La base de conocimiento ontológico (KB) se puede dividir en dos partes: TBox y ABox, donde el primero modela el conocimiento a nivel de esquema dentro del dominio, y el segundo es un conjunto de afirmaciones o hechos sobre instancias. El razonamiento ABox es un proceso de descubrimiento de conocimiento implícito en ABox basado en la KB existente, lo cual es de gran valor en aplicaciones de KB. El razonamiento ABox está influenciado tanto por la complejidad de TBox como por la escala de ABox. Los métodos tradicionales de razonamiento ontológico basados en lógica suelen estar diseñados para ser demostrablemente sólidos y completos, pero sufren de largos tiempos de ejecución del algoritmo y no escalan bien para KB ontológicas representadas por OWL DL (Lógica de Descripción). En algunos escenarios de aplicación, la solidez y la completitud de los resultados de razonamiento no son las restricciones clave, y es aceptable sacrificarlas a cambio de mejorar la eficiencia del razonamiento en cierta medida. Basándose en esta visión, se propuso un método de razonamiento aproximado para ABox a gran escala en KBs OWL DL, que se llama ChunfyReasoner (CFR). El CFR introduce el aprendizaje neural-simbólico en el razonamiento ABox e integra las ventajas de los sistemas simbólicos y las redes neuronales (NNs). Al entrenar el modelo NN, el CFR compila aproximadamente el proceso de deducción lógica del razonamiento ontológico, lo que puede mejorar significativamente la velocidad de razonamiento mientras se asegura una mayor calidad de razonamiento. En este documento, exponemos la idea básica, el marco y el proceso de construcción del CFR en detalle, y realizamos experimentos en dos ontologías de código abierto construidas en OWL DL. Los resultados experimentales verifican la efectividad de nuestro método y muestran que el CFR puede soportar las aplicaciones de razonamiento ABox a gran escala de KBs OWL DL.