Ontology Embedding: A Survey of Methods, Applications and Resources

本文摘要中提到，本体论广泛用于表示领域知识和元数据，在信息系统、语义Web、生物信息学等许多领域中发挥着越来越重要的作用。然而，本体论可以直接支持的逻辑推理在学习、逼近和预测方面非常有限。一个直接的解决方案是将统计分析和机器学习集成起来。为此，近年来广泛研究了本体知识的自动学习向量表示，即本体嵌入。虽然已经有很多关于本体嵌入的论文发表，但缺乏系统性的综述阻碍了研究人员对这一领域的全面理解。为了弥补这一空白，本文首先介绍了本体论的不同语义，并从数学和机器学习的角度正式定义了本体嵌入及其忠实度属性。基于此，它根据它们的目标本体和语义以及它们的技术解决方案，包括几何建模、序列建模和图传播，系统地分类和分析了一组相对完整的80多篇论文。本文还介绍了本体嵌入在本体工程、机器学习增强和生命科学中的应用，提出了一个新的库mOWL，并讨论了挑战和未来方向。

本论文旨在系统地回顾本体嵌入领域的研究进展，介绍本体的不同语义类型及其在本体嵌入中的应用，并分析不同技术方案的优缺点。

本论文介绍了本体嵌入的概念及其数学和机器学习的角度，以及其忠实性属性。论文将本体嵌入的技术方案分为几何建模、序列建模和图传播，并对每种方案进行了详细的分类和分析。

本论文介绍了本体嵌入在本体工程、机器学习增强和生命科学中的应用，提出了一个新的mOWL库，并讨论了挑战和未来方向。

最近的相关研究包括：《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》、《A Survey of Machine Learning for Big Code and Naturalness》、《A Comprehensive Survey on Graph Neural Networks》等。