and we must be able to reason on it

and we must be able to reason on it. One of the most relevant
works which tackle this problem is [21]. Their work has led
to a tool termed WebPIE (Web-scale Inference Engine). In [21], inference
rules are rewritten and map and reduce functions are
specified for each of them. This work has inspired the work
of [22] who propose a MapReduce-based algorithm for classifying
EL+ ontologies. Another relevant work in this challenge
focuses on efficient RDF repositories partitioning and scalability
of SPARQL queries [85]. We can also add [86] which proposes
a way to store and retrieve large RDF graphs efficiently.
Concerning the (complete) description of entities in the middle
of billion RDF/RDFS triple mentioned in the third challenge,
[38] designed a Semantic Web Search Engine (SWSE)
which has many features including entities description. Here,
this description is obtained by aggregating efficiently descriptions
from many sources.
If we know how to infer over billion RDF-triples, it is not
easy to deal with noise, inconsistency and various errors
found in RDF datasets. [87] identify four sources of errors:
(i) accessibility and dereferenceability of URIs, (ii) syntax errors,
(iii) noise and inconsistency (e.g: use of undefined classes of
properties, misuse of a class as a property and vice versa, etc.)
and (iv) ontology hijacking. [88] propose to repair or to be able to
infer in such a noisy context. For repairing, they identify the
“minimal inconsistent subset” (MIS) of the ontology and the
subsets the MIS will affect. For reasoning, [88] leverage the pioneering
work of [89] and propose to answer queries based on
consistent subsets (which grows inclusively) of the given ontology.
The choice of the subsets are based on syntactic and
semantic heuristics. In the same paper, uncertainty in reasoning
is handled by adding confidence value to the elements
of the ontology.

ผลลัพธ์ (ไทย) 1:

และเราต้องสามารถให้เหตุผลนั้น หนึ่งเกี่ยวข้องทำงานที่แก้ไขปัญหานี้คือ [21] งานของพวกเขาได้นำเครื่องมือเรียกว่า WebPIE (ขนาดเว็บอ้างอิงโปรแกรม) ใน [21], สรุปกฎจะถูกเขียนขึ้น และแผนที่ และลดฟังก์ชั่นได้ระบุสำหรับแต่ละของพวกเขา งานนี้มีแรงบันดาลใจการทำงาน[22] ที่เสนออัลกอริทึมที่ใช้ MapReduce สำหรับการจัดประเภทเอ + ontologies งานอื่นที่เกี่ยวข้องในความท้าทายนี้เน้นพาร์เก็บ RDF มีประสิทธิภาพและ scalabilitySPARQL แบบสอบถาม [85] นอกจากนี้เรายังสามารถเพิ่ม [86] ซึ่งเสนอวิธีการจัดเก็บ และดึงกราฟ RDF ขนาดใหญ่ได้อย่างมีประสิทธิภาพเกี่ยวกับคำอธิบาย (สมบูรณ์) ของเอนทิตีกลางของ RDF/RDFS สามพันล้านที่กล่าวถึงในความท้าทายสาม[38] ออกแบบทางตรรกเว็บค้นหาเครื่องยนต์ (SWSE)ซึ่งมีคุณสมบัติมากมายรวมทั้งรายละเอียดของเอนทิตี ที่นี่คำอธิบายนี้ได้มา โดยการรวมคำอธิบายได้อย่างมีประสิทธิภาพจากหลายแหล่งถ้าเรารู้เราจะเข้าใจกว่าพัน RDF-triplesการจัดการกับสัญญาณรบกวน ความไม่สอดคล้อง และข้อผิดพลาดต่าง ๆพบในชุดข้อมูลของ RDF [87] ระบุสี่แหล่งของข้อผิดพลาด:(ก) การเข้าถึงและ dereferenceability ของ URIs ข้อผิดพลาดไวยากรณ์ (ii)(iii) เสียงรบกวน และไม่สอดคล้องกัน (เช่น: ใช้ไม่ได้กำหนดประเภทคุณสมบัติ ใช้คลาสที่ เป็นคุณสมบัติ และในทางกลับกัน ฯลฯ)และโจรกรรมภววิทยา (iv) [88] เสนอ การซ่อมแซม หรือ เพื่อให้สามารถสรุปในบริบทเสียงดัง สำหรับการซ่อมแซม ถึง"ชุดย่อยสอดคล้องน้อยที่สุด" (MIS) ของภววิทยาและชุดย่อย MIS จะมีผลต่อ สำหรับเหตุผล การบุกเบิกใช้ประโยชน์ [88]ทำงานของ [89] และเสนอการตอบแบบสอบถามจากสอดคล้องชุดย่อย (ซึ่งเติบโต inclusively) ของภววิทยาที่กำหนดเลือกชุดย่อยที่ตั้งอยู่บนทางไวยากรณ์ และรุกทางตรรก ในกระดาษเดียวกัน ความไม่แน่นอนในเหตุผลจัดการ โดยการเพิ่มค่าความเชื่อมั่นองค์ประกอบของภววิทยา

ผลลัพธ์ (ไทย) 2:

และเราจะต้องสามารถที่จะให้เหตุผลกับมัน หนึ่งที่เกี่ยวข้องมากที่สุด
ผลงานที่รับมือกับปัญหานี้คือ [21] งานของพวกเขาได้นำ
ไปเป็นเครื่องมือที่เรียกว่า WebPIE (เว็บขนาดอนุมานเครื่องยนต์) ใน [21] อนุมาน
กฎการเขียนและแผนที่และลดฟังก์ชั่น
ที่กำหนดไว้สำหรับแต่ละของพวกเขา งานนี้ได้รับแรงบันดาลใจในการทำงาน
ของ [22] ที่นำเสนอขั้นตอนวิธีการ MapReduce ที่ใช้สำหรับการจำแนก
EL + จีส์ อีกงานที่เกี่ยวข้องในความท้าทายนี้
มุ่งเน้นไปที่ประสิทธิภาพ RDF ที่เก็บแบ่งพาร์ทิชันและความยืดหยุ่น
ของการสืบค้น SPARQL [85] นอกจากนี้เรายังสามารถเพิ่ม [86] ซึ่งนำเสนอ
วิธีการจัดเก็บและดึงกราฟ RDF ขนาดใหญ่ได้อย่างมีประสิทธิภาพ.
เกี่ยวกับคำอธิบาย (ฉบับสมบูรณ์) ของหน่วยงานที่อยู่ตรงกลาง
ของพันล้าน RDF / RDFS กล่าวถึงสามในความท้าทายที่สาม
[38] การออกแบบเว็บแบบ Semantic Search Engine (SWSE)
ซึ่งมีคุณสมบัติหลายอย่างรวมถึงรายละเอียดหน่วยงาน ที่นี่
คำอธิบายนี้จะได้รับโดยรวมรายละเอียดได้อย่างมีประสิทธิภาพ
จากหลายแหล่ง.
ถ้าเรารู้วิธีที่จะอนุมานได้กว่าพันล้าน RDF-อเนกประสงค์มันไม่ได้เป็น
เรื่องง่ายที่จะจัดการกับเสียงที่ไม่สอดคล้องกันและข้อผิดพลาดต่างๆ
ที่พบในชุดข้อมูล RDF [87] ระบุแหล่งที่มาสี่ข้อผิดพลาด:
(i) การเข้าถึงและ dereferenceability ของยูริ (ii) ข้อผิดพลาดไวยากรณ์
(iii) เสียงและความไม่สอดคล้องกัน (เช่นการใช้หลักสูตรที่ไม่ได้กำหนดของ
คุณสมบัติในทางที่ผิดของชั้นเป็นทรัพย์สินและรองในทางกลับกัน ฯลฯ )
และ (iv) หักหลังอภิปรัชญา [88] เสนอที่จะซ่อมแซมหรือเพื่อให้สามารถ
สรุปดังกล่าวในบริบทที่มีเสียงดัง สำหรับการซ่อมแซมพวกเขาระบุ
"น้อยที่สุดที่ไม่สอดคล้องกันในกลุ่มย่อย" (MIS) ของอภิปรัชญาและ
ย่อย MIS จะส่งผลกระทบต่อ สำหรับเหตุผล [88] ยกระดับเป็นผู้บุกเบิก
การทำงานของ [89] และนำเสนอเพื่อตอบแบบสอบถามขึ้นอยู่กับ
ส่วนย่อยที่สอดคล้องกัน (ซึ่งเติบโตอย่างรวม) ของอภิปรัชญาที่กำหนด.
ทางเลือกของการย่อยจะขึ้นอยู่กับประโยคและ
การวิเคราะห์พฤติกรรมความหมาย ในกระดาษเดียวกันความไม่แน่นอนในการให้เหตุผล
จะถูกจัดการโดยการเพิ่มค่าความเชื่อมั่นกับองค์ประกอบ
ของอภิปรัชญา

ผลลัพธ์ (ไทย) 3:

และเราต้องสามารถให้เหตุผลได้ หนึ่งในที่เกี่ยวข้องมากที่สุดงานที่แก้ไขปัญหานี้ [ 21 ] งานของพวกเขาได้นำเพื่อเครื่องมือเรียกว่า webpie ( ขนาดเครื่องยนต์อนุมานเว็บ ) ใน [ 21 ] , การอนุมานกฎมีเขียนใหม่และฟังก์ชันแผนที่และลดเป็นที่ระบุไว้สำหรับแต่ละของพวกเขา งานนี้มีงานจากแรงบันดาลใจ[ 22 ] ใครเสนอ mapreduce ขั้นตอนวิธีพื้นฐานสำหรับกลุ่มเอล + นโทโลจี . อีกหนึ่งงานที่เกี่ยวข้องในความท้าทายนี้มุ่งเน้นประสิทธิภาพและ scalability ข้อมูลที่เก็บแบ่งของ sparql แบบสอบถาม [ 85 ] เรายังสามารถเพิ่ม [ 86 ] ซึ่งได้วิธีการจัดเก็บและเรียกกราฟ RDF ขนาดใหญ่ได้อย่างมีประสิทธิภาพเกี่ยวกับ ( สมบูรณ์ ) รายละเอียดขององค์กรกลางของพันล้าน RDF / rdfs สามที่กล่าวถึงในความท้าทายที่สาม[ 38 ] ออกแบบเว็บ search engine ( swse ) ความหมายซึ่งมีคุณสมบัติหลายรวมถึงองค์กร รายละเอียด ที่นี่รายละเอียดนี้ได้อธิบายรวมกันได้อย่างมีประสิทธิภาพจากหลาย ๆ แหล่งถ้าเรารู้วิธีการอนุมานกว่าพันล้าน RDF อเนกประสงค์ ไม่ง่ายที่จะจัดการกับเสียงรบกวน ความไม่สอดคล้องกันและข้อผิดพลาดต่าง ๆพบในข้อมูลชุดข้อมูล [ 87 ] ระบุสี่แหล่งที่มาของข้อผิดพลาด :( I ) การเข้าถึงและ dereferenceability ของ URIs ( 2 ) วากยสัมพันธ์ข้อผิดพลาด( 3 ) เสียงและความไม่สอดคล้องกัน ( เช่น : การใช้บทเรียนภาษาอังกฤษของคุณสมบัติ ใช้คลาสที่เป็นคุณสมบัติ และในทางกลับกัน ฯลฯ )และ ( iv ) ภววิทยาจี้ . [ 88 ] เสนอให้ซ่อมหรือสามารถสรุปว่าในบริบทที่มีเสียงดัง สำหรับการซ่อมพวกเขา ระบุน้อยที่สุด " ไม่ย่อย " ( MIS ) ของอภิปรัชญาและเซตย่อยของระบบสารสนเทศจะส่งผลต่อ เหตุผล [ 88 ] จากผู้บุกเบิกงาน [ 89 ] และนำเสนอเพื่อตอบแบบสอบถามตามชุดย่อยที่สอดคล้องกัน ( ซึ่งเติบโตรวม ) ของให้ภววิทยา .ทางเลือกของข้อมูลจะขึ้นอยู่กับประโยคความหมายของอักษร . ในกระดาษเดียวกันแน่นอนในการให้เหตุผลจะถูกจัดการโดยการเพิ่มค่าความเชื่อมั่นให้องค์ประกอบของอภิปรัชญา .