Relationship DiscoveryRelationship

Relationship Discovery
Relationship discovery is a key element to ontology learning. A statistical or heuristic system is implemented to find
relationships (Maedche & Staab, 2000). Key techniques may include the Jaccard similarity index, the modified Jaccard
similarity index, or PMI (point wise mutual information) (Aberer et al., 2007). There are also machine learning techniques
that are employed in the automatic ontology learning process. Propositional rule learning techniques create rules and
decision trees. Bayesian learning determines probabilistic values relating to the relationships between lexical terms.
Clustering algorithms group instances together based on distance measures such as Euclidian distance (Omelayenko, 2001).
Clustering algorithms may employ a top-down or bottom-up approach depending on the application area. Data mining
approaches are also utilized in relationship discovery. Techniques such as frequency occurrence (Maedche, 2000) or kNN (k
nearest neighbor) are frequently utilized with positive results (Maedche, Pekar, & Staab, 2002). Additionally, there are also
tree based algorithms for ontology relationship discovery (Maedche, et al., 2002).

ผลลัพธ์ (ไทย) 1:

การค้นพบการค้นพบความสัมพันธ์
ความสัมพันธ์เป็นองค์ประกอบที่สำคัญในการเรียนรู้เกี่ยวกับธรรมชาติ ระบบสถิติหรือเรียนรู้ที่จะดำเนินการเพื่อหา
ความสัมพันธ์ (maedche & Staab, 2000) เทคนิคที่สำคัญอาจรวมถึงดัชนีความคล้ายคลึงกัน Jaccard ดัชนี Jaccard
คล้ายคลึงกันแก้ไขหรือ PMI (จุดข้อมูลร่วมกันอย่างชาญฉลาด) (aberer และคณะ. 2007) นอกจากนี้ยังมีเครื่องเรียนรู้เทคนิค
ที่มีการใช้ในกระบวนการเรียนรู้ที่เกี่ยวกับธรรมชาติโดยอัตโนมัติ เทคนิคการเรียนรู้กฎประพจน์สร้างกฎและ
ต้นไม้ตัดสินใจ การเรียนรู้ bayesian กำหนดค่าความน่าจะเป็นที่เกี่ยวข้องกับความสัมพันธ์ระหว่างคำศัพท์. ขั้นตอนวิธีการจัดกลุ่ม
กรณีร่วมกันขึ้นอยู่กับระยะทางที่มาตรการดังกล่าวเป็นระยะทาง Euclidian (omelayenko, 2001) กลุ่ม.
ขั้นตอนวิธีการจัดกลุ่มอาจใช้วิธีการจากบนลงล่างหรือล่างขึ้นขึ้นอยู่กับพื้นที่การใช้งาน การทำเหมืองข้อมูล
วิธีการถูกนำมาใช้ยังอยู่ในการค้นพบความสัมพันธ์ เทคนิคเช่นการเกิดความถี่ (maedche, 2000) หรือ KNN (k
เพื่อนบ้านที่ใกล้ที่สุด) ถูกนำมาใช้บ่อยครั้งกับผลบวก (maedche Pekar, & Staab, 2002) นอกจากนี้ยังมี
ขั้นตอนวิธีการตามต้นไม้สำหรับการค้นพบความสัมพันธ์ที่เกี่ยวกับธรรมชาติ (maedche, et al., 2002)

ผลลัพธ์ (ไทย) 2:

ค้นพบความสัมพันธ์
ค้นพบความสัมพันธ์เป็นองค์ประกอบสำคัญเพื่อการเรียนรู้ของภววิทยา ระบบสถิติ หรือแล้วจะดำเนินการในการค้นหา
ความสัมพันธ์ (Maedche & Staab, 2000) เทคนิคสำคัญอาจรวมดัชนี Jaccard คล้าย Jaccard แก้ไข
ดัชนีความคล้ายคลึงกัน หรือ PMI (จุดปัญญาร่วมกันข้อมูล) (Aberer et al., 2007) นอกจากนี้ยังมีเทคนิคการเรียนรู้เครื่องจักร
ที่ถูกว่าจ้างในภววิทยาอัตโนมัติที่กระบวนการเรียนรู้ เทคนิคการเรียนรู้กฎ propositional สร้างกฎ และ
ต้นไม้การตัดสินใจ เรียนรู้ทฤษฎีกำหนดค่า probabilistic ที่เกี่ยวข้องกับความสัมพันธ์ระหว่างเงื่อนไขเกี่ยวกับคำศัพท์.
คลัสเตอร์อินสแตนซ์ของกลุ่มอัลกอริทึมกันตามหน่วยวัดระยะทางเช่นระยะ Euclidian (Omelayenko, 2001) .
อัลกอริทึมคลัสเตอร์อาจใช้วิธีการแบบบนลงล่าง หรือล่างขึ้นขึ้นอยู่กับพื้นที่แอพพลิเคชัน การทำเหมืองข้อมูล
วิธียังได้ถูกนำมาใช้ในการค้นพบความสัมพันธ์ เทคนิคเช่นความถี่ในการเกิด (Maedche, 2000) หรือ kNN (k
ใกล้บ้าน) ถูกนำมาใช้บ่อย ๆ มีผลในเชิงบวก (Maedche, Pekar & Staab, 2002) นอกจากนี้ ยังมี
แผนภูมิโดยใช้อัลกอริทึมสำหรับการค้นพบความสัมพันธ์ภววิทยา (Maedche, et al., 2002)

ผลลัพธ์ (ไทย) 3:

ความสัมพันธ์กับการค้นพบการค้นพบ
ซึ่งจะช่วยสร้างความสัมพันธ์เป็นส่วนประกอบที่สำคัญในการเรียนรู้ Capitalism ) ระบบทางสถิติหรือ Heuristic ที่มีการนำมาใช้ในการค้นหา
ความสัมพันธ์( maedche & staab 2000 ) เทคนิคสำคัญอาจรวมถึงดัชนีความละม้ายคล้ายคลึง jaccard ดัชนี jaccard
ซึ่งจะช่วยแก้ไขความละม้ายคล้ายคลึงหรือ pmi (ข้อมูลร่วมกันมีปัญญาจุดเชื่อมต่อ)( aberer et al . 2007 ) นอกจากนั้นยังมีเทคนิคการเรียนรู้ของคอมพิวเตอร์
ตามมาตรฐานที่ใช้ในกระบวนการเรียนรู้ Capitalism )โดยอัตโนมัติ เทคนิคการเรียนรู้กฎข้อที่ deduction สร้างต้นไม้
ซึ่งจะช่วยการตัดสินใจและกฎระเบียบ Bayesian การเรียนรู้จะเป็นตัวกำหนดค่า probabilistic เกี่ยวข้องกับความสัมพันธ์ระหว่าง closure เงื่อนไข.กรณีกลุ่มอัลกอริธึม
คลัสเตอร์ซึ่งใช้ร่วมกันในวัดระยะเช่นระยะทางตามแบบยูคลิด( omelayenko 2001 )..
อัลกอริธึมคลัสเตอร์อาจใช้แนวทางด้านบนหรือด้านล่าง - ขึ้นทั้งนี้ขึ้นอยู่กับแอปพลิเคชันที่อยู่ในพื้นที่ ข้อมูลการทำเหมืองแร่
แนวทางได้รับการใช้เป็นประโยชน์ในการค้นพบความสัมพันธ์ยัง ด้านเทคนิคเช่นเกิดความถี่( maedche 2000 )หรือ knn ( K
เพื่อนบ้านที่อยู่ใกล้ที่สุด)จะถูกใช้งานและมีผลในเชิงบวกที่( maedche pekar & staab 2002 ) นอกจากนี้ยังมียัง
ตามมาตรฐานทรีซึ่งใช้อัลกอริทึมสำหรับการสำรวจความสัมพันธ์ Capitalism )( maedche et al . 2002 )