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

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

دسته : -پژوهش

فرمت فایل : word

حجم فایل : 684 KB

تعداد صفحات : 21

بازدیدها : 296

برچسبها : دانلود مقاله

مبلغ : 13000 تومان

خرید این فایل

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

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

روشهایی برای یادگیری مدل های معنایی با استفاده از منابع سازمان یافته - 2014

 

( 21 صفحه متن ترجمه شده به همراه متن اصلی و انگلیسی مقاله )


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 مقاله , 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 مقاله , 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

Abstract—Semantic models of data sources describe the meaning
of the data in terms of the concepts and relationships defined
by a domain ontology. Building such models is an important step
toward integrating data from different sources, where we need
to provide the user with a unified view of underlying sources.
In this paper, we present a scalable approach to automatically
learn semantic models of a structured data source by exploiting
the knowledge of previously modeled sources. Our evaluation
shows that the approach generates expressive semantic models
with minimal user input, and it is scalable to large ontologies
and data sources with many attributes
Abstract—Semantic models of data sources describe the meaningof the data in terms of the concepts and relationships definedby a domain ontology. Building such models is an important steptoward integrating data from different sources, where we needto provide the user with a unified view of underlying sources.In this paper, we present a scalable approach to automaticallylearn semantic models of a structured data source by exploitingthe knowledge of previously modeled sources. Our evaluationshows that the approach generates expressive semantic modelswith minimal user input, and it is scalable to large ontologiesand data sources with many attributes

خرید و دانلود آنی فایل

به اشتراک بگذارید

Alternate Text

آیا سوال یا مشکلی دارید؟

از طریق این فرم با ما در تماس باشید