Prasanna Vijayanathan and Renzo Sanchez-Silva, both Engineers at Netflix, presented “Ontology‐Driven Observability: Building the E2E Knowledge Graph at Netflix Scale” at QCon London 2026, where...

微软的Azure Digital Twins（ADT）与Palantir Ontology在技术和商业模式上截然不同。ADT侧重于开放建模和云服务，而Palantir则是封闭平台，专注于实时运营。两者无关联，适用场景各异，选择时需二选一。

本研究探讨大型语言模型在特定领域本体生成中的应用，评估DeepSeek和o1-preview模型的表现，发现它们在本体构建方面具有良好的泛化能力，为自动推理和知识表示技术的改进提供了基础。

本研究提出了过程知识本体（PKO），旨在解决工业公司中过程知识未被有效利用的问题，以支持过程管理并促进人工智能和数据驱动工具的应用。

本研究提出循环建筑产品本体（CCPO），旨在改善建筑行业的生命结束产品管理。通过标准化词汇和数据整合，CCPO 支持生命周期评估，提升 EoL 决策效果，推动循环经济发展。

本研究提出了一种新方法，将大型语言模型应用于知识图谱匹配，通过匹配实例子图的相似环境生成对应关系，显著提升模型性能，F-measure提高了45%。

本研究提出了一种名为本体指导的逆向思维（ORT）的新框架，旨在解决大型语言模型在知识图谱问答中的多跳推理问题。ORT通过反向构建推理路径，显著提升了LLMs在KGQA任务中的表现。

本研究提出了一种名为OntoSCPrompt的两阶段架构，旨在提升知识图谱问答（KGQA）在新知识图谱上的泛化能力。该方法通过分离语义解析与知识图谱特定交互，并采用本体指导的混合提示学习策略，实验结果表明其在资源有效的情况下与先进方法性能相当，且能够有效泛化至未见领域的知识图谱。

本研究提出MILA方法，以解决本体匹配在数据互操作性中的挑战。MILA通过检索-识别-提示流程，提高语义对应的准确性，减少对大型语言模型的请求，表现优于现有系统，具有广泛的应用潜力。

本研究开发了“Find your Figure”应用，旨在解决德语修辞手法检测中注释数据不足的问题，通过结合修辞本体GRhOOT与检索增强生成技术，提高识别效率。

本研究提出了一个能力问题模型，定义了五种主要类型的能力问题（CQ），旨在提升其清晰度和有效性，以支持本体开发。同时，创建了一个包含438个CQ的注释库，以促进后续研究。

本研究提出了一种有效的方法，解决医疗行业临床试验信息管理的高成本和低效率问题。大型语言模型可实现数据的自动提取与整合，促进临床试验实时数据集成的常态化。

本研究提出DODGE框架，解决风险评估中对象角色被低估的问题。通过结合本体论与形式方法，提升了风险评估模型的表达能力，帮助评估人员更有效地分析干扰传播和风险水平。

本研究提出了一种新的扰动本体图注意网络（POGAT），旨在解决异构图神经网络在捕捉节点语义关联时的手动规范依赖问题。通过结合本体子图与自监督学习，POGAT在链接预测和节点分类任务中显著提升了性能，超越了现有模型。