Methods for Automatic Enrichment of Ontologies from Linked Data
[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ P ] employee
[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ P ] employee
PL Metody automatycznego rozszerzania ontologii na podstawie Powiązanych Danych
english
- ontologies
- machine learning
- linked data
- ontologie
- uczenie maszynowe
- powiązane dane
EN In this thesis, we address the problem of helping an ontology engineer to add new axioms to an ontology. We assume that the ontology contains some vocabulary and that there exists a Linked Data dataset using the vocabulary. The goal is to generate candidate axioms that can be reviewed and added to the ontology. We propose three inductive methods, that use only SPARQL Query Language to access the dataset. In particular, this enables using a public SPARQL endpoint instead of downloading the whole dataset. The first method generates a large set of candidate axioms and uses integer linear programming to select the most interesting subset of the axioms, that is then presented to the user. The second method extends an attribute exploration algorithm from Formal Concept Analysis. The third method, called Swift Linked Data Miner (SLDM) is a pattern mining approach.
PL Rozważa się problem wsparcia inżyniera ontologii w dodawaniu nowych aksjomatów do ontologii. Zakłada się, że ontologia zawiera pewne słownictwo i że istnieje zbiór Powiązanych Danych, który go używa. Celem jest stworzenie kandydujących aksjomatów, które mogą zostać ocenione i dodane do ontologii. Proponuje się trzy metody indukcyjne, które używają wyłącznie języka zapytań SPARQL w celu uzyskania dostępu do zbioru danych. W szczególności umożliwia to wykorzystanie publicznych końcówek SPARQL zamiast pobierania całego zbioru danych. Pierwsza z metod tworzy duży zbiór aksjomatów kandydujących i używa liniowego programowania całkowitoliczbowego, żeby wybrać najbardziej interesujący podzbiór aksjomatów, który jest przedstawiany użytkownikowi. Druga z metod rozszerza algorytm eksploracji atrybutów z Formalnej Analizy Pojęć. Trzecia metoda, nazwa Swift Linked Data Miner (SLDM), to podejście oparte na odkrywaniu wzorców.
115
computer sciences and computer science
computer science
DrOIN 1910
public
Krzysztof Goczyła
Gdańsk, Polska
31.01.2018
polish
public
Henryk Rybiński
Warszawa, Polska
30.03.2018
polish
public
dissertation
Poznań, Polska
12.06.2018
Rada Wydziału Informatyki Politechniki Poznańskiej
doktor nauk technicznych w dyscyplinie: informatyka, w specjalności: sztuczna inteligencja