เค้าโครง

  1. แรงจูงใจและความหมาย
  2. ภาพรวมของวิธีการเรียนรู้ของอภิปรัชญา
  3. ในรายละเอียด: คำนิยามการเรียนรู้กับผู้ประกอบการปรับแต่ง
  4. สรุปผลการวิจัย

เค้าโครง

  1. แรงจูงใจและความหมาย
  2. ภาพรวมของวิธีการเรียนรู้ของอภิปรัชญา
  3. ในรายละเอียด: คำนิยามการเรียนรู้กับผู้ประกอบการปรับแต่ง
  4. สรุปผลการวิจัย

คำที่เกี่ยวข้อง: การศึกษาอภิปรัชญา

  • "การเรียนรู้อภิปรัชญาเป็น subtask ของการสกัดข้อมูล. เป้าหมายของการเรียนรู้อภิปรัชญาคือการ (กึ่ง) โดยอัตโนมัติสารสกัดจากแนวคิดที่เกี่ยวข้องและความสัมพันธ์จากคลังที่กำหนดหรือชนิดอื่น ๆ ของชุดข้อมูลในรูปแบบอภิปรัชญา." (วิกิพีเดียวันนี้)
  • "การเรียนรู้อภิปรัชญาเป็นกลไกสำหรับกึ่งอัตโนมัติสนับสนุนวิศวกรอภิปรัชญาในจีวิศวกรรม.''
    Mädche AD อภิปรัชญาการเรียนรู้สำหรับเว็บแบบ Semantic วิทยานิพนธ์ Universität Karlsruhe, 2001
  • "การเรียนรู้อภิปรัชญาจุดมุ่งหมายที่จะบูรณาการความหลากหลายของสาขาวิชาเพื่อที่จะอำนวยความสะดวกในการก่อสร้างของจีส์ในอภิปรัชญาวิศวกรรมและการเรียนรู้โดยเฉพาะอย่างยิ่งเครื่อง."
    AD Mädcheเอส Staab การเรียนรู้ของอภิปรัชญา คู่มือของจีส์ในระบบสารสนเทศ, 2004

การจำแนกประเภทของข้อมูลการศึกษาอภิปรัชญา

แหล่งที่มาที่แตกต่างกันบางครั้งหลักฐาน (เช่น hyponymy [หิมะ, et al. 2006] subsumption [Cimiano, et al. 2005], [Manzano-ลูกผู้ชายเต็มร้อย, et al. 2008], [Buitelaar, et al. 2008] disjointness [Völkerเอตอัล 2007])

การจำแนกประเภทของอภิปรัชญาศึกษา DataII

อภิปรัชญาการเรียนรู้ชั้นเค้ก [Cimiano 2006]

รูปแบบ [เฮิร์สต์ 1992] สำหรับ subsumption ชั้น

  • เช่น NP NP เป็น {,} * {หรือ |} และ NP
    • "เกมเช่นเบสบอลและคริกเก็ต"
  • NP {, NP} * {} {และ | หรือ} NP อื่น ๆ
    • "กระต่ายและสัตว์อื่น ๆ "
    • แต่: "กระต่ายและสัตว์เลี้ยงอื่น ๆ "
  • NP {} {รวมทั้ง NP,} * {หรือ |} และ NP
    • "ผลไม้รวมทั้งแอปเปิ้ลและลูกแพร์"
  • NP {} โดยเฉพาะอย่างยิ่ง {NP,} * {หรือ |} และ NP
    • "ยุโรปโดยเฉพาะอย่างยิ่งชาวอิตาเลียน"
    • แต่: "ประธานาธิบดีสหรัฐโดยเฉพาะอย่างยิ่งพรรคประชาธิปัตย์"

รูปแบบ [โอกาตะและถ่านหิน 2004]

  • เป็น NP NP
    • "จิงโจ้เป็นสัตว์ที่อาศัยอยู่ในประเทศออสเตรเลีย."
  • NP ชื่อ | เรียกว่า NP
    • "คนญี่ปุ่นชอบที่จะเล่นเกมที่เรียกว่าไป."
  • NP, NP
    • "Sencha, ชาที่นิยมมากที่สุดในประเทศญี่ปุ่น ... "
  • NP NP
    • "จอห์นรักเฟอร์รารีของเขา รถ ... "
  • ท่ามกลาง NP, NP
    • ในบรรดาเครื่องดนตรีทั้งหมดไวโอลิน are ... "
  • NP ยกเว้น | อื่น ๆ กว่า NP
    • พนักงานยกเว้นสำหรับผู้จัดการทุกข์ทรมานจาก ... "

กฎแหย่

  • GATE = ทั่วไปสถาปัตยกรรมวิศวกรรมข้อความ
  • เขียนใน Java
  • ผู้ใหญ่ใช้ทั่วโลก
  • ภาษาแหย่ = สำหรับสร้างต้นแบบอย่างรวดเร็วและการดำเนินงานที่มีประสิทธิภาพของวิธีการวิเคราะห์ตื้น
  • สามารถนำมาใช้เช่น ~ หารูปแบบที่เฉพาะเจาะจงโดเมน (บล็อกการเงิน ฯลฯ )

II แหย่กฎ

rule: Hearst_1 ( (NounPhrase):superconcept {SpaceToken.kind == space} {Token.string=="such"} {SpaceToken.kind == space} {Token.string=="as"} {SpaceToken.kind == space} (NounPhrase):subconcept ):hearst1

-->

:hearst1.SubclassOfRelation = { rule = "Hearst1" }, :subconcept.Domain = { rule = "Hearst1" }, :superconcept.Range = { rule = "Hearst1" }

ความคล้ายคลึงกันบริบทคำศัพท์ (เช่น [Cimiano และVölker 2005])

  • "โคลัมบัสเป็นเมืองหลวงของรัฐโอไฮโอ. โคลัมบัสมีประชากรประมาณ 700,000 คนที่อาศัยอยู่."
  • โคลัมบัส (เมืองหลวง (1), รัฐ (1), โอไฮโอ (1) ประชากร (1), อาศัย (1))
  • ซิตี้ (ประเทศ (2), รัฐ (1), อาศัย (2), นายกเทศมนตรี (1), สถานที่ (1))
  • Explorer (เรือ (1) กะลาสี (2) การค้นพบ (1))

"ส่วนใหญ่อาจจะ": ซิตี้ (โคลัมบัส)

    เฟรม Subcategorization

    • "ทีน่าไดรฟ์ฟอร์ด."
      • คน (Tina) คัน (ฟอร์ด)
    • "พ่อของเธอขับรถบัส."
      • ประเภทรองของพ่อคน
      • ประเภทรองของรถยานพาหนะ
    • subcat: ไดรฟ์ (ไอคอน: คน obj: ยานพาหนะ)
      • \[Person \sqsubseteq \forall drive.Vehicle \]

    Text2Onto

    อัล Suchanek et 2009

    การเรียนรู้จากข้อความและความรู้พื้นฐานทางเหตุผล:

    "วอชิงตันเป็นเมืองหลวงของสหรัฐ. (... ) นิวยอร์กเป็นเมืองหลวงของสหรัฐแฟชั่น."

    • สกัด: hasCapital (สหรัฐ, นิวยอร์ก); hasCapital (สหรัฐวอชิงตัน)
    • ความรู้พื้นฐาน: hasCapital เป็นสถานที่ทำงาน
    • ข้อสรุปที่เป็นไปได้:
      • นิวยอร์กวอชิงตัน =
      • ที่ไม่สอดคล้องกัน (สมมติชื่อที่เป็นเอกลักษณ์)
    • ความขัดแย้งทางตรรกะสามารถช่วยในการตรวจสอบข้อผิดพลาดในข้อมูลที่สกัดโดยอัตโนมัติ

    Leda

    วิธีการอื่น ๆ

    • กฎสมาคมและสถิติการเกิดขึ้นร่วม
    • ตัวอย่างประโยค: \[hyponymy \approx subsumption \]
      • hyponym (ธนาคาร \ (\ คม \) 1 สถาบัน \ (\ คม \) 1)
      • ประเภทรองของธนาคารสถาบัน
    • heuristics นามวลี
      • "ซอฟแวร์การประมวลผลภาพ"
    • การจัดกลุ่มอินสแตนซ์ (เช่นโคลัมบัสและวอชิงตัน)
      • การจัดกลุ่มลำดับชั้นของเวกเตอร์บริบท
    • เสร็จฐานความรู้ / การวิเคราะห์แนวความคิดอย่างเป็นทางการ (FCA)
      • ถามคำถามวิศวกรความรู้ในการดำเนินการฐานความรู้
      • เครื่องมือ: OntoComp [. Sertkaya et al,]

    เครื่องมือและกรอบ

    ตารางการเรียนรู้คำศัพท์อภิปรัชญา: ข้อมูลทางการหรือกึ่งทางการ (เช่นตำรา)

    เครื่องมือและกรอบ II

    ปัญหาและความท้าทาย

    • Homonymy และ polysemy เช่น [Ovchinnikova เอตอัล 2006]
      • "ปีเตอร์นั่งอยู่บนฝั่งในด้านหน้าของธนาคาร."
      • "หนังสือที่น่าสนใจกำลังนอนอยู่บนโต๊ะ."
    • ความหมายของคำคุณศัพท์
      • "ดอกไม้สีแดง", "เพื่อนเท็จ"
    • หัวที่ว่างเปล่าเช่น [Völkerเอตอัล 2005], [Cimiano และ Wenderoth 2005]
      • "ปลาทูน่าเป็นชนิดของปลา. Bluefin ใต้เป็นหนึ่งในประเภทที่ใกล้สูญพันธุ์มากที่สุดของปลาทูน่า."
    • จุดไข่ปลาและ underspecification
      • "แมรี่เริ่มหนังสือ."
    • Anaphora (เช่นคำสรรพนาม) เช่น [Cimiano และVölker 2005]
      • "มีแอปเปิ้ลลงบนโต๊ะ. ก็เป็นสีแดง."

    ปัญหาและความท้าทาย (Ctd. )

    • อุปมาอุปมัยและแรงเป็นระยะเช่น [et al, 2007]
      • "ชีวิตคือการเดินทาง."
    • ความคิดเห็นใบเสนอราคาและการพูดรายงาน
      • "ทอมคิดว่าโลมาเป็นสัตว์เลี้ยงลูกด้วย."
    • สิ่งที่ควรจะเป็นตัวแทนในฐานะปัจเจกบุคคล? เช่น [Zirn เอตอัล 2008]
      • "จิงโจ้เป็นสัตว์ที่อาศัยอยู่ในประเทศออสเตรเลีย."
    • ชั้นความสัมพันธ์, (ทรัพย์สินวัตถุ) หรือแอตทริบิวต์ (ทรัพย์สินประเภทข้อมูล)
      • "ช้างทั้งหมดเป็นสีเทา."
      • "อีสเตอร์จันทร์เป็นวันหยุดประจำชาติ."
    • ความรู้ที่มีการเปลี่ยนแปลงเช่น [Stojanovic 2004], [Zablith et al, 2009]
      • "ดาวพลูโตเป็นดาวเคราะห์."

    การเรียนรู้นกฮูกนิพจน์ชั้น

    • ที่ได้รับ:
      • ความรู้พื้นฐาน (โดยเฉพาะฐานความรู้นกฮูก / DL)
      • ตัวอย่างบวกและลบ (บุคคลโดยเฉพาะในกลุ่มฐานความรู้)
    • เป้าหมาย:
      • สูตรตรรกะ (โดยเฉพาะอย่างยิ่งการแสดงออกชั้นนกฮูก) ครอบคลุมตัวอย่างบวกและไม่ครอบคลุมตัวอย่างลบ

    ILP และเว็บความหมาย

    • ตั้งแต่การเขียนโปรแกรม Logic ช่วงต้น 90s อุปนัย
    • เพียงไม่กี่วิธีการขึ้นอยู่กับคำอธิบายของ logics
    • อภิปรัชญาเว็บภาษา (OWL) จะกลายเป็นมาตรฐานของ W3C ในปี 2004
    • จำนวนที่เพิ่มขึ้นของ RDF / นกฮูกฐาน knowlegde แต่ ILP ส่วนใหญ่ยังมุ่งเน้นไปที่โปรแกรมตรรกะ - ช่องว่างการวิจัย>

    ทำไม ILP ในเว็บแบบ Semantic?

    • การเรียนรู้ของอภิปรัชญา:
      • ที่ได้รับในระดับ K
      • กรณีตัวอย่างที่เป็นบวก
      • กรณีที่ไม่ได้เป็นตัวอย่างในทางลบ
      • คำจำกัดความที่สามารถเรียนรู้ได้ถ้า ABox มีข้อมูล
    • การพัฒนาของการแก้ปัญหาปัญหาที่มีอยู่ ML
    • การใช้งานโดยตรงของความรู้ในความหมายเว็บแทนของการแปลงในส่วนของคำสั่งฮอร์นเช่นใช้วิธีการ ML

    สิ่งที่ต้องทำ: / refinerho หายไป ... ผู้ประกอบการปรับแต่งสี - นิยาม

    • ให้ DL \ (\ mathcal {L} \) พิจารณาพื้นที่เสมือนสั่ง \ (\ \ langle mathcal {C} (\ mathcal {L}) \ sqsubseteq_ T \ rangle \) ไปที่แนวความคิดของ \ (\ mathcal {L} \)
    • \ (\ Rho: \ mathcal {C} (\ mathcal {L}) \ to 2 ^ {\ mathcal {C} (\ mathcal {L})} \) เป็นลดลง \ (\ mathcal {L} \) การปรับแต่ง ถ้าการดำเนินการใด ๆ \ (C \ in \ mathcal {C} (\ mathcal {L}) \): \[D \in \rho(C) \text{ implies } D \sqsubseteq_ T C\]
    • สัญกรณ์: เขียน \ (C \ ไป D \) แทน \ (D \ in \ Rho (C) \)
    • ห่วงโซ่การปรับแต่งเช่นใน \ (\ \ langle mathcal {C} (EL) \ sqsubseteq_ T \ rangle \): \[ \top \to_{\rho} male \to male \sqcap \exists hasChild.\top \]

    การเรียนรู้กับผู้ประกอบการปรับแต่ง

    สิ่งที่ต้องทำ: \ refinerho ที่ขาดหายไป ... คุณสมบัติของผู้ประกอบการปรับแต่ง

    \ (La \) ประกอบการปรับแต่งลง \ (Rho \) เรียกว่า
    • จำกัด IFF \ (\ Rho (C) \) คือ จำกัด สำหรับแนวคิดใด ๆ \ (\ in \ mathcal {C} (\ mathcal {L}) \)
    • ซ้ำซ้อน IFF มีอยู่สองที่แตกต่างกัน \ (\ Rho \) โซ่การปรับแต่งจาก C แนวคิดกับแนวคิดดี
    • ที่เหมาะสมสำหรับ IFF \ (C, D \ in \ mathcal {C} (\ mathcal {L}), C refinerho D \) หมายถึง \ (C \ ไม่ได้ \ equiv_T D \)
    • เหมาะ IFF มันเป็นแน่นอนสมบูรณ์และเหมาะสม
    • เสร็จสมบูรณ์ก็ต่อสำหรับ \ (C, D \ in \ mathcal {C} (La) กับ D \ sqsubseteq_ TC มี E แนวคิดต่อ E \ equiv_ TD และห่วงโซ่การปรับแต่ง C refinerho \ cdots refinerho E \)
    • ที่ไม่ค่อยสมบูรณ์ก็ต่อแนวความคิดใด ๆ \ (C \) ด้วย \ (C \ sqsubseteq_T \ \ top) เราสามารถเข้าถึงแนวคิด \ (E \) ด้วย \ (E \ equiv_T C \) จาก \ (\ \ top) โดย \ ( \ Rho \)
    • เหมาะ = สมบูรณ์ + + ที่เหมาะสม จำกัด

    คุณสมบัติของผู้ประกอบการปรับแต่ง II

    • คุณสมบัติระบุวิธีที่เหมาะสมในการดำเนินการปรับแต่งสำหรับการแก้ปัญหาการเรียนรู้:
      • ผู้ประกอบการที่ไม่สมบูรณ์อาจจะพลาดการแก้ปัญหา
      • ผู้ประกอบการที่ซ้ำซ้อนอาจนำไปสู่แนวคิดที่ซ้ำกันในต้นไม้ค้นหา
      • ผู้ประกอบการที่ไม่เหมาะสมอาจสร้างแนวคิดเทียบเท่า (ซึ่งครอบคลุมตัวอย่างเดียวกัน)
      • สำหรับผู้ประกอบการที่ไม่มีที่สิ้นสุดมันอาจจะไม่เป็นไปได้ที่จะคำนวณการปรับแต่งทั้งหมดของแนวความคิดที่กำหนด
    • เราวิจัยคุณสมบัติของผู้ประกอบการปรับแต่งในรายละเอียด Logics
    • คำถามสำคัญ: คุณสมบัติที่สามารถนำมารวม?

    การปรับแต่งทฤษฎีบทให้ผู้ประกอบการ

    ทฤษฎีบท

    ชุดสูงสุดของคุณสมบัติของ \ (\ mathcal {L} \) ผู้ประกอบการปรับแต่งที่สามารถทำงานร่วมกันเพื่อ \ (\ mathcal {L} \ in \ {\ mathcal {ALC} \ mathcal {ALCN} \ mathcal {Shoin} \ mathcal {SROIQ} \} \):

    1. {ไม่ค่อยสมบูรณ์ครบถ้วน จำกัด }
    2. {ไม่ค่อยสมบูรณ์ครบถ้วนเหมาะสม}
    3. {ไม่ค่อยสมบูรณ์ไม่ซ้ำซ้อน จำกัด }
    4. {สมบูรณ์นิดหน่อยที่ไม่ซ้ำซ้อนที่เหมาะสม}
    5. {ไม่ซ้ำซ้อนขอบเขตที่เหมาะสม}
    "ฐานรากของผู้ประกอบการปรับแต่งสำหรับ Logics รายละเอียด"
    เจมาห์พี hitzler, ILP ประชุม 2008

    "การเรียนรู้แนวความคิดในรายละเอียด Logics ใช้ประกอบการปรับแต่ง"
    เจมาห์พี hitzler, เครื่องการเรียนรู้, 2010

    ดำเนินการให้การปรับแต่งครั้งที่สองทฤษฏี

    • ไม่มีการปรับแต่งในอุดมคตินกฮูกและ logics คำอธิบายของหลาย
    • แสดงให้เห็นว่าการเรียนรู้ใน DLs เป็นเรื่องยาก
    • อัลกอริทึมต้องตอบโต้ข้อเสีย
    • เป้าหมาย: พัฒนาผู้ประกอบการใกล้กับขีด จำกัด ทางทฤษฎี

    ความหมายของ \ (\ mathcal {p} \)

    ความหมายของ \ (\ mathcal {p} \) II

    ความหมายของ \ (\ mathcal {p} \) III

    ความหมายของ \ (\ mathcal {p} \) IV

    สิ่งที่ต้องทำ: ตัวอักษร .. \ (\ mathcal {p} \) คุณสมบัติ

    • \ (\ op \) เสร็จสมบูรณ์
    • \ (\ op \) ไม่มีที่สิ้นสุดเช่นมีหลายขั้นตอนการปรับแต่งอนันต์ของฟอร์ม: \ (\ \ top refineop C_1 \ sqcup C_2 \ sqcup C_3 \ sqcup \ dots \)
    • \ (\ op \) ไม่เหมาะสม แต่สามารถขยายไปยัง \ emph {ประกอบที่เหมาะสม \ (\ opclosed \)} (การปรับแต่งให้มีราคาแพงกว่าในการคำนวณ)
    • \ (\ op \) จะซ้ำซ้อน:

    สิ่งที่ต้องทำ: ตัวอักษร .. \ (\ mathcal {p} \) II คุณสมบัติ

    • \ (\ op \) เสร็จสมบูรณ์
    • \ (\ op \) ไม่มีที่สิ้นสุดเช่นมีหลายขั้นตอนการปรับแต่งอนันต์ของฟอร์ม: \ (\ \ top refineop C_1 \ sqcup C_2 \ sqcup C_3 \ sqcup \ dots \)
    • \ (\ op \) ไม่เหมาะสม แต่สามารถขยายไปยังผู้ประกอบการที่เหมาะสม \ (\ opclosed \) (กลั่นกรองราคาแพงมากขึ้นในการคำนวณ)
    • \ (\ op \) จะซ้ำซ้อน:

    "การปรับแต่งการใช้งานขั้นตอนวิธีการเรียนรู้ที่ใช้สำหรับ \ (\ mathcal {ALC} \) Logic รายละเอียด"
    เจมาห์พี hitzler, ILP ประชุม 2008

    "การเรียนรู้แนวความคิดในรายละเอียด Logics ใช้ประกอบการปรับแต่ง"
    เจมาห์พี hitzler, เครื่องการเรียนรู้, 2010

    OCEL

    • ใช้ \ (mathcal {p} \) สำหรับการค้นหาบนลงล่าง
    • OCEL เสร็จสมบูรณ์ - มันมักจะหาวิธีแก้ปัญหาถ้ามีอยู่
    • กำหนดสูงภาษาเป้าหมายเช่น felxible เกณฑ์การเลิกจ้างและการวิเคราะห์พฤติกรรม
    • ใช้เทคนิคการขจัดความซ้ำซ้อนกับ WRT ซับซ้อน polynommial ขนาดต้นไม้ค้นหาตามรูปแบบสั่งการปฏิเสธปกติ
    • สามารถจัดการกับผู้ประกอบการปรับแต่งแบบขั้นตอนโดยไม่มีที่สิ้นสุดการขยายตัวในแนวนอนที่มีความยาว จำกัด

    สิ่งที่ต้องทำ: ขยายโหนดแบบขั้นตอน

    scalability: เหตุผล

    \ (\ mathcal {K} = \ {\ mathcal {ชาย} \ sqsubseteq \ mathcal {บุคคล} \)
    \ (\ mathcal {OnlyMaleChildren} () \)
    \ (\ {} คน mathcal (a) \ mathcal {ชาย} (a_1) \ mathcal {ชาย} (a_2) \)
    \ (\ mathcal {} hasChild (, a_1) \ mathcal {} hasChild (, a_2) \} \)

    • ให้ \ (\ mathcal {K} \) เราต้องการที่จะเรียนรู้รายละเอียดของ \ (\ mathcal {OnlyMaleChildren} \)
    • \ (C = \ {บุคคล} \ mathcal sqcap \ forall \ mathcal {hasChild}. \ mathcal {ชาย} \) ที่ดูเหมือนจะเป็นทางออกที่ดี แต่ \ (\ mathcal {} \) ไม่ได้เป็นตัวอย่างของ \ ( mathcal {C} \) ภายใต้ OWA
    • ความคิด: dematerialise \ (K \) โดยใช้มาตรฐาน (OWA) DL เฟ้น แต่ดำเนินการตรวจสอบเช่นการใช้ค
    • เพื่อใกล้ชิดกับสัญชาตญาณและมีการปรับปรุงประสิทธิภาพการทำงานที่สำคัญ
    • เหมาะสำหรับการพันของการตรวจสอบตัวอย่างจากฐานความรู้แบบคงที่

    scalability: คำนวณครอบคลุม Stochastic

    Heuristics มักจะต้องมีการตรวจสอบเช่นแพงหรือการดึงเช่น:

    \[\begin{aligned} %\acc(C) & = \frac{1}{2} \cdot \left( \frac{\mathbf{|R(A) \cap R(C)|}}{|R(A)|} + \sqrt{\frac{\mathbf{|R(A) \cap R(C)|}}{\mathbf{|R(C)|}}} \right) %\acc(C) & = \frac{1}{2} \cdot \left( \frac{|R(A) \cap R(C)|}{|R(A)|} + \sqrt{\frac{|R(A) \cap R(C)|}{|R(C)|}} \right) \end{aligned}\]

    scalability: Stochastic ครอบคลุม II คำนวณ

    Heuristics มักจะต้องมีการตรวจสอบเช่นแพงหรือการดึงเช่น:

    \[\begin{aligned} %\acc(C) & = \frac{1}{2} \cdot \left( \frac{a}{|R(A)|} + \sqrt{\frac{a}{b}} \right) \end{aligned}\]
    • แทนที่ \ (| R (A) \ ฝา R (C) | \) und \ (| R (C) | \) โดยตัวแปร \ (\) และ \ (b \) เราต้องการที่จะประเมิน
    • Wald วิธีการสำหรับการคำนวณช่วงความเชื่อมั่นที่ 95%
    • ประมาณการครั้งแรก \ (mathcal {} \) จากนั้นแสดงออกทั้ง
    • วิธีการที่สามารถนำไปใช้วิเคราะห์พฤติกรรมต่างๆ
    • ในการทดสอบจีส์จริงถึง 99% น้อยการตรวจสอบเช่นอัลกอริถึง 30 ครั้งเร็ว
    • อิทธิพลต่ำกับผลการเรียนรู้ที่แสดงสังเกตุในการเรียนรู้ปัญหาที่ 380 เมื่อวันที่ 7 จีส์จริง (แตกต่างกันไปตามแคลิฟอร์เนีย. \ (0,2% \ \ PM 0,4% \ \))

    scalability: สกัด Fragment

    สกัดจากเศษเล็กเศษน้อยจากปลายทาง SPARQL / ข้อมูลที่เชื่อมโยง:

    "การเรียนรู้จากนกฮูก {} คำอธิบายชั้นบนขนาดใหญ่มากฐานความรู้"
    Hellmann มาห์น, Auer, Int วารสาร Inf เว็บความหมาย Syst, 2009

    การประเมินผลการติดตั้ง

    • การขาดมาตรฐานในการประเมินผลนกฮูก / DL การเรียนรู้
    • ขั้นตอน: แปลงมาตรฐานที่มีอยู่เพื่อ OWL (เสียเวลาต้องมีความรู้โดเมน)
    • วัดความแม่นยำในการพยากรณ์จากการตรวจสอบข้ามสิบเท่า
    • ส่วนที่ 1: การประเมินผลกระทบนกฮูก / DL ระบบการเรียนรู้
    • ส่วนที่ 2: การประเมินผลกับระบบอื่น ๆ ML (ปัญหาการเกิดมะเร็ง)
    • ส่วนที่ 3: การประเมินผลจากยานอภิปรัชญา

    การประเมินผลความถูกต้อง

    • คอลเลกชันจาก 6 Benchmarks
    • สถิติ OCEL บ่อย อย่างมีนัยสำคัญที่ดีกว่าอัลกอริทึมอื่น ๆ สำหรับมาตรฐานมากที่สุด

    การประเมินผล: การอ่าน

    • YinYang สร้างโซลูชั่นอย่างมีนัยสำคัญอีกต่อไป

    การประเมินผล: Runtime

    การเกิดมะเร็ง

    • เป้าหมาย: ทำนายว่าส่วนผสมทางเคมีที่ก่อให้เกิดมะเร็ง
    • ทำไม?
      • มากกว่า 1000 สารใหม่ในแต่ละปี
      • สารที่สามารถมักจะได้รับการทดสอบผ่านการทดลองเป็นเวลานานและมีราคาแพงเมื่อหนู
    • ความรู้พื้นฐาน:
      • ฐานข้อมูลของสหรัฐโปรแกรมพิษวิทยาแห่งชาติ (NTP)
      • ดัดแปลงมาจากอารัมภบทถึงนกฮูก

    "ได้รับการแจ้งเตือนโครงสร้างที่ถูกต้องสำหรับสาเหตุของการเกิดโรคมะเร็งเคมีเป็นปัญหาของค่าทางวิทยาศาสตร์และมนุษยธรรมที่ดี." (ก. Srinivasan, RD คิงจุ๊ Muggleton, MJE สเติร์น 1997)

    มะเร็ง II

    • ปัญหาที่ท้าทายมาก: ความถูกต้องต่ำส่วนเบี่ยงเบนมาตรฐานสูง
    • สถิติ OCEL ลงชื่อ ดีกว่าวิธีการอื่น ๆ มากที่สุด

    การประเมินผลการเรียนรู้อภิปรัชญา

    • 5 studens ปริญญาเอก
    • 5 จีส์จริงในโดเมนที่แตกต่างกัน
    • 998 การตัดสินใจของผู้ทดสอบแต่ละ 92 ชั้นเรียน
    • ใน 35% ของกรณีที่ได้รับการยอมรับคำแนะนำสำหรับการปรับปรุงอภิปรัชญา
    • ปัญหาคุณภาพอภิปรัชญาข้อผิดพลาดในการสร้างแบบจำลอง (เรียน unsatisfiable, ร้าวฉานและร่วมสับสน ฯลฯ )

    โครงการ DL-Learner

    • DL-Learner โอเพ่นซอร์ส Projekt: http://dl-learner.org, http://sf.net/projects/dl-learner
    • ขยายแพลตฟอร์มสำหรับปัญหาการเรียนรู้ที่แตกต่างกันและขั้นตอนวิธี
    • การเชื่อมต่อ: บรรทัดคำสั่ง GUI, เว็บบริการ
    • สนับสนุนรูปแบบนกฮูกที่พบบ่อย
    • ช่วยให้ reasoners แตกต่างกัน (ผ่านทางนกฮูก API, DIG, OWLLink)
    • mloss.org (ซอฟแวร์ที่มา ML & เปิด): 1600 ดาวน์โหลด

    การประยุกต์ใช้งาน

    • "คลาสสิก" ปัญหา ML
      • การเกิดมะเร็ง
      • งานด้านการแพทย์อื่น ๆ

    II โปรแกรม

    • "คลาสสิก" ปัญหา ML
      • การเกิดมะเร็ง
      • งานด้านการแพทย์อื่น ๆ
    • การเรียนรู้ของอภิปรัชญา
      • ปลั๊กอินProtégé

    III โปรแกรม

    • "คลาสสิก" ปัญหา ML
      • การเกิดมะเร็ง
      • งานด้านการแพทย์อื่น ๆ
    • การเรียนรู้ของอภิปรัชญา
      • ปลั๊กอินProtégé
      • ปลั๊กอิน OntoWiki

    IV โปรแกรม

    • "คลาสสิก" ปัญหา ML
      • การเกิดมะเร็ง
      • งานด้านการแพทย์อื่น ๆ
    • การเรียนรู้ของอภิปรัชญา
      • ปลั๊กอินProtégé
      • ปลั๊กอิน OntoWiki
      • แร่

    V โปรแกรม

    • "คลาสสิก" ปัญหา ML
      • การเกิดมะเร็ง
      • งานด้านการแพทย์อื่น ๆ
    • การเรียนรู้ของอภิปรัชญา
      • ปลั๊กอินProtégé
      • ปลั๊กอิน OntoWiki
      • แร่
    • คำแนะนำ / นำร่อง
      • moosique.net

    หกโปรแกรม

    • "คลาสสิก" ปัญหา ML
      • การเกิดมะเร็ง
      • งานด้านการแพทย์อื่น ๆ
    • การเรียนรู้ของอภิปรัชญา
      • ปลั๊กอินProtégé
      • ปลั๊กอิน OntoWiki
      • แร่
    • คำแนะนำ / นำร่อง
      • moosique.net
      • นาวิเกเตอร์ DBpedia

    หกโปรแกรม

    • "คลาสสิก" ปัญหา ML
      • การเกิดมะเร็ง
      • งานด้านการแพทย์อื่น ๆ
    • การเรียนรู้ของอภิปรัชญา
      • ปลั๊กอินProtégé
      • ปลั๊กอิน OntoWiki
      • แร่
    • คำแนะนำ / นำร่อง
      • moosique.net
      • นาวิเกเตอร์ DBpedia
    • อื่น ๆ / ภายนอก:
      • นางสาว (Gerken, et al.)
      • การเรียนรู้ใน DLs ความน่าจะเป็น (โอชัว Luna, et al.)
      • TIGER Corpus Navigator (Hellmann, et al.)

    สรุปผลการวิจัย

    • การศึกษาอภิปรัชญาเป็นพื้นที่การวิจัยที่มีความหลากหลายที่เกี่ยวข้องกับสาขาวิชาวิจัยหลายคน (NLP, กลไกการเรียนรู้วิศวกรรมอภิปรัชญา)
    • วิธีการที่แตกต่างกันในการใช้แหล่งข้อมูลและการแสดงออกของจีส์ถูกสร้างขึ้น
    • ประกอบการปรับแต่งตามการเรียนรู้เป็นวิธีการหนึ่งสำหรับคำจำกัดความการเรียนรู้ (กับการใช้งานด้านนอกของจีส์การเรียนรู้)
    • วิกิพีเดียใหม่ (ก่อสร้าง): http://ontology-learning.net
    • อภิปรัชญาใหม่การเรียนรู้หนังสือในปี 2011