BigCQ

BigCQ是由波兹南理工大学计算机与电信学院创建的一个大规模合成数据集，专注于能力问题（CQs）模式的形式化，将其转化为SPARQL-OWL查询模板。该数据集包含77575个独特的CQ模板，远超现有数据集的规模。数据集的创建过程涉及从频繁使用的公理形状自动生成CQ模板和查询模板，这些模板随后可以填充来自特定本体的资源标签和IRIs，以生成实际的CQ和SPARQL-OWL查询。BigCQ的应用领域主要集中在本体工程，旨在通过自动化过程提高本体开发的效率和质量，解决本体构建中的需求收集和验证问题。

BigCQ is a large-scale synthetic dataset developed by the Faculty of Computing and Telecommunications, Poznań University of Technology. It focuses on formalizing Competency Question (CQ) patterns and translating them into SPARQL-OWL query templates. This dataset contains 77,575 unique CQ templates, which far exceeds the scale of existing datasets. The creation process of BigCQ involves automatically generating CQ templates and query templates from frequently used axiom shapes. These templates can then be populated with resource labels and IRIs from specific ontologies to generate actual CQs and SPARQL-OWL queries. BigCQ is primarily applied in the field of ontology engineering, aiming to improve the efficiency and quality of ontology development through automated processes, and solve the issues of requirement collection and validation during ontology construction.

搜集汇总

数据集介绍

构建方式

在知识工程领域，构建高质量的本体需要依赖能力问题来收集需求并验证本体的完备性。BigCQ数据集的构建过程始于从BioPortal等本体库中提取频繁出现的公理模式，这些模式反映了本体建模中常见的知识表示结构。通过自动化脚本，将每个公理模式转化为领域无关的抽象形状，并利用ACE语言生成器将其转换为自然语言陈述。随后，基于对陈述结构的分析，设计出七类问题模板，涵盖ASK、SELECT及COUNT等查询类型，并通过同义词替换机制生成多样化的自然语言问题变体。最终，每个问题模板与对应的SPARQL-OWL查询模板配对，形成大规模的结构化数据集。

特点

BigCQ作为当前规模最大的能力问题模板数据集，其核心特点在于自动化生成与高度可扩展性。数据集包含超过77,575个独特的能力问题模板和549个SPARQL-OWL查询模板，覆盖了从简单分类关系到复杂属性约束的多种知识表示形式。通过同义词替换和模板填充机制，能够基于特定本体的词汇表生成海量具体问题与查询对，为机器学习模型提供充足的训练数据。此外，数据集严格遵循知识工程中的常见建模模式，确保生成的模板与实际本体工程需求高度契合，同时支持对现有真实数据集中63.89%的能力问题形式和45.74%的SPARQL-OWL查询的覆盖。

使用方法

在知识工程与语义网研究中，BigCQ数据集为自动化工具开发提供了重要基础。研究者可利用数据集中的模板对，通过填充具体本体的类、属性和个体标签，批量生成能力问题及其形式化查询，从而构建针对特定领域的评估语料库。对于自然语言处理任务，该数据集可用于训练能力问题到SPARQL-OWL查询的自动翻译模型，或开发本体术语表提取工具。此外，数据集的构建脚本已开源，允许研究者根据需求扩展公理模式库或调整问题生成规则，以适配不同的本体工程场景。

背景与挑战

背景概述

在知识工程领域，本体作为领域知识的规范化表达，其构建过程常依赖能力问题（Competency Questions, CQs）来收集需求并评估本体的完备性。然而，公开可用的CQs及其形式化查询数据集极为稀缺，制约了自动化工具的发展。为此，波兹南理工大学的研究团队于2021年推出了BigCQ数据集，该数据集通过从频繁公理模式中自动生成CQ模板及其对应的SPARQL-OWL查询模板，旨在为自动化CQ处理任务提供大规模、多样化的训练资源。BigCQ不仅推动了能力问题与本体查询语言之间的映射研究，还为基于机器学习的本体工程方法奠定了数据基础，显著提升了领域内需求分析与本体验证的效率。

当前挑战

BigCQ数据集致力于解决能力问题与SPARQL-OWL查询之间的自动转换挑战，其核心在于克服自然语言形式多样性与逻辑查询结构化之间的鸿沟。具体而言，该领域问题涉及如何准确捕捉CQs的语义模式并将其映射为规范的查询模板，同时确保生成的数据集能覆盖真实场景中的复杂问题类型。在构建过程中，研究团队面临的主要挑战包括：从异构本体中提取频繁公理模式时需处理知识表示的差异性；设计通用转换规则以适配多样化的CQ句式结构；以及评估生成模板对现有数据集的覆盖度时需应对自然语言表达的灵活性。这些挑战要求数据集构建方法兼具自动化效率与语义保真度。

常用场景

经典使用场景

在知识工程领域，本体构建常面临需求收集与验证的挑战，BigCQ数据集通过提供大规模的能力问题模式及其SPARQL-OWL查询模板，为自动化本体工程流程提供了关键资源。该数据集最经典的使用场景在于支持能力问题到形式化查询的自动转换，研究者可利用其模板填充具体本体词汇，生成海量训练数据，从而驱动基于机器学习的自然语言到查询语言的翻译模型开发，显著提升本体构建的效率和准确性。

实际应用

在实际应用中，BigCQ数据集可被集成到本体开发工具链中，辅助工程师快速验证本体的完整性与正确性。例如，在医疗或生物信息学领域，构建领域本体时，利用该数据集生成的能力问题模板可自动产生针对特定词汇的查询，用于测试本体是否能回答预设问题，从而优化建模过程。此外，它还能支持教育场景中的本体教学，通过生成示例问题帮助学习者理解知识表示与查询逻辑。

衍生相关工作

BigCQ数据集衍生了一系列经典研究工作，主要集中在自动化本体工程与自然语言处理交叉方向。例如，基于该数据集开发的机器学习标注器实现了从能力问题中自动提取候选术语，而后续研究则探索了深度学习方法用于能力问题到SPARQL-OWL查询的端到端翻译。这些工作不仅扩展了数据集的用途，还促进了如CORAL需求语料库等资源的分析与比较，推动了领域内数据驱动方法的标准化与普及。