- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户2133719的专栏
本体入门（一）：本体构建 101
本文旨在介绍本体的基本概念和通用构建方法。 1 为什么构建本体？ 我们要用这个本体来干什么？ 本体中的信息应该为何种类型的问题提供答案？ 谁将来使用并维护本体？ 在确定了本体的基本范围后，一种确定本体具体范围的方法是，列出一系列本体应该能够回答的问题，这些问题被称为 competency questions，其专注于本体所涉及的领域，但也不用过于具体，我们将用这些问题来对已完成的本体进行测试 第二步 考虑重用现有的本体 在从头开始构建本体之前，最好先调研是否有相关的本体已经被构建出来了。我们可以基于这些本体进行进一步的改进和扩展。 7 结语 本文简单介绍了如何构建一个本体，最重要的信息是：任何领域都没有单一的正确本体。构建本体是一个创造性的过程，本体的质量只能通过实际应用来评价。
3.1K33发布于 2020-08-15 - 来自专栏用户2133719的专栏
本体入门（二）：OWL 本体构建指南f
1 OWL 本体简介 OWL 是由 W3C 开发的一种本体描述语言，按照表达性可以被分为三类： OWL-Lite：可表达性最低 OWL-DL：可表达性中等（本指南使用） OWL-Full：可表达性最高 OWL 本体的组件与 Protege 框架下的本体组件相对应，包括： Individuals：对应 Instances Properties：对应 Slots Classes：对应 Classes 1.1 2 构建一个 OWL 本体 本章节以创建一个披萨本体为例，介绍如何通过 protoge 构建一个 OWL 本体。 2.1 创建本体 File -> New 新建一个本体，修改其 IRI（每个本体唯一）： ? 以 OWL 形式保存为 "pizza.owl"： ? 在 Annotation 中可以添加评论： ? 断言本体（手工创建）和推理本体如下图所示： ? 2.12 值分割 本章节我们将介绍值分割（Value Partitions），它并不是 OWL 的特性，而是一种本体构建中的设计模式。
5.8K42发布于 2020-08-16 - 来自专栏智能问数技术路线全景分析
数据智能体技术路线深度对比：本体神经网络 vs 预制指标平台
技术路线四：本体神经网络本体神经网络代表了数据智能体技术的最新发展方向。 这类厂商提供的基于本体论的数据智能引擎正是基于本体神经网络构建，该方法通过构建面向对象的数据建模，支持SQL、半结构KV、图关系、时序、向量、文本等多种模态，实现真正的面向对象存储和查询。 本体神经网络的核心优势在于：无需人工预制指标或问答对，即可实现数据库范围内的任意问题精准查询。 提供的基于本体论的数据智能引擎通过ABC范式（A-筛选对象；B-构建属性字段；C-统计计算）与大模型协同工作，充分利用本体神经网络和现有大模型能力，实现企业级广泛精准问数。 短期来看，预制方案可能更容易实施；但从长期ROI角度考虑，本体神经网络路线能够显著降低总体拥有成本（TCO），并提供更好的业务适应性和扩展性。
12100编辑于 2026-03-18 本体论思想-本体建模真正实现的业务价值
今天接着聊本体论方面的内容。因为前面我在聊本体论的时候，更多的是在讲如何构建一个本体，如何进行抽象建模，实现对象、行为、规则三者之间的一个融合统一。 你只有了解了这个问题，你才能够知道：我们为什么要去做本体模型？或者是通过本体论的思想解决什么问题？ 所以这个时候我们再来回到本体论。 这个是本体论带来的巨大的一个价值。 所以说本体论，在当前的情况下面，它有可能是依托在我传统已有业务系统、已有主数据或者是数据中台产品上面的本体论的建模。 这个是本体论最最核心的一个价值。 好了，把这个理解完了以后，我们再回来想另外一个关键问题。 就是我在讲本体论的时候，我为什么没有特别强调是Palantir的本体论？ 那如果我一开始就应用的本体论的思想，那我这个时候的模型就不会分OLTP和OLAP都各自构建一套模型，而是构建一套融合的本体模型。
29010编辑于 2026-03-26- 来自专栏ROBOTEDU
【本体】电机偏差值
谢谢！
85140发布于 2018-09-29 Palantir 本体论
这个时机选择极具战略眼光——本体论与大模型的结合正在创造前所未有的协同效应。 本体论赋能大模型体现在三个维度。 更重要的是，本体论提供的是可追溯、可解释的知识，大模型的推理结果可以沿着本体论的关系链追溯到原始数据，这在金融、医疗、军事等高风险领域是刚需。 大模型加速本体论则体现在建模效率的革命性提升。 某制造业客户曾告诉我，他们用传统方式构建供应链本体论花了8个月，而借助大模型辅助，同等复杂度的建模工作只用了6周。 边界与局限 尽管本体论价值显著，但它不是万能解药。 在数值优化领域，本体论不如专业算法引擎。 本体论本身不产生业务价值，它需要与具体业务场景深度结合才能发挥作用。 建一个漂亮的本体模型却没人用，这种案例在企业里并不少见。
2.3K21编辑于 2026-02-02本体论建模-Protégé 开源本体（Ontology）编辑器-构建本体模型和知识图谱
今天继续聊本体论建模。 因为最近写本体论方面的文章比较多，包括前面也分享了一个基于已经有的本体元模型，通过AI编程的方式输出一个可视化的本体语义知识网络图谱。 当然这个仅仅是简单的可视化展示的示范，还是有不少朋友问当前有无一些开源的本体论建模工具可以参考。最近也查找了不少资料，找了一个斯坦福大学开源的本体建模工具。 提供重构操作，包括本体合并、在本体间移动公理、批量重命名多个实体等。 也就是我需要构建一个合同的语义本体，能够完全支撑我后续合同管理需求的实现。所以需要你仔细分析我的需求来构建这个本体。 所以你已有的数据库设计经验完全可以平移过来理解本体建模，只是 OWL 在语义表达上比数据库更强一层。 当然，本体建模另外一个核心还是规则。
1.9K21编辑于 2026-03-09- 来自专栏本体研究院
本体行业观点｜当本体遇到Metaverse，将擦出怎样的火花？（下）
在数字资产领域，本体为韩国领先数字资产内容平台 OGQ 提供版权上链方面的技术支持，帮助内容创作者实现版权保护。 本体在做的，还不止这些。 这便是本体的 ONT & ONG 双通证模式，为本体基础设施服务的逻辑。这样的模式可以应用于链上链下，在 Metaverse 的经济系统中充当循环通证，助力整个价值生态的构建。 03 低延迟 在本体链上，交易确认速度很快，而以太坊拥堵已成常态，且交易费用高昂。 同时，本体一直在持续调研 Layer 2技术最新进展，探索本体和以太坊 Layer 2的集成，致力于打通本体和以太坊之间的技术和生态壁垒，让以太坊上的用户也享受到本体一样高效低价的体验。 在本体链上，用户可以根据自己不同的需求创建多个 ONT ID，用以登陆不同的客户端。
49830发布于 2021-07-12 从知识图谱到本体建模-本体论核心思想
我在前面专门谈到从西方哲学发展史谈本体论。里面就谈到了本体论包括了本质和存在，分离本质和存在是西方哲学本体论发展的一个关键。 就是虽然应用了本体论，但是并没法彻底解决幻觉问题；其次就是本体论本身的在后期大模型AI推理的性能问题，当然还有类似成本，本体建模复杂性等各种问题。 企业全域本体论建模很难，包括整个ERP要用本体论思想全部重建也很难，但是我们完全可以在某个细分的业务领域优先应用本体模型思维，如果觉得应用本体模型构建AI应用也难，那我们也至少可以类似palantir的思路 这个是真正存在业务需求和业务痛点的地方，如果应用本体论可以更好的解决这个问题，那么本体论就能够更好的体现业务价值。 最后再次强调，本体论或本体建模本质是一个业务建模的事情。 备注和Claude大模型对话：附件是我对本体论和本体建模的思考。结合你对本体论，AI原生和palantir本体论的理解，帮我整理800到1000字左右的点评。
11310编辑于 2026-04-24- 来自专栏本体研究院
本体行业观点｜当本体遇到Metaverse，将擦出怎样的火花？（上）
本期，我们将结合当下的热点话题——Metaverse （元宇宙），探究本体与 Metaverse 会擦出怎样的精彩火花。 2020年初的“百年未有之变局”至今仍深刻影响着这个世界。 本文以此为基础，探讨当本体遇到 Metaverse，将擦出怎样的精彩火花。 01 身份 首先，我们可以从「身份」入手。 在这个互联网时代，数据泄露为我们敲响了身份安全的警钟。 本体给出的答案是「去中心化身份框架 ONT ID」和「用户自主管理的评分体系 OScore」，能够解决身份和信用的问题。接下来，我们展开来说。 ? 图片源自网络 ONT ID 是本体基于 W3C 去中心化标识规范，基于区块链和密码学打造的去中心化身份框架，能快速标识和连接人、财、物、事，具有去中心化、自主管理、隐私保护、安全易用等特点。 与此同时，本体研发的 DDXF（分布式数据交换框架）提供了一种通过去中心化来交换数据的方法，与 ONT ID 相辅相成，共同提升用户隐私保护能力。
63920发布于 2021-07-12 本体论建模-合同管理本体模型深度分析与语义构建
今天继续分享合同管理本体模型定义。在前面我谈到了一个核心的方法思路，就是首先是通过自然语言，基于对象、行为、规则三个维度构建了本体模型的元模型 Markdown 文件。 然后再和 AI 大模型交互，让大模型基于文本文件来输出完整的符合 OWL 本体建模语言标准的 OWL 完整模型文件。这个本身也给我们后续构建本体模型给出一种新的参考思路。 一、类定义（Classes） 1.1 顶层类（8个，全部互斥） 以下 8 个顶层类之间声明为 AllDisjointClasses，即任何个体不能同时属于其中两个类。 3.1 顶层设计逻辑：语义"质量门" 模型定义了 8 个顶层互斥类（AllDisjointClasses），作为本体的底层安全边界。 8. 知识图谱实例化：ABox 数据模型建模 通过对真实业务场景的实例化，模型展示了跨实体的链条追踪能力。
28410编辑于 2026-03-26- 来自专栏神经网络和深度学习
8 神经网络：表达(Neural Networks: Representation)
8 神经网络：表达(Neural Networks: Representation) 8.1 非线性假设(Non-linear Hypotheses) 8.2 神经网络和大脑(Neurons and Examples and Intuitions I) 8.6 例子和直观理解2(Examples and Intuitions II) 8.7 多类别分类(Multiclass Classification) 8 m: 训练集中的样本实例数量 s2: 第二层神经网络中激活单元的数量 当然，神经网络可有多层，每层的激活单元数量也并不固定： [7szmp60jjd.jpg] 我们习惯于将输入层称为神经网络的第 0 层 [cej8blrfx8.jpg] 再举一例，逻辑或(OR)运算（有一个真值则结果就为真）神经网络： [6f89cw74vy.jpg] 8.6 例子和直观理解2(Examples and Intuitions 而如此不断组合，我们就可以逐渐构造出越来越复杂、强大的神经网络，比如用于手写识别的神经网络。
83240发布于 2020-07-07 - 来自专栏ROBOTEDU
【本体】外轴的控制
谢谢！
66530发布于 2018-07-25 - 来自专栏debugeeker的专栏
python黑知识：python本体
讲述python的实现本体，版本，构建时间，构建工具和构建参数 python的实现有很多种，如果想研究一下它语言本身一些机制的实现，可能需要看源代码，那么，就需要找到相应的实现，分支和版本。 ' 再看一下它的版本 >>> platform.python_version() '3.9.1' 再看一下创建时间 剩余内容请看本人公众号debugeeker, 链接为python黑知识：python本体
66210发布于 2020-12-31 - 来自专栏GiantPandaCV
F8Net:只有8比特乘法的神经网络量化
【GaintPandaCV导语】F8Net用定点化量化方法对DNN进行量化，在模型推理只有8-bit的乘法，没有16-bit/32-bit的乘法，采用非学习的方法即标准差来定小数位宽。 目前是我看到的第一篇硬件层面全8-bit乘法的模型推理的方法。 论文出处：ICLR2022 Oral《F8Net: Fixed-Point 8-bit Only Multiplication for Network Quantization》 问题1：什么是定点化( PACT的方法结合，推导出这样的优化公式； 4、定点化有效权重和有效偏差，有效权重和有效偏差指的是fold bn的con-bn的参数； 5、对残差块的d定点化参数对齐方法的实验和探究； 6、高精度的乘法对神经网络的性能来说 F8Net: Fixed-Point 8-bit Only Multiplication for Network Quantization | OpenReview
1.8K20编辑于 2022-04-06 - 来自专栏本体研究院
本体技术视点 | 关于本体EVM合约开发，你必须知道的事（三）
上周，本体宣布支持 EVM 的测试网正式部署并向全球开发者开放 EVM 兼容公测。 同时，与知名代码审计机构慢雾科技合作发布《本体安全漏洞与威胁情报赏金计划》（https://slowmist.io/en/ontology/）正式启动，上报单个有效漏洞奖励最高可达12,000美金。 上一期，我们介绍了在本体上开发和部署 EVM 合约的工具，以及如何使用 MetaMask 插件数据客户端来管理以太坊数据客户端。这一期，我们将为您带来本体 EVM 合约开发流程演示。 第四部分 EVM 合约开发流程演示 下面我们将使用 Hardhat 工具来演示在本体网络中开发部署和测试 EVM 合约的完整流程。 下期，我们将为您提供 Web3 API 参考，并教您如何使用 Ontology Bridge 本体跨链桥实现本体数字资产与以太坊数字资产的一键互跨，敬请期待。
66630发布于 2021-10-13 - 来自专栏本体研究院
本体技术视点 | 关于本体EVM合约开发，你必须知道的事（四）
本体与知名代码审计机构慢雾科技合作发布的《本体安全漏洞与威胁情报赏金计划》持续进行中，上报单个有效漏洞奖励最高可达12,000美金，受到大量开发者关注。 上一期，我们展开了本体 EVM 合约开发流程演示。相信大家已经跃跃欲试，计划在本体上搭建自己的去中心化应用了。 第五部分 Web3 API 参考 由于以太坊与本体交易的结构体和存储结构存在差异，目前本体只支持了以下 RPC 接口。 至此，“关于本体 EVM 合约开发，你必须知道的事“系列完结。 添加本体小姐姐微信（ontology_2020）并备注【技术】可进行技术探讨或加入社群。 ▿点击阅读原文查看往期精彩
51830发布于 2021-10-13 - 来自专栏机器学习算法与Python学习
必须了解的8种神经网络架构
神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。 下面是8种核心神经网络架构 1. 感知机（Perceptrons） 感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。 在循环神经网络之前主要使用无记忆模型处理这类任务。 循环神经网络是一种十分有力的武器，它包含了两个重要的特点。 神经网络是以学习为中心的，自己死记硬背的知识并不酷，因为知识来自于学习训练数据。神经网络的目的不是为了便于解释，也不是为了让推理变得简单。但即便如此，还是有神经网络版本的信念网络。 8. 深度自动编码器（Deep Auto-encoders） ? 最后，让我们讨论一下deep auto-encoders。
2.2K50发布于 2018-04-24 - 来自专栏ROBOTEDU
【机器人】本体概述（中）
本次课程价值（20RMB），花钱做免费资料，我想这就是热爱吧
56480发布于 2018-04-17 - 来自专栏PPV课数据科学社区
必须了解的8种神经网络架构
神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。 下面是8种核心神经网络架构 1. 感知机（Perceptrons） 感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。 在循环神经网络之前主要使用无记忆模型处理这类任务。 循环神经网络是一种十分有力的武器，它包含了两个重要的特点。 神经网络是以学习为中心的，自己死记硬背的知识并不酷，因为知识来自于学习训练数据。神经网络的目的不是为了便于解释，也不是为了让推理变得简单。但即便如此，还是有神经网络版本的信念网络。 8. 深度自动编码器（Deep Auto-encoders） 最后，让我们讨论一下deep auto-encoders。
2.6K50发布于 2018-04-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号