从LOD云中用结构化数据源丰富Wikidata的潜力。我们提出了一个新颖的工作流程，其中包括差距检测，源选择，模式对齐和语义验证。我们用两个互补的LOD来源评估了我们的富集方法：一个嘈杂的源，具有广泛的覆盖范围，DBPEDIA和一个手动策划的来源，对艺术领域，Getty的关注狭窄。我们的实验表明，我们的工作流程可以通过高质量的外部LOD来源来丰富Wikidata。财产一致性和数据质量是关键挑战，而实体对齐和源选择是由现有的Wikidata机制良好支持的。我们提供代码和数据以支持未来的工作。

Machine learning (ML) on graph-structured data has recently received deepened interest in the context of intrusion detection in the cybersecurity domain. Due to the increasing amounts of data generated by monitoring tools as well as more and more sophisticated attacks, these ML methods are gaining traction. Knowledge graphs and their corresponding learning techniques such as Graph Neural Networks (GNNs) with their ability to seamlessly integrate data from multiple domains using human-understandable vocabularies, are finding application in the cybersecurity domain. However, similar to other connectionist models, GNNs are lacking transparency in their decision making. This is especially important as there tend to be a high number of false positive alerts in the cybersecurity domain, such that triage needs to be done by domain experts, requiring a lot of man power. Therefore, we are addressing Explainable AI (XAI) for GNNs to enhance trust management by exploring combining symbolic and sub-symbolic methods in the area of cybersecurity that incorporate domain knowledge. We experimented with this approach by generating explanations in an industrial demonstrator system. The proposed method is shown to produce intuitive explanations for alerts for a diverse range of scenarios. Not only do the explanations provide deeper insights into the alerts, but they also lead to a reduction of false positive alerts by 66% and by 93% when including the fidelity metric.

物联网（物联网）正在通过弥合信息技术（IT）和运营技术（OT）之间的差距来改变行业。机器正在与连接的传感器集成在一起，并通过智能分析应用程序管理，加速了数字化转型和业务运营。将机器学习（ML）带到工业设备是一个进步，旨在促进IT和OT的融合。但是，在工业物联网（IIOT）中开发ML应用程序提出了各种挑战，包括硬件异质性，ML模型的非标准化表示，设备和ML模型兼容性问题以及慢速应用程序开发。在这一领域的成功部署需要深入了解硬件，算法，软件工具和应用程序。因此，本文介绍了一个名为ML应用程序的名为“语义低代码工程”（SELOC-ML），该框架建立在低代码平台上，以利用语义Web技术来支持IIOT的ML应用程序的快速开发。 SELOC-ML使非专家能够轻松地模拟，发现，重复使用和对接ML模型和设备。可以根据匹配结果自动生成项目代码在硬件上部署。开发人员可以从称为食谱的语义应用模板中受益，从而快速原型最终用户应用程序。与工业ML分类案例研究中的传统方法相比，评估证实了至少三倍的工程努力，显示了SELOC-ML的效率和实用性。我们分享代码并欢迎任何贡献。

由于对高效有效的大数据分析解决方案的需求，医疗保健行业中数据分析的合并已取得了重大进展。知识图（KGS）已在该领域证明了效用，并且植根于许多医疗保健应用程序，以提供更好的数据表示和知识推断。但是，由于缺乏代表性的kg施工分类法，该指定领域中的几种现有方法不足和劣等。本文是第一个提供综合分类法和鸟类对医疗kg建筑的眼光的看法。此外，还对与各种医疗保健背景相关的学术工作中最新的技术进行了彻底的检查。这些技术是根据用于知识提取的方法，知识库和来源的类型以及合并评估协议的方法进行了严格评估的。最后，报道和讨论了文献中的一些研究发现和现有问题，为这个充满活力的地区开放了未来研究的视野。

在构建新的应用程序时，我们越来越多地面对从多个来源重用和集成预先存在的知识，例如本体，模式，任何类型的数据。然而，事实上，这一事先知识几乎不可能重复使用。这种困难是高成本的原因，通过进一步的缺点，结果应用程序将再次难以重复使用。它是一个负环，这一直始终加强本身。 itelos是一种通用方法，旨在尽可能最大限度地减少这种环路的效果。 itelos基于应用程序的数据级别和架构级别的直观应独立开发，从而允许在先前知识的重用中进行最大的灵活性，但是在需要满足的整体指导下，正式化为能力查询。通过对所有要求（包括重用的要求）来实现这种直觉，作为一种先验定义目的的一部分，然后用于驱动中间开发过程，其中应用程序模式和数据连续对齐。

全球DataSphere快速增加，预计将达到20251年的175个Zettabytes。但是，大多数内容都是非结构化的，并且无法通过机器可以理解。将此数据构建到知识图中，使得智能应用程序具有诸如深度问题的智能应用，推荐系统，语义搜索等。知识图是一种新兴技术，允许使用内容与上下文一起逻辑推理和揭示新的洞察。因此，它提供了必要的语法和推理语义，使得能够解决复杂的医疗保健，安全，金融机构，经济学和业务问题。作为一项结果，企业正在努力建设和维护知识图表，以支持各种下游应用。手动方法太贵了。自动化方案可以降低建设知识图的成本，高达15-250次。本文批评了最先进的自动化技术，以自主地生成近乎人类的近乎人类的质量。此外，它突出了需要解决的不同研究问题，以提供高质量的知识图表

Digital media have enabled the access to unprecedented literary knowledge. Authors, readers, and scholars are now able to discover and share an increasing amount of information about books and their authors. Notwithstanding, digital archives are still unbalanced: writers from non-Western countries are less represented, and such a condition leads to the perpetration of old forms of discrimination. In this paper, we present the Under-Represented Writers Knowledge Graph (URW-KG), a resource designed to explore and possibly amend this lack of representation by gathering and mapping information about works and authors from Wikidata and three other sources: Open Library, Goodreads, and Google Books. The experiments based on KG embeddings showed that the integrated information encoded in the graph allows scholars and users to be more easily exposed to non-Western literary works and authors with respect to Wikidata alone. This opens to the development of fairer and effective tools for author discovery and exploration.

A critical step in sharing semantic content online is to map the structural data source to a public domain ontology. This problem is denoted as the Relational-To-Ontology Mapping Problem (Rel2Onto). A huge effort and expertise are required for manually modeling the semantics of data. Therefore, an automatic approach for learning the semantics of a data source is desirable. Most of the existing work studies the semantic annotation of source attributes. However, although critical, the research for automatically inferring the relationships between attributes is very limited. In this paper, we propose a novel method for semantically annotating structured data sources using machine learning, graph matching and modified frequent subgraph mining to amend the candidate model. In our work, Knowledge graph is used as prior knowledge. Our evaluation shows that our approach outperforms two state-of-the-art solutions in tricky cases where only a few semantic models are known.

基于本体的自然语言理解方法（NLU）处理允许改进对话系统中质量的问题。我们描述了我们的NLU发动机架构并评估其实施。该发动机将用户输入转换为SPARQL选择，询问或将查询插入由基于本体的数据虚拟化平台提供的知识图表。转型基于根据OntoLEX本体构建的知识图表的词汇水平。所描述的方法可以应用于图形数据群体任务和问题应答系统实现，包括聊天机器人。我们描述了聊天机器人的对话引擎，可以保持对话背景并提出澄清问题，模拟人类逻辑思维的一些方面。我们的方法使用基于图形的算法来避免在基于神经网络的方法中所需的数据集，并提供更好的可解释模型。使用问题应答引擎与公司数据源相结合的数据虚拟化层允许从结构化数据中提取事实以在会话中使用。

危险和可操作性分析（HAZOP）是工业安全工程中卓越的代表，HAZOP报告包含了工业安全知识（ISK）的巨大仓库。为了解锁ISK的价值并提高HAZOP效率，提出了一种新颖的知识图表开发工业安全（ISKG）。首先，根据国际标准IEC61882，我们使用自上而下的方法将HAZOP解体到具有多级信息的危险事件，该事件构建本体库。其次，采用自下而上的方法和自然语言处理技术，我们提出了一种基于杂交深度学习的Hainex的巧妙信息提取模型。简而言之，Hainex由以下模块组成：改进的工业双向编码器，用于提取语义特征，用于获得上下文表示的双向短期存储网络，以及基于具有改进的工业损失功能的条件随机场的解码器。最后，将构造的HAZOP三元组导入图表数据库。实验表明，Hainex先进，可靠。我们采取间接煤液化过程作为发展ISKG的案例研究。 ISKG导向应用，如ISK可视化，ISK检索，辅助斑纹和危险传播推理，可以挖掘ISK的潜力，提高HAZOP效率，这在加强工业安全方面具有重要意义。更重要的是，基于ISKG的问答系统可以应用于教学指导，以推广安全知识，并加强对非专业人士的预防意识。

科学家在寻找最佳的输入资源来解决目标预测任务的最佳输入资源方面的困难是在知识图图图上训练算法的主要障碍之一。除此之外，一个关键的挑战是确定如何操纵（和嵌入）这些数据，这些数据通常以特定的三元组（即主题，谓词，对象）的形式来启用学习过程。在本文中，我们描述了Liveschema倡议，即一个门户，该网关提供了一个服务家庭，可以轻松访问，分析，转换和利用知识图模式，其主要目标是促进这些资源在机器学习用例中的重复使用。作为该计划的早期实施，我们还推进了一个在线目录，该目录依赖于800多个资源，并提供了第一组示例服务。

在商业航空域中，有大量文件，例如事故报告（NTSB，ASRS）和监管指令（ADS）。有必要有效地访问这些多样化的存储库，以便在航空业中的服务需求，例如维护，合规性和安全性。在本文中，我们提出了一个基于深度学习的知识图（kg）基于深度学习（DL）的问题答案（QA）航空安全系统。我们从飞机事故报告中构建了知识图，并向研究人员社区贡献了这一资源。该资源的功效由上述质量保证系统测试和证明。根据上述文档构建的自然语言查询将转换为SPARQL（RDF图数据库的接口语言）查询并回答。在DL方面，我们有两个不同的质量检查模型：（i）BERT QA，它是通道检索（基于句子的）和问题答案（基于BERT）的管道，以及（ii）最近发布的GPT-3。我们根据事故报告创建的一系列查询评估系统。我们组合的QA系统在GPT-3上的准确性增长了9.3％，比Bert QA增加了40.3％。因此，我们推断出KG-DL的性能比单一表现更好。

This work presents six structural quality metrics that can measure the quality of knowledge graphs and analyzes five cross-domain knowledge graphs on the web (Wikidata, DBpedia, YAGO, Google Knowledge Graph, Freebase) as well as 'Raftel', Naver's integrated knowledge graph. The 'Good Knowledge Graph' should define detailed classes and properties in its ontology so that knowledge in the real world can be expressed abundantly. Also, instances and RDF triples should use the classes and properties actively. Therefore, we tried to examine the internal quality of knowledge graphs numerically by focusing on the structure of the ontology, which is the schema of knowledge graphs, and the degree of use thereof. As a result of the analysis, it was possible to find the characteristics of a knowledge graph that could not be known only by scale-related indicators such as the number of classes and properties.