4.3. The billion triple challengeAt

4.3. The billion triple challenge
At the end of the first challengewe have billions of RDF-triples
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.
4.4. Schema alignment

ผลลัพธ์ (ไทย) 2:

4.3 ความท้าทายที่สามพันล้าน
ในตอนท้ายของ challengewe แรกมีพันล้าน RDF-อเนกประสงค์
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.
4.4 การจัดตำแหน่ง schema