A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A Knowledge Representation Based User-Driven Ontology Summarization Method Um método de resumo de ontologia orientado ao usuário baseado em representação de conhecimento

Yuehang DING, Hongtao YU, Jianpeng ZHANG, Huanruo LI, Yunjie GU

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Como superestrutura do gráfico do conhecimento, a ontologia tem sido amplamente aplicada na engenharia do conhecimento. No entanto, torna-se cada vez mais difícil de ser praticado e compreendido devido ao crescente tamanho dos dados e à complexidade dos esquemas. Conseqüentemente, o resumo da ontologia surgiu para melhorar a compreensão e aplicação da ontologia. Os métodos de resumo existentes concentram-se principalmente na topologia da ontologia sem levar em consideração as informações semânticas, enquanto os humanos entendem as informações com base na semântica. Assim, propusemos um novo algoritmo para integrar informações semânticas e informações topológicas, o que permite que a ontologia seja mais compreensível. Em nosso trabalho, informações semânticas e topológicas são representadas por vetores de conceito, um conjunto de vetores de alta dimensão. As distâncias entre vetores de conceitos representam similaridade de conceitos e selecionamos conceitos importantes seguindo estes dois critérios: 1) as distâncias de conceitos importantes a conceitos normais devem ser as mais curtas possíveis, o que indica que conceitos importantes poderiam resumir bem conceitos normais; 2) as distâncias de um conceito importante aos demais devem ser as maiores possíveis, o que garante que conceitos importantes não sejam semelhantes entre si. K-means++ é adotado para selecionar conceitos importantes. Por último, realizamos avaliações extensas para comparar nosso algoritmo com os existentes. As avaliações comprovam que nossa abordagem tem desempenho melhor que as demais na maioria dos casos.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.9 pp.1870-1873
Data de publicação
2019/09/01
Publicitada
2019/05/30
ISSN online
1745-1361
DOI
10.1587/transinf.2019EDL8069
Tipo de Manuscrito
LETTER
Categoria
Engenharia de Dados, Sistemas de Informação Web

autores

Yuehang DING
  Information Engineering University
Hongtao YU
  Information Engineering University
Jianpeng ZHANG
  Information Engineering University
Huanruo LI
  Information Engineering University
Yunjie GU
  Information Engineering University

Palavra-chave