روشهایی برای یادگیری مدل های معنایی با استفاده از منابع سازمان یافته

چكیده:

مدلهای معنایی انتزاعی از منابع داده ها به معنای توصیف داده ها و مفاهیم و روابط تعریف شده توسط دامنه ها می باشد . ساختمان داده ها مانند یک گام مهم در ادغام مدلها می باشد . در این , ما در حال حاضر یک رویکرد مقیاس پذیر به صورت خودکار در یادگیری مدلهای معنایی از یک منبع داده های سازمان یافته با استفاده ازدانش منابع طراحی می نماییم . ارزیابی ما نشان می دهد که رویکرد تولید مدلهای معنایی حداقل ویژگی های مدل را بیان می کند .

1- مقدمه :

مقدار قابل توجهی از اطلاعات در رابطه با این موضوع در پایگاه های اطلاع رسانی و رابط های برنامه ی کاربردی آمده است . یک رویکرد مشترک به ادغام این منابع و توصیف دامنه ی داده ها پرداخته است . در وب , مفاهیم و روابط تعریف دامنه ی مدل های معنایی می تواند به عنوان یک نمودار ترسیم شود و ارتباط بین آنها مشخص شود .

ساخت دستی مدل معنایی وقت گیر می باشد و نیازبه تلاش و توجه و تخصص فراوان دارد . به صورت خودکار ساخت این مدل شامل دو مرحله است .

مرحله ی اول , مشخص نمودن انواع مدل های معنایی است . به عنوان مثال , بر چسب زدن داده ها و مشخص کردن منابع و دامنه ی آنهاست . با این حال تنها نوشتن ویژگی ها کافی نیست . مرحله ی دوم مشخص کردن ویژگی های داده ها از نظر خواص آنها می باشد . مطالعات بسیاری در این رابطه وجود دارد . اما بیشتر , تمرکز بر روی مرحله ی اول و مشخص کردن روابط مدلها می باشد . در مطالعات قبلی ما با یک رویکرد یادگیری مدلهای معنایی آشنا شدیم . در حال حاضر این داده ها و مدلهای معنایی ازیک دامنه ی متفاوت الهام گرقته است . ما با استفاده ازیک تکنیک یادگیری , نمونه های جدید از منابع را شناسایی می کنیم . ما در اینجا به ساخت نمودار با مدلهای معنایی شناخته شده خواهیم پرداخت . این مدل معنایی قابل قبول خواهد بود و برای هر یک از مدلها محاسبه ی حداقل داده ها صورت خواهد گرفت . در نهایت ما حاصل مدلها را بررسی می کنیم . این کار برخی از محدودیت ها را به دنبال دارد . یک نمونه از محدودیت عدم اطمینان از الگوریتم یادگیری مجموعه ای از مدلهای معنایی را برای هر منبع مشخص می کند اما روش های دیگری نیز برای ترسیم مدلهای معنایی وجود دارد . این یک روش دشوار می باشد زیرا بسیاری از موارد بین داده های معنایی مشابه است و نمی توان الگوریتم یادگیری را تشخیص داد . و دوم اینکه , بسیاری از داده ها , ویژگی های مشترکی دارند . در این مورد پردازش داده ها برای ساخت مدل ها غیر ممکن به نظر می آید . در این , ما به بررسی محدودیت هایی که در آثار گذشته وجود داشته است , می پردازیم . ما به تعمیم روش های قبلی با در نظر گرفتن مجموعه ای از مدلهای معنایی خواهیم پرداخت . برای غلبه بر محدودیت های پیش آمده یک الگوریتم معرفی خواهیم کرد که به بررسی مدل های معنایی و گسترش دامنه ی آنها می پردازد .

A Scalable Approach to Learn Semantic Models of Structured Sources