已经提出了几种类型的依赖关系，用于对存在规则本体的静态分析，有望对计算属性的见解以及一组规则（例如，基于本体的查询答案）的实际使用。不幸的是，这些依赖性很少实施，因此在实践中几乎没有实现它们的潜力。我们专注于两种规则依赖性 - 积极的relians和限制 - 以及为其有效计算设计和实施优化的算法。关于多达100,000多个规则的现实本体论实验显示了我们方法的可扩展性，这使我们能够实现一些先前提出的应用程序作为实际案例研究。特别是，我们可以在何种程度上分析基于规则的自下而上的推理方法可以保证在实际本体论中产生无冗余的“精益”知识图（所谓的核心）。

我们在答案集编程（ASP）中，提供了全面的可变实例化或接地的理论基础。在ASP的建模语言的语义上构建，我们在（固定点）运营商方面介绍了接地算法的正式表征。专用良好的运营商扮演了一个主要作用，其相关模型提供了划定接地结果以及随机简化的语义指导。我们地址呈现出一种竞技级逻辑程序，该程序包含递归聚合，从而达到现有ASP建模语言的范围。这伴随着一个普通算法框架，详细说明递归聚集体的接地。给定的算法基本上对应于ASP接地器Gringo中使用的算法。

为了追求基于本体本体的查询的通用标准，我们介绍了存在规则的“有限 - 局限性集合”（FCS），这是一种模型定义的规则集类别，灵感来自图形理论的cliquewidth措施。通过一个通用参数，我们表明FCS确保对相当一类的查询类（称为“ Damsoqs”）的必要性进行可决定性，这些查询均包含结合性查询（CQS）。 FCS类适当地概括了有限扩展集（FES）的类别，并且最多可以介绍2个Arity的签名，即有界树的类别（BTS）。对于较高的ARIT，BTS仅由FC通过重新化而间接汇总。尽管FCS的普遍性，但我们提供了一个规则集，该规则集具有可决定的CQ符号（由于一阶 - 剥离性），因此落在FC之外，从而证明了FCS的无与伦比和有限合并集（FUS）的无效性。尽管如此，我们还是表明，如果我们将自己限制在最多2的单头规则设置上，那么FCS属于FUS。

知识表示中的一个突出问题是如何应对域名知识的本体的隐性后果来回回答查询。虽然这个问题在描述逻辑本体的领域中已被广泛研究，但在模糊或不精确的知识的背景下，令人惊讶地忽略了忽视，特别是从数学模糊逻辑的角度来看。在本文中，我们研究了应答联合查询和阈值查询的问题。模糊DL-Lite中的本体。具体而言，我们通过重写方法展示阈值查询应答W.r.t.一致的本体中仍保持在数据复杂性的$ AC_0 $中，但该联合查询应答高度依赖于所选三角标准，这对底层语义产生了影响。对于IDEMPodent G \“Odel T-Norm，我们提供了一种基于古典案例的减少的有效方法。本文在理论和实践中正在考虑和逻辑编程（TPLP）的实践。

域特异性启发式方法是有效解决组合问题的必不可少的技术。当前将特定于域的启发式方法与答案集编程（ASP）集成的方法在处理基于部分分配的非单调指定的启发式方法时，这是不令人满意的。例如，在挑选尚未放入垃圾箱中的物品时，这种启发式方法经常发生。因此，我们介绍了ASP中域特异性启发式方法声明性规范的新颖语法和语义。我们的方法支持启发式陈述，依赖于解决过程中所维持的部分任务，这是不可能的。我们在Alpha中提供了一种实现，该实现使Alpha成为第一个支持声明指定的域特定启发式方法的懒惰的ASP系统。使用两个实际的示例域来证明我们的提议的好处。此外，我们使用我们的方法用A*实施知情}，该搜索首次在ASP中解决。 A*应用于两个进一步的搜索问题。实验证实，结合懒惰的ASP解决方案和我们的新型启发式方法对于解决工业大小的问题至关重要。

复杂的推理问题是使用逻辑规则最清楚，很容易指定的，但是需要具有汇总的递归规则，例如计数和总和用于实际应用。不幸的是，此类规则的含义是一个重大挑战，导致许多不同的语义分歧。本文介绍了与汇总的递归规则的统一语义，扩展了统一的基础语义和约束语义，以否定为递归规则。关键思想是支持对不同语义基础的不同假设的简单表达，并正交使用其简单的含义来解释聚合操作。我们介绍了语义的形式定义，证明了语义的重要特性，并与先前的语义相比。特别是，我们提出了对聚集的有效推断，该推论为我们从文献中研究的所有示例提供了精确的答案。我们还将语义应用于各种挑战的示例，并表明我们的语义很简单，并且在所有情况下都与所需的结果相匹配。最后，我们描述了最具挑战性的示例实验，当他们可以计算正确的答案时，表现出与知名系统相比出现的出色性能。

混合MKNF的逻辑（最少的知识和否定为失败）是一种强大的知识表示语言，它优雅地将ASP（答案集编程）与本体结合在一起。析取规则是基于正常规则的推理的理想扩展，通常是为正常知识基础设计的语义框架，需要进行大量重组以支持分离规则。另外，人们可以通过诱导普通知识基础的集合来提高正常规则的特征，以支持脱节规则，每个知识库具有相同的身体和一个原子。在这项工作中，我们将一组正常的知识基础称为脱节知识基础的头脑。关于是否可以使用带有头切的FixPoint构造来表征分歧混合MKNF知识库的语义是否出现问题。早些时候，我们已经证明可以将头切割与FIXPOINT运算符配对，以捕获分离的混合MKNF知识库的两值MKNF模型。三个值的语义扩展了两个值的语义，具有表达部分信息的能力。在这项工作中，我们提出了一个Fixpoint构造，该构造使用操作员迭代地捕获了三个值模型的混合MKNF知识库模型，该构造具有脱节规则。该特征还捕获了分离逻辑程序的部分稳定模型，因为程序可以表示为具有空的本体论的分离混合MKNF知识库。我们详细阐述了正常混合MKNF知识库的AFT（近似固定点理论）之间的特征和近似值之间的关系。

我们概述了在其知识表示和声明问题解决的应用中的视角下的时间逻辑编程。这些程序是将通常规则与时间模态运算符组合的结果，如线性时间时间逻辑（LTL）。我们专注于最近的非单调形式主义的结果​​称为时间平衡逻辑（电话），该逻辑（电话）为LTL的全语法定义，但是基于平衡逻辑执行模型选择标准，答案集编程的众所周知的逻辑表征（ASP ）。我们获得了稳定模型语义的适当延伸，以进行任意时间公式的一般情况。我们记得电话和单调基础的基本定义，这里的时间逻辑 - 和那里（THT），并研究无限和有限迹线之间的差异。我们还提供其他有用的结果，例如将转换成其他形式主义，如量化的平衡逻辑或二阶LTL，以及用于基于自动机计算的时间稳定模型的一些技术。在第二部分中，我们专注于实际方面，定义称为较近ASP的时间逻辑程序的句法片段，并解释如何在求解器Telingo的构建中被利用。

我们根据描述逻辑ALC和ALCI介绍并研究了本体论介导的查询的几个近似概念。我们的近似值有两种：我们可以（1）用一种以易访问的本体语言为例，例如ELI或某些TGD，以及（2）用可拖动类的一个替换数据库，例如其treewidth的数据库，由常数界定。我们确定所得近似值的计算复杂性和相对完整性。（几乎）所有这些都将数据复杂性从Conp-Complete降低到Ptime，在某些情况下甚至是固定参数可拖动和线性时间。虽然种类（1）的近似也降低了综合复杂性，但这种近似（2）往往并非如此。在某些情况下，联合复杂性甚至会增加。

我们提出了一种使用绑架过程，在给定的答案集编程（ASP）规则集（ASP）规则集方面生成可能的查询证明，该过程仅根据输入规则自动构建了陈腐的空间。给定一组（可能是空的）用户提供的事实，我们的方法会渗透到需要查询的任何其他事实，然后输出这些额外的事实，而无需用户需要明确指定所有占有无误的空间。我们还提出了一种方法，以生成与查询的理由图相对应的一组定向边缘。此外，通过不同形式的隐式术语替换，我们的方法可以考虑用户提供的事实并适当修改绑架解决方案。过去的绑架工作主要基于目标定向方法。但是，这些方法可能导致并非真正声明的求解器。关于实现绑架的绑架者，例如Clingo ASP求解器，做出的工作要少得多。我们描述了可以直接在Clingo中运行的新型ASP程序，以产生绑架解决方案和定向边缘集，而无需修改基础求解引擎。

我们回答以下问题，哪些结合性查询以多种方式上的许多正和负面示例以及如何有效地构建此类示例的特征。结果，我们为一类连接的查询获得了一种新的有效的精确学习算法。我们的贡献的核心是两种新的多项式时间算法，用于在有限结构的同态晶格中构建前沿。我们还讨论了模式映射和描述逻辑概念的独特特征性和可学习性的影响。

最近在语义Web本体论的背景下研究了受控查询评估（CQE）。 CQE的目标是隐藏一些查询答案，以防止外部用户推断机密信息。通常，存在多种隐藏答案的多种无与伦比的方法，并且先前的CQE方法提前选择了哪些答案是可见的，哪些是不可见的。相反，在本文中，我们研究了一种动态CQE方法，即，我们建议根据对先前的评估更改当前查询的答案。我们的目标是最大程度地合作，除了能够保护机密数据之外，该系统除了能够保护机密数据，这意味着它可以肯定地回答了尽可能多的查询；它通过尽可能延迟答案修改来实现这一目标。我们还表明，我们无法通过静态方法（独立于查询历史记录）在直觉上模拟这种行为。有趣的是，对于通过拒绝表达的OWL 2 QL本体和策略，我们的语义下的查询评估是一阶重写，因此在数据复杂性中是AC0。这为开发实用算法铺平了道路，我们在本文中也初步讨论了这一算法。

形状约束语言（SHACL）是通过验证图表上的某些形状来验证RDF数据的最新W3C推荐语言。先前的工作主要集中在验证问题上，并且仅针对SHACL的简化版本研究了对设计和优化目的至关重要的可满足性和遏制的标准决策问题。此外，SHACL规范不能定义递归定义的约束的语义，这导致文献中提出了几种替代性递归语义。尚未研究这些不同语义与重要决策问题之间的相互作用。在本文中，我们通过向新的一阶语言（称为SCL）的翻译提供了对SHACL的不同特征的全面研究，该语言精确地捕获了SHACL的语义。我们还提出了MSCL，这是SCL的二阶扩展，它使我们能够在单个形式的逻辑框架中定义SHACL的主要递归语义。在这种语言中，我们还提供了对过滤器约束的有效处理，这些滤镜经常在相关文献中被忽略。使用此逻辑，我们为不同的SHACL片段的可满足性和遏制决策问题提供了（联合）可决定性和复杂性结果的详细图。值得注意的是，我们证明这两个问题对于完整的语言都是不可避免的，但是即使面对递归，我们也提供了有趣的功能的可决定性组合。

datalogmtl是与公制时间逻辑的运算符的Datalog的扩展，近年来已得到重大关注。它是一种高度表现力的知识表示语言，非常适合基于时间本体论的查询回答和流处理的应用。然而，在DatalogMTL中的推理是高计算复杂性，使实施具有挑战性并阻碍其在应用中的采用。在本文中，我们提出了一种在Datalogmtl中的实际推理的新方法，其将效果（A.K.a.前进链接）与基于自动机的技术相结合。我们在称为流星的推理中实施了这种方法，并使用Lehigh大学基准的时间延伸和基于现实世界气象数据的基准来评估其性能。我们的实验表明，流星是一个可扩展系统，使得能够推理涉及数百万个时间事实的复杂的时间规则和数据集。

存在规则是一种表达性知识表示语言，主要开发用于查询数据。在文献中，它们通常被认为是一种正常形式，可以简化技术发展。例如，一个共同的假设是规则头是原子，即仅限于单个原子。这样的假设被认为是在不丧失一般性的情况下进行的，只要在保留累积的过程中可以将所有规则集归一化。但是，一个重要的问题是确保推理可决定性的属性是否也保留。我们对这些程序对Chase（非）终止和FO-剥夺性的不同追逐变体的影响提供了系统的研究。这也导致我们研究与追逐独立利益有关的开放问题。

回答集编程（ASP）已成为一种流行的和相当复杂的声明问题解决方法。这是由于其具有吸引力的地址解决方案的工作流程，这是可以轻松解决问题解决的方法，即使对于计算机科学外的守护者而言。与此不同，底层技术的高度复杂性使得ASP专家越来越难以将想法付诸实践。有关解决此问题，本教程旨在使用户能够构建自己的基于ASP的系统。更确切地说，我们展示了ASP系统Clingo如何用于扩展ASP和实现定制的专用系统。为此，我们提出了两个替代方案。我们从传统的AI技术开始，并展示元编程如何用于扩展ASP。这是一种相当轻的方法，依赖于Clingo的reation特征来使用ASP本身表达新功能。与此不同，本教程的主要部分使用传统的编程（在Python中）来通过其应用程序编程接口操纵Clingo。这种方法允许改变和控制ASP的整个模型 - 地面解决工作流程。 COMENT of Clingo的新应用程序课程使我们能够通过自定义类似于Clingo中的进程来绘制Clingo的基础架构。例如，我们可能会互动到程序的抽象语法树，控制各种形式的多射击求解，并为外国推论设置理论传播者。另一种横截面结构，跨越元以及应用程序编程是Clingo的中间格式，即指定底层接地器和求解器之间的界面。我们通过示例和几个非琐碎的案例研究说明了本教程的前述概念和技术。

存在的规则语言是一系列本体语言，已广泛用于本体介导的查询应答（OMQA）。然而，对于大多数人来说，代表OMQA的域知识的表现力，称为节目表现力，尚未得到很好的理解。在本文中，我们为几个重要存在的存在规则语言的节目表现力建立了许多新颖的特征，包括元组生成依赖性（TGDS），线性TGDS以及分离TGD。这些特征采用自然模型 - 理论性质，有时采用自动机构性质，因此有时提供了强大的工具，用于识别这些语言中OMQA的域知识的可定定性。

DatalOgMTL是与公制临时运算符的DataLog扩展程序，该临时操作员在基于时间本体的数据访问和查询答案以及流推理中找到了应用程序。DatalOgMTL的实用算法依赖于基于实质化的推理，在这些推理中，在连续的规则应用程序中以前向链接方式得出时间事实。但是，基于当前的基于物质化的程序是基于幼稚的评估策略，其中主要效率的主要来源源于冗余计算。在本文中，我们提出了一个基于物质化的过程，该过程类似于数据编号中的经典半算法，旨在通过确保在执行算法期间最多一次考虑每一个时间规则实例，以最大程度地减少冗余计算。我们的实验表明，我们针对DatalOgMTL的优化半策略能够显着减少实质化时间。

Two approaches to AI, neural networks and symbolic systems, have been proven very successful for an array of AI problems. However, neither has been able to achieve the general reasoning ability required for human-like intelligence. It has been argued that this is due to inherent weaknesses in each approach. Luckily, these weaknesses appear to be complementary, with symbolic systems being adept at the kinds of things neural networks have trouble with and vice-versa. The field of neural-symbolic AI attempts to exploit this asymmetry by combining neural networks and symbolic AI into integrated systems. Often this has been done by encoding symbolic knowledge into neural networks. Unfortunately, although many different methods for this have been proposed, there is no common definition of an encoding to compare them. We seek to rectify this problem by introducing a semantic framework for neural-symbolic AI, which is then shown to be general enough to account for a large family of neural-symbolic systems. We provide a number of examples and proofs of the application of the framework to the neural encoding of various forms of knowledge representation and neural network. These, at first sight disparate approaches, are all shown to fall within the framework's formal definition of what we call semantic encoding for neural-symbolic AI.

在概念学习，数据库查询的反向工程，生成参考表达式以及知识图中的实体比较之类的应用中，找到以标记数据项形式分开的逻辑公式，该公式分开以标记数据项形式给出的正面和负面示例。在本文中，我们研究了存在本体论的数据的分离公式的存在。对于本体语言和分离语言，我们都专注于一阶逻辑及其以下重要片段：描述逻辑$ \ Mathcal {alci} $，受保护的片段，两变量的片段和受保护的否定片段。为了分离，我们还考虑（工会）连接性查询。我们考虑了几种可分离性，这些可分离性在负面示例的治疗中有所不同，以及他们是否承认使用其他辅助符号来实现分离。我们的主要结果是（所有变体）可分离性，不同语言的分离能力的比较以及确定可分离性的计算复杂性的研究。