Inductive Lexical Learning of Class Expressions
Inductive Lexical Learning of Class Expressions
复制标题
类表达式的归纳词汇学习
DOI：
10.1007/978-3-319-13704-9_4
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
Johanna Völker
中科院分区：
文献类型：
--
作者：
Lorenz Bühmann;Daniel Fleischhacker;Jens Lehmann;André Melo;Johanna Völker
尽管根据语义Web W3C标准发布的知识库数量有所增加，但其中许多主要由实例数据组成，缺乏复杂的模式，尽管这种模式的可用性将允许更强大的查询，一致性检查和调试以及改进的推理。模式仍然很少的原因之一是创建它们所需的努力。因此，许多本体学习的方法已经开发出来，以简化模式的创建。这些方法通常从文本或现有的RDF数据中学习结构。在这篇文章中，我们提出了第一种结合两种证据来源的方法，特别是我们将现有的逻辑学习方法与应用于文本资源的统计相关性度量结合联合收割机。我们进行了一个实验，涉及100类的DBpedia 3.9数据集的手动评估，并表明，包括相关性措施导致一个显着的改善基线算法的准确性。
Despite an increase in the number of knowledge bases published according to Semantic Web W3C standards, many of those consist primarily of instance data and lack sophisticated schemata, although the availability of such schemata would allow more powerful querying, consistency checking and debugging as well as improved inference. One of the reasons why schemata are still rare is the effort required to create them. Consequently, numerous ontology learning approaches have been developed to simplify the creation of schemata. Those approaches usually either learn structures from text or existing RDF data. In this submission, we present the first approach combining both sources of evidence, in particular we combine an existing logical learning approach with statistical relevance measures applied on textual resources. We perform an experiment involving a manual evaluation on 100 classes of the DBpedia 3.9 dataset and show that the inclusion of relevance measures leads to a significant improvement of the accuracy over the baseline algorithm.
登录
查看更多内容
DOI：
--
发表时间：
2010
期刊：
ECML/PKDD
影响因子：
--
作者：
N. Fanizzi;Claudia d’Amato;F. Esposito
通讯作者：
F. Esposito
DOI：
--
发表时间：
2000
期刊：
International Conference on Inductive Logic Programming
影响因子：
--
作者：
Liviu Badea;S. Nienhuys
通讯作者：
S. Nienhuys
EL 描述逻辑中的理想向下细化
影响因子：
7.5
作者：
Jens Lehmann;C. Haase
通讯作者：
C. Haase
影响因子：
3
作者：
Lehmann, Jens;Isele, Robert;Bizer, Christian
通讯作者：
Bizer, Christian
描述逻辑的可学习性
DOI：
--
发表时间：
1992
期刊：
Annual Conference Computational Learning Theory
影响因子：
--
作者：
William W. Cohen;H. Hirsh
通讯作者：
H. Hirsh