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。

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。

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

国际文献工作委员会之概念参考模型（CIDOC CRM）的定义

一个Ontology，用于推理机，OWL格式

做项目过程中根据数据库上万条数据通过程序自己写的本体文件，可在protege里面查看效果

第一章：引言（2学时） 第二章：文本特征提取技术（4学时） 第三章：文本检索技术（6学时） 第四章：文本自动分类技术（3学时） 第五章：文本自动聚类技术（3学时） 第六章：话题检测与追踪（3学时） 第七章：文本过滤技术（1.5学时） 第八章：关联分析技术（1.5学时） 第九章：文档自动摘要技术（3学时） 第十章：信息抽取（3学时） 第十一章：智能问答（QA）技术（1.5学时） 第十二章：Ontology（1.5学时） 第十三章：半结构化文本挖掘方法（1.5学时） 第十四章：文本挖掘工具与应用（1.5学时）