《Building Ontologies with Basic Formal Ontology》是由Robert Arp、Barry Smith和Andrew D. Spear所著，于2015年由麻省理工学院出版社出版。本书详细介绍了如何构建本体论知识图谱，旨在为读者提供构建本体的理论基础和实践指南。 书中解释了什么是本体论。本体论作为一种概念化框架，旨在以一种计算机友好的形式组织和表达世界上的科学信息。在科学研究中，本体论常用来表示特定领域的知识结构，包括概念、属性、类别和关系等，以便于信息的存储、管理和整合。 本体论的种类繁多，其中分类法（taxonomies）是一种重要的形式，它通过层次结构将概念进行分组和组织。书中提到了几种本体论的最佳实践原则，这些原则旨在指导领域本体的设计、术语的定义以及分类体系的建立。 Basic Formal Ontology（BFO）是书中介绍的一个核心概念，它是一种基础形式本体论。BFO旨在提供一个通用的本体论框架，用于各个领域的本体构建。书中详细讨论了BFO的两个主要组成部分：持续体（Continuants）和发生体（Occurrents）。持续体代表了那些在时间上持续存在的实体，如物质、对象和人；而发生体则代表了那些在时间上发生的过程和事件。此外，书中还探讨了关系本体（The Ontology of Relations）的概念，它是关于实体之间如何相互关联的描述。 在实际应用方面，书中提供了一系列的实现指南，包括本体构建过程中使用的语言、编辑器、推理工具和浏览器等。这些工具对于构建本体至关重要，它们使本体的设计者能够创建、编辑、验证和浏览本体内容。 本体论在多个领域都有广泛的应用，包括生物医学信息学、材料信息学和地理空间信息学等。这些领域都面临着大量数据和信息的管理问题，本体论作为一种强大的知识组织工具，正逐渐成为解决这些问题的关键策略。 此外，书中还强调了本体的重用性（Reuse）。一个设计良好的本体可以被多个项目和研究团队所重用，这不仅有助于促进知识共享，还能够减少重复工作，提高科研效率。 为了更好地理解本体论构建过程中的关键概念，书中还包含了一个附录，详细介绍了相关的实现工具和资源。这包括了一些本体论、研究小组、软件和网络链接的信息，帮助读者进一步探索和实践本体论的构建。 《Building Ontologies with Basic Formal Ontology》不仅为本体论的构建者提供了系统的知识框架，同时也为希望在本体论领域进一步研究和应用的读者提供了宝贵的资源。通过阅读本书，读者可以更好地掌握如何设计、实现和应用本体论，进而在科研、教育和工业等多个领域发挥本体论的实际价值。

本文介绍了编织语义网格以进行Internet多学科协作设计的初步尝试。 提出了一种基于本体的面向服务的建模方法，用于多学科设计知识的分布式管理，该方法通过领域资源本体对用于分布式应用程序的各种Grid服务进行注释，以促进它们在有意义的多学科协作设计中的自主部署，重用和联合。灵活的方式。 面向服务的多主体系统架构被布置在分布式，可扩展的语义服务注册表的对等网络中，以开放，分散和松散耦合的方式解决多学科协作设计活动的生命周期。参与有效地发布，发现和重用各种Grid服务。 设计了一种智能的，面向服务的工作流计划程序，该程序配备了基于本体和基于规则的问题解决策略，以支持用户利用现有的多学科设计资源，利用他们的语义描述自动构建复杂的工程设计过程的工作流。 给出了将所提出的方法应用于金属冲压级进模的多学科协作设计的示例，以说明工作流计划程序在语义网格中的潜在应用。

知乎_数据 与 KnowRob 知识库相关的数据存储库，例如地图、机器人日志数据或对象模型。 该集合的目的是通过一个存储库提供样本数据、测试数据、评估数据和通用实验数据集。 同时，该数据应与代码分开存储（例如不在主 KnowRob 存储库中），以便允许在不同上下文中重复使用程序。 子文件夹包含以下类型的数据： 动作：带有任务描述的 OWL 文件，类似于 RoboEarth 中的“动作配方” 日志：任务执行的日志文件，由机器人或人类执行 地图：语义环境地图 对象：对象模型，即描述其语义属性、部件组成或 CAD 模型链接的 OWL 文件

从0开始进行Ontology设计和开发，涵盖开发工具、流程、语言和基础理论以及注意事项等，让你具备一个Knowledge Engineer的基本技能。

英文PDF版本，注意不是中文译本，如果想看中文版的话可以再找找。。。英文版找了半天

DBPedia Ontology 由 14 个不重叠分类的 40000 个训练样本和 5000 个测试样本组成，其使用来自维基百科派生的大型多域本体。 该数据集的英文版目前描述了 458 万个「事物」以及 5.83 亿个「事实」，其由康奈尔大学于 2015 年发布。

PyMedTermino PyMedTermino（Python的医学术语）是一个Python模块，可轻松访问Python中的主要医学术语。 支持以下术语：SNOMED CT，ICD10，MedDRA，CDF，UMLS和VCM图标（巴黎13大学开发的标志性术语）。 PyMedTermino有助于访问术语，但不包括术语内容（VCM除外）； 术语内容应单独获得（例如，从UMLS下载）。 PyMedTermino由让-巴蒂斯特·拉米（Jean-Baptiste Lamy）在巴黎第六十三大学索邦大学城，巴黎第六大学INSERM UMRS 1142的LIMICS研究实验室中创建。 PyMedTermino已获得GNU LGPL许可，并在以下科学文章中进行了介绍（如果使用PyMedTermino，请引用它！）： Lamy JB，Venot A，Duclos C. Stud Health Tec

简单语义传感器网络 (s3n) 部分基于 W3C 的简化语义传感器网络词汇。 SSN 词汇表的完整实现可能不适合某些传感器网络，其中完整的 OWL 本体的开销对常见物联网环境中的信息交换、性能和互操作性施加了一些限制。 介绍 本文档定义的词汇表的 RDF 表示使用命名空间https://imergo.com/ns/2015/s3n# 。 本文档中使用前缀s3n来表示该命名空间。 此处使用的其他前缀包括： 命名空间 字首 描述 直流电 都柏林核心术语命名空间 射频 RDF 命名空间 文件 RDF 模式命名空间 xsd XML 架构命名空间 班级 班级名称 标签 描述 相关属性 设备 设备是一种物理技术 - 盒子中的系统。 设备当然可以由较小的设备和软件组件（即系统具有组件）构建。 dct:title dct:description dct:hasPart 传感器 传感器可以

human-phenotype-ontology, 描述人类表型的本体论 联系人如果你有问题，请联系 dr.sebastian.koehler@gmail.com 或者 peter.robinson@jax.org 。重要用户应该使用 http://purl.obolibrary.org/obo/

DeepGO-预测基因本体功能 DeepGO是一种使用蛋白质序列和蛋白质-蛋白质相互作用（PPI）网络预测蛋白质功能的新颖方法。 它使用深度神经网络来学习序列和PPI网络特征，并使用GO类对它进行分层分类。 使用神经符号方法学习PPI网络功能，以学习知识图表示 该存储库包含用于构建和训练DeepGO模型的脚本，以及用于评估模型性能的脚本。 依存关系 要安装python依赖项，请运行：pip install -r requirements.txt 剧本 这些脚本需要OBO格式的GeneOntology。 nn_hierarchical_seq.py-此脚本用于构建和训练仅使用蛋白质序列作为输入的模型。 nn_hierarchical_network.py-此脚本用于构建和训练模型，该模型使用蛋白质的序列和PPI网络嵌入作为输入。 get_data.py，get_functions.p