マニュアルは従来から組織における新人教育・訓練・職員間の知識共有のための手段として広く活用されている．しかし，マニュアル人間という表現があるとおり，書かれた行為やルールを墨守するあまり，そこから外れたことに直面すると適切な対応ができないことの弊害も指摘されていた．そこで，我々は，目的指向で知識を構造化し，事故報告書やベストプラクティスなどのデータと組み合わせるデータ知識構造化手法を提案している．この手法により各行為の目的と根拠を把握でき，新たな状況に対処する能力も醸成可能となる．しかし，現状の構築方法には，従来の高品質なマニュアルを構築する専門家のノウハウが活かされていなかった．そこで，本論文では，マニュアル構築専門家が知識工学の専門家による構造化知識をベースにした高齢者の自立支援介護マニュアルを設計し，利用者によるマニュアルの設計時品質の評価を行うことで専門家のノウハウを表出する．本研究の結果から，マニュアル構築において構造化知識を知識源とすることの利点と課題，知識構築の変化が明らかとなった．

近年，Embodied AIなどの現実世界や3D環境との相互作用を通じて学習を行い，仮想ロボットを用いて3D環境で様々なタスクを行うことができるシステムの研究が行われている．しかし，これらにはユーザに対する質問や要求に答えるだけで対話が途切れてしまう一方向のタスクが多い．本研究では3Dの家庭環境オントロジーと常識推論を用いて，仮想ロボットがユーザと双方向なやりとりしながら案内場所を推論し,家を案内することが可能なタスク指向対話型システムを開発することを目的とする．

知識グラフを用いた対話型質問応答ベンチマークとして，大規模知識グラフWikidataを用いて作成されたCSQAが存在する．CSQAには，What型の単純な質問タイプの他に，比較や集合演算などの推論を必要とする質問タイプなど，10種類の質問タイプについてデータセットが構築されている．既存手法では，発話をデータベースへの操作を表現する論理形式に変換するマルチタスク意味解析モデルにより高い精度を得られるようになってきている．論理形式への変換は，論理形式を導出するための文法を定義し，発話からその文法を適用する順序を予測することにより行う．その予測のための学習には文法を適用して生成できる論理形式の中から質問に回答できるものを探す必要がある．しかしその検索空間は膨大なため，検索の方法によっては検索成功率が低下したり，誤った論理形式が検索されたりするという問題が発生し，モデルの学習に悪影響を与えることにつながる．本研究では，論理形式のパターンを用いることにより，既存手法よりも短時間かつ高い検索成功率で論理形式を検索するための手法を提案する．

これまで様々な上位オントロジーが提案されてきたが，Dependent/Independent，Continuant/Occurrentの捉え方は上位オントロジー間で統一されていない．本研究では，これまで提案されてきた上位オントロジーの主要概念の依存関係の整理を行った．この結果，まずDependentとIndependentを区別した上で，IndependentをOccurrentとContinuantで区別することが必要であることが分かった．

Wikipedia is one of the largest knowledge resources available via the Internet. Several methods have been proposed for extracting knowledge/information from Wikipedia, but methods based on extracting knowledge from the Wikipedia category structure can not utilize whole part of its structure because of the complexity of the relationships between the various categories. In this paper, we briefly review our previous researches on analyzing Wikipedia category and introduce a framework called "Wikipedia Category Ontology" (WCO) that aims to act as a basis for interpreting the Wikipedia category structure. It is based on a classification of category types and relationship types and available online in the form of Linked Open Data at http://wcontology.org/. We also demonstrate the system by using Wikipedia category analysis scenarios.

Ontology development for a specific domain is a task to take a large cost. To reduce the costs, ontology development methods are needed. In this study, we investigate a semi-automatically method to extract concepts for domain ontologies from Wikidata, a large-scale public Linked Open Data (LOD) to develop a preliminary ontology. Our previous work extracted domain concepts with their conceptual hierarchies from Wikidata. In this study, we use these extracted concepts as input to extract conceptual relationships among domain concepts from Wikidata This paper discusses a method to extract relationships as triples related to domain concepts, and examines how extracted relationships could be used as conceptual relationships for the domain ontology.

In this paper, we describe a technique for enriching the ontology of background knowledge by connecting to wikidata in order to improve the accuracy of link prediction in knowledge graphs where entities are not typed in detail. We proposed an algorithm to remove entities that are irrelevant to the type of prediction from the training as negative examples. We confirmed that the proposed algorithm improves the accuracy compared to the case without connecting to the existing wikidata.

Linked Open Data形式のメタデータ記述のスキーマ説明を行うアプリケーションプロファイル記述を容易に公開するための手法として、SHACL(Shapes Constraint Language)に基づく文書化とデータ検証を一つの形式で両立する手法を提案する。実際のデータセットとして、著者らが提供している教科書LODを例にとり、手法の詳細について報告する。