- ข้อความ
- ประวัติศาสตร์
4.2.4. Semantic paraphrase resoluti
4.2.4. Semantic paraphrase resolution
Paraphrase resolution is also known as Synonym Resolution,
Deduplication, Entity Resolution [70]. It is related to OIE and can
concern relations [71–73], entities or both [70]. In adequacy
with our interest for work near Big Data features, [70,71] propose
unsupervised and scalable approaches for paraphrase
resolution. In [70], to scale, the number of comparisons between
pairs of strings (whichmust share a
or pair) is limited and strings are clustered
over time. This idea of gradual merging of clusters is
also the reason of the scalability in [71]. Unlike these two previous,
[72] tackle polysemy and use extra-characteristics of
the input relation instances like distributional similarity, linguistic
patterns, hypernym graph, etc. Let us note that if [70]
tackle the problem of finding which mentions of entities in a
text are equivalent, some authors address a similar problem
called Entity Linking and which can be helpful in our disambiguation
task. It aims to identify an entry in a given Knowledge
Base (KB) to which an entity mention in a document
refers to [74,75].
4.2.5. Ontology population
Since information has been extracted and synonyms identified,
our unstructured data must be put in computerprocessable
form. The current task thus consists in organizing
extracted tuples in a querying form such as instances
of ontologies, tuples of a database schema or set of quads
(< subject, predicate, object, context >). This idea is found in
[59–61,40] but uses several hand-written regular expressions.
It is also found in [76]’s On-demand IE approach and in [77]
where they propose a method to map triples output from
an OIE process to a domain-ontology. The former approach
chooses to escape from an expensive computation problem
by using only triples where the relation is verb-based unlike
the latter, which takes into account “tuple from each pair of
adjacent Noun Phrases”. Moreover, the approach in [77] is very
domain-specific and in their objective of mapping OIE tuples
with a domain-ontology, the authors implicitly assume that
all the facts of an event are inside the same sentence. This assumption,
which is obviously too restrictive, is also found in
ontology population tasks [78,79] and in OIE [63,80,47]. Hence,
it is clear to us that the first task is to be able to chunk a whole
text into a set of events (which are in forms of sentences
that are not necessarily contiguous in a given document [49])
and then to map concepts and relations of a given ontology
or columns of a given database schema into the extracted
pieces of information (from binary or n-ary relations) of each
chunk. We see that unlike [77], many approaches work with
general concepts (named entities categories like person, organization,
location, date, etc.) [76,81]. Some work like YAGO [82] try
to have some specific concepts (e.g “American person”), but it
seems to us too general in comparison to [77] where concepts
such as “NFLTeam”, “GameWinner” or “TeamScoringAll” can be
extracted.
Very few work focus on ontology population in Big Data
context. The main aspect broached is the identification of
the possible class of an entity. More, this identification is
too general, and when it is very domain specific it implies a
significant part of human intervention.
4.2.6. Entity consolidation
Entity consolidation can be seen as the building of owl:sameAs
closure in OWL-data. In practice this is not always straight. In
fact, owl:sameAs property is not always explicit. It can be hidden
behind inference on an inverse functional property [83], a
functional property [21], an equivalent property [84], cardinality
restrictions [38,39]. Moreover, an equivalent property can
be derived through heuristics (string similarity between properties’
short names or labels). Concerning algorithms, [83,21]
have similar approaches: to group all equivalent entities in
a given set and to assign a unique identifier to them, which
will replace entities of its set within real data. To achieve this
goal, [83] propose a method which can be run many times due
to new derivations implied by an inverse functional property!
To obviate these limitations, [21] leverage on their ordering of
rules and MapReduce parallel capabilities.
Paraphrase resolution is also known as Synonym Resolution,
Deduplication, Entity Resolution [70]. It is related to OIE and can
concern relations [71–73], entities or both [70]. In adequacy
with our interest for work near Big Data features, [70,71] propose
unsupervised and scalable approaches for paraphrase
resolution. In [70], to scale, the number of comparisons between
pairs of strings (whichmust share a
or pair) is limited and strings are clustered
over time. This idea of gradual merging of clusters is
also the reason of the scalability in [71]. Unlike these two previous,
[72] tackle polysemy and use extra-characteristics of
the input relation instances like distributional similarity, linguistic
patterns, hypernym graph, etc. Let us note that if [70]
tackle the problem of finding which mentions of entities in a
text are equivalent, some authors address a similar problem
called Entity Linking and which can be helpful in our disambiguation
task. It aims to identify an entry in a given Knowledge
Base (KB) to which an entity mention in a document
refers to [74,75].
4.2.5. Ontology population
Since information has been extracted and synonyms identified,
our unstructured data must be put in computerprocessable
form. The current task thus consists in organizing
extracted tuples in a querying form such as instances
of ontologies, tuples of a database schema or set of quads
(< subject, predicate, object, context >). This idea is found in
[59–61,40] but uses several hand-written regular expressions.
It is also found in [76]’s On-demand IE approach and in [77]
where they propose a method to map triples output from
an OIE process to a domain-ontology. The former approach
chooses to escape from an expensive computation problem
by using only triples where the relation is verb-based unlike
the latter, which takes into account “tuple from each pair of
adjacent Noun Phrases”. Moreover, the approach in [77] is very
domain-specific and in their objective of mapping OIE tuples
with a domain-ontology, the authors implicitly assume that
all the facts of an event are inside the same sentence. This assumption,
which is obviously too restrictive, is also found in
ontology population tasks [78,79] and in OIE [63,80,47]. Hence,
it is clear to us that the first task is to be able to chunk a whole
text into a set of events (which are in forms of sentences
that are not necessarily contiguous in a given document [49])
and then to map concepts and relations of a given ontology
or columns of a given database schema into the extracted
pieces of information (from binary or n-ary relations) of each
chunk. We see that unlike [77], many approaches work with
general concepts (named entities categories like person, organization,
location, date, etc.) [76,81]. Some work like YAGO [82] try
to have some specific concepts (e.g “American person”), but it
seems to us too general in comparison to [77] where concepts
such as “NFLTeam”, “GameWinner” or “TeamScoringAll” can be
extracted.
Very few work focus on ontology population in Big Data
context. The main aspect broached is the identification of
the possible class of an entity. More, this identification is
too general, and when it is very domain specific it implies a
significant part of human intervention.
4.2.6. Entity consolidation
Entity consolidation can be seen as the building of owl:sameAs
closure in OWL-data. In practice this is not always straight. In
fact, owl:sameAs property is not always explicit. It can be hidden
behind inference on an inverse functional property [83], a
functional property [21], an equivalent property [84], cardinality
restrictions [38,39]. Moreover, an equivalent property can
be derived through heuristics (string similarity between properties’
short names or labels). Concerning algorithms, [83,21]
have similar approaches: to group all equivalent entities in
a given set and to assign a unique identifier to them, which
will replace entities of its set within real data. To achieve this
goal, [83] propose a method which can be run many times due
to new derivations implied by an inverse functional property!
To obviate these limitations, [21] leverage on their ordering of
rules and MapReduce parallel capabilities.
0/5000
4.2.4 ความหมายถ่ายทอดความละเอียดถ่ายทอดความละเอียดเป็นความละเอียด เหมือนDeduplication ความละเอียดของเอนทิตี [70] มันเกี่ยวข้องกับต้องและสามารถเกี่ยวกับความสัมพันธ์ [71 – 73], เอนทิตี หรือทั้งสอง [70] ในความเพียงพอดอกเบี้ยของเราทำงานใกล้ข้อมูลคุณสมบัติ, [70,71] เสนอขั่ว และเป็นแนวทางสำหรับการถ่ายทอดความละเอียด ใน [70], ขนาด จำนวนของการเปรียบเทียบระหว่างคู่ของสตริงการ (whichmust ร่วมเป็น หรือ จำกัดคู่) และสายอักขระที่มีคลัสเตอร์ช่วงเวลานี้ มีความคิดนี้ของการค่อย ๆ รวมของคลัสเตอร์นอกจากนี้เหตุผลของภาระใน [71] ซึ่งแตกต่างจากสองคนนี้ก่อนหน้า[72] ต่อสู้ polysemy และใช้ลักษณะพิเศษของอินสแตนซ์ความสัมพันธ์เข้าเช่นภาษาศาสตร์ ขึ้นความคล้ายคลึงกันรูปแบบ กราฟ hypernym ฯลฯ แจ้งให้เราทราบว่า ถ้า [70]แก้ไขปัญหาการค้นหาใดที่กล่าวถึงเอนทิตีในการข้อความเทียบเท่า ผู้เขียนบางคนมีปัญหาคล้ายกันเรียกว่าการเชื่อมโยงเอนทิตีและซึ่งมีประโยชน์ในภาพยนตร์ของเรางานนี้ มุ่งหวังที่จะระบุรายการในความรู้ที่กำหนดฐาน (KB) ซึ่งกิจการที่กล่าวถึงในเอกสารหมายถึง [74,75]4.2.5. ภววิทยาประชากรแยกข้อมูลออก และ ระบุคำเหมือนข้อมูลของเราไม่ต้องใส่ใน computerprocessableแบบฟอร์ม งานปัจจุบันจึงประกอบด้วยในการจัดแยกแบบสอบถามเช่นกรณีแฮontologies, tuples ใน schema ของฐานข้อมูลหรือชุดของ quads(<เรื่อง เพรดิเคต วัตถุ บริบท >) ความคิดนี้อยู่ใน[59-61,40] แต่ใช้นิพจน์ทั่วไปหลายที่เขียนด้วยลายมือเป็นวิธีการที่พบใน [76] ของตาม IE และ ใน [77]ที่พวกเขาเสนอวิธีการเพิ่มผลผลิตจากกระบวนการต้องการโดเมนภววิทยา วิธีการเดิมเลือกที่จะหลบหนีจากปัญหาในการคำนวณราคาโดยเฉพาะเพิ่มความสัมพันธ์ที่ใช้คำกริยาเหมือนหลัง ซึ่งนำเข้าบัญชี "tuple จากแต่ละคู่ติดกับนามวลี" นอกจากนี้ วิธีการใน [77] เป็นอย่างมากเฉพาะของโดเมน และ ในวัตถุที่ประสงค์ของ tuples ต้องแมปกับโดเมนภววิทยา ผู้เขียนนัยว่าข้อเท็จจริงของเหตุการณ์อยู่ในประโยคเดียวกัน อัสสัมชัญนี้ซึ่งเป็นที่เห็นได้ชัดว่าจำกัดเกินไป ว่างานประชากรภววิทยา [78,79] และ [63,80,47] ต้องการ ดังนั้นเป็นที่ชัดเจนกับเราที่งานแรกสามารถก้อนทั้งหมดข้อความลงในชุดกิจกรรม (ซึ่งอยู่ในรูปแบบของประโยคไม่จำเป็นต้องอยู่ติดกันในเอกสารกำหนด [49])แล้วแผนที่แนวคิดและความสัมพันธ์ของภววิทยากำหนดหรือคอลัมน์การกำหนด schema ของฐานข้อมูลเป็นการแยกข้อมูล (จากไบนารี หรือ n เผยแผ่ศาสนาความสัมพันธ์) ของแต่ละก้อน เราเห็นว่า แตกต่างจาก [77], หลายวิธีทำงานกับแนวคิดทั่วไป (ชื่อประเภทตีเช่นบุคคล องค์กรตำแหน่ง วัน ฯลฯ) [76,81] . บางคนทำงานเช่นพยายาม YAGO [82]มีแนวคิดเฉพาะเจาะจงบางอย่าง (เช่น "คนอเมริกัน"), แต่มันดูเหมือนว่าเราเกินไปทั่วไปเทียบ [77] แนวคิดเช่น "NFLTeam", "GameWinner" หรือ "TeamScoringAll" ได้แยกออกมาภววิทยาประชากรข้อมูลเน้นทำงานที่น้อยมากบริบท ในส่วนหลักของ broached คือ รหัสของระดับที่เป็นไปได้ของ เพิ่มเติม รหัสนี้เป็นทั่วไปเกินไป และเมื่อเป็นมากโดเมนเฉพาะ มันถึงส่วนหนึ่งที่สำคัญของมนุษย์4.2.6. เอนทิตีรวมรวมเอนทิตีที่สามารถมองเห็นเป็นอาคารของนกฮูก: sameAsปิดข้อมูลนกฮูก ในทางปฏิบัติ ไม่เสมอตรงนี้ ในความจริง นกฮูก: sameAs คุณสมบัติไม่เสมออย่างชัดเจน มันสามารถซ่อนเบื้องหลังการอ้างอิงในคุณสมบัติการทำงานผกผัน [83], การทำงานโรงแรม [21], คุณสมบัติเทียบเท่าที่มี [84], จำนวนนับการจำกัด [38,39] นอกจากนี้ สามารถมีคุณสมบัติเทียบเท่าได้รับผ่านการรุก (คล้ายสายระหว่างคุณสมบัติ'ชื่อย่อหรือป้ายชื่อ) เกี่ยวกับอัลกอริทึม, [83,21]มีวิธีที่คล้ายกัน: การจัดกลุ่มหน่วยงานเทียบเท่าทั้งหมดในการ กำหนดตั้งค่า และ การกำหนดตัวระบุที่ไม่ซ้ำกันได้ ซึ่งจะแทนเอนทิตีของการตั้งค่าภายในข้อมูลจริง เพื่อให้บรรลุนี้เป้าหมาย, [83] เสนอวิธีการที่สามารถเรียกใช้จำนวนเวลาครบกำหนดการโดยนัย โดยคุณสมบัติการทำงานผกผันรากศัพท์ใหม่การ obviate ข้อจำกัดเหล่านี้ เลเวอเรจ [21] ในการสั่งซื้อของกฎและความสามารถขนาน MapReduce
การแปล กรุณารอสักครู่..
4.2.4 ความหมายของการแปลความหมายความละเอียด
ความละเอียดแปลความหมายยังเป็นที่รู้จักกันเป็นคำพ้องความละเอียด
Deduplication, Entity มติ [70] เป็นที่เกี่ยวข้องกับศอและสามารถ
เกี่ยวกับความสัมพันธ์ [71-73], หน่วยงานหรือทั้งสอง [70] ในความเพียงพอ
กับความสนใจของเราสำหรับการทำงานที่อยู่ใกล้กับคุณลักษณะของข้อมูลขนาดใหญ่ [70,71] เสนอ
วิธีการใกล้ชิดและปรับขนาดได้สำหรับการแปลความหมาย
ความละเอียด ใน [70] ในการปรับขนาดจำนวนของการเปรียบเทียบระหว่าง
คู่ของสตริง (whichmust แบ่งปัน
หรือ คู่) จะถูก จำกัด และสตริงเป็นคลัสเตอร์
เมื่อเวลาผ่านไป ความคิดของการรวมค่อยเป็นค่อยไปของกลุ่มนี้เป็น
เหตุผลของการขยายขีดความสามารถใน [71] ซึ่งแตกต่างจากทั้งสองก่อนหน้านี้
[72] รับมือ polysemy และใช้เป็นพิเศษลักษณะของ
กรณีการป้อนข้อมูลความสัมพันธ์เช่นความคล้ายคลึงกันกระจายภาษา
รูปแบบกราฟ hypernym ฯลฯ ขอให้เราทราบว่าถ้า [70]
จัดการปัญหาของการค้นพบที่กล่าวถึงของหน่วยงานใน
ข้อความจะเทียบเท่านักเขียนบางคนที่อยู่ปัญหาที่คล้ายกัน
เรียกว่า Entity เชื่อมโยงและซึ่งจะเป็นประโยชน์ในการแก้ความกำกวมของเรา
งาน โดยมีจุดมุ่งหมายเพื่อแจ้งรายการในความรู้ที่ได้รับ
ฐาน (KB) เพื่อซึ่งกล่าวถึงกิจการในเอกสาร
หมายถึง [74,75].
4.2.5 ประชากรอภิปรัชญา
เนื่องจากข้อมูลที่ได้รับการสกัดและคำพ้องระบุ
ข้อมูลที่ไม่มีโครงสร้างของเราจะต้องวางใน computerprocessable
รูปแบบ งานปัจจุบันจึงประกอบด้วยในการจัด
อันดับสกัดในรูปแบบการสอบถามเช่นกรณี
ของจีส์, อันดับของคีมาฐานข้อมูลหรือชุดของล่าม
(<เรื่องกริยาวัตถุบริบท>) ความคิดนี้จะพบได้ใน
[59-61,40] แต่ใช้หลายแสดงออกปกติที่เขียนด้วยมือ.
นอกจากนี้ยังพบใน [76] 's On-demand IE วิธีการและใน [77]
ที่พวกเขานำเสนอวิธีการที่จะส่งออก map อเนกประสงค์ จาก
กระบวนการ OIE กับโดเมนอภิปรัชญา วิธีอดีต
เลือกที่จะหนีออกมาจากปัญหาการคำนวณราคาแพง
โดยใช้เพียงอเนกประสงค์ที่มีความสัมพันธ์เป็นคำกริยาที่ใช้แตกต่างจาก
หลังซึ่งจะนำเข้าบัญชี "tuple จากคู่ของแต่ละคน
ที่อยู่ใกล้เคียงคำนามวลี" นอกจากนี้ยังมีวิธีการใน [77] เป็นอย่างมาก
โดเมนที่เฉพาะเจาะจงและวัตถุประสงค์ของพวกเขาในการทำแผนที่ tuples OIE
กับโดเมนอภิปรัชญาเขียนโดยปริยายคิดว่า
ข้อเท็จจริงทั้งหมดของเหตุการณ์อยู่ในประโยคเดียวกัน สมมติฐานนี้
ซึ่งจะเห็นได้ชัดที่เข้มงวดเกินไปยังพบใน
งานประชากรอภิปรัชญา [78,79] และ OIE [63,80,47] ดังนั้น
มันเป็นที่ชัดเจนกับเราว่างานแรกคือการสามารถที่จะรับรู้ทั้ง
ข้อความลงในชุดของเหตุการณ์ที่เกิดขึ้น (ซึ่งอยู่ในรูปแบบของประโยค
ที่ไม่จำเป็นต้องต่อเนื่องกันในเอกสารที่กำหนด [49])
และหลังจากนั้นจะ map แนวคิด และความสัมพันธ์ของอภิปรัชญารับ
หรือคอลัมน์ของคีมาฐานข้อมูลที่ได้รับเข้ามาสกัด
ชิ้นส่วนของข้อมูล (จากฐานความสัมพันธ์หรือ n-Ary) ของแต่ละ
ก้อน เราจะเห็นว่าแตกต่างจาก [77] หลายวิธีทำงานกับ
แนวคิดทั่วไป (ชื่อประเภทกิจการที่เหมือนคนองค์กร
สถานที่วันและอื่น ๆ ) [76,81] การทำงานบางอย่างเช่น Yago [82] พยายาม
ที่จะมีแนวความคิดบางอย่าง (เช่น "คนอเมริกัน") แต่มัน
ดูเหมือนว่าเรากว้างเกินไปเมื่อเทียบกับ [77] ซึ่งแนวคิด
เช่น "NFLTeam", "GameWinner" หรือ "TeamScoringAll" สามารถ ถูก
สกัด.
มุ่งเน้นการทำงานน้อยมากเกี่ยวกับประชากรในอภิปรัชญาข้อมูลขนาดใหญ่
บริบท ด้านหลักทาบทามเป็นบัตรประจำตัวของ
ชั้นที่เป็นไปได้ของกิจการ เพิ่มเติมบัตรประจำตัวนี้จะ
กว้างเกินไปและเมื่อมันเป็นเฉพาะโดเมนมากมันหมายถึง
ส่วนสำคัญของการแทรกแซงของมนุษย์.
4.2.6 Entity การควบรวมกิจการ
การควบรวมกิจการสามารถถูกมองว่าเป็นอาคารของนกฮูก: sameAs
ปิดในนกฮูกข้อมูล ในทางปฏิบัติมักจะไม่ตรง ใน
ความเป็นจริง, Owl: sameAs คุณสมบัติไม่ชัดเจนเสมอ มันสามารถที่ซ่อน
อยู่เบื้องหลังการอนุมานบนผกผันคุณสมบัติการทำงาน [83] ซึ่งเป็น
คุณสมบัติการทำงาน [21], คุณสมบัติเทียบเท่า [84] cardinality
ข้อ จำกัด [38,39] นอกจากนี้ยังมีคุณสมบัติเทียบเท่าสามารถ
จะได้รับผ่านการวิเคราะห์พฤติกรรม (String ความคล้ายคลึงกันระหว่างคุณสมบัติ '
ชื่อสั้นหรือป้าย) เกี่ยวกับขั้นตอนวิธีการ [83,21]
มีวิธีการที่คล้ายกัน: ไปยังกลุ่มทุกหน่วยงานที่เทียบเท่าใน
ชุดที่กำหนดและการกำหนดรหัสเฉพาะเพื่อพวกเขาซึ่ง
จะเข้ามาแทนที่หน่วยงานของตลาดหลักทรัพย์ภายในข้อมูลจริง เพื่อให้บรรลุนี้
เป้าหมาย [83] เสนอวิธีการที่สามารถทำงานได้หลายครั้งเนื่องจาก
การดัดแปลงใหม่โดยนัยคุณสมบัติการทำงานที่ตรงกันข้าม!
เพื่อขจัดข้อ จำกัด เหล่านี้ [21] การใช้ประโยชน์ในการสั่งซื้อของพวกเขาจาก
กฎระเบียบและความสามารถในการขนาน MapReduce
ความละเอียดแปลความหมายยังเป็นที่รู้จักกันเป็นคำพ้องความละเอียด
Deduplication, Entity มติ [70] เป็นที่เกี่ยวข้องกับศอและสามารถ
เกี่ยวกับความสัมพันธ์ [71-73], หน่วยงานหรือทั้งสอง [70] ในความเพียงพอ
กับความสนใจของเราสำหรับการทำงานที่อยู่ใกล้กับคุณลักษณะของข้อมูลขนาดใหญ่ [70,71] เสนอ
วิธีการใกล้ชิดและปรับขนาดได้สำหรับการแปลความหมาย
ความละเอียด ใน [70] ในการปรับขนาดจำนวนของการเปรียบเทียบระหว่าง
คู่ของสตริง (whichmust แบ่งปัน
หรือ คู่) จะถูก จำกัด และสตริงเป็นคลัสเตอร์
เมื่อเวลาผ่านไป ความคิดของการรวมค่อยเป็นค่อยไปของกลุ่มนี้เป็น
เหตุผลของการขยายขีดความสามารถใน [71] ซึ่งแตกต่างจากทั้งสองก่อนหน้านี้
[72] รับมือ polysemy และใช้เป็นพิเศษลักษณะของ
กรณีการป้อนข้อมูลความสัมพันธ์เช่นความคล้ายคลึงกันกระจายภาษา
รูปแบบกราฟ hypernym ฯลฯ ขอให้เราทราบว่าถ้า [70]
จัดการปัญหาของการค้นพบที่กล่าวถึงของหน่วยงานใน
ข้อความจะเทียบเท่านักเขียนบางคนที่อยู่ปัญหาที่คล้ายกัน
เรียกว่า Entity เชื่อมโยงและซึ่งจะเป็นประโยชน์ในการแก้ความกำกวมของเรา
งาน โดยมีจุดมุ่งหมายเพื่อแจ้งรายการในความรู้ที่ได้รับ
ฐาน (KB) เพื่อซึ่งกล่าวถึงกิจการในเอกสาร
หมายถึง [74,75].
4.2.5 ประชากรอภิปรัชญา
เนื่องจากข้อมูลที่ได้รับการสกัดและคำพ้องระบุ
ข้อมูลที่ไม่มีโครงสร้างของเราจะต้องวางใน computerprocessable
รูปแบบ งานปัจจุบันจึงประกอบด้วยในการจัด
อันดับสกัดในรูปแบบการสอบถามเช่นกรณี
ของจีส์, อันดับของคีมาฐานข้อมูลหรือชุดของล่าม
(<เรื่องกริยาวัตถุบริบท>) ความคิดนี้จะพบได้ใน
[59-61,40] แต่ใช้หลายแสดงออกปกติที่เขียนด้วยมือ.
นอกจากนี้ยังพบใน [76] 's On-demand IE วิธีการและใน [77]
ที่พวกเขานำเสนอวิธีการที่จะส่งออก map อเนกประสงค์ จาก
กระบวนการ OIE กับโดเมนอภิปรัชญา วิธีอดีต
เลือกที่จะหนีออกมาจากปัญหาการคำนวณราคาแพง
โดยใช้เพียงอเนกประสงค์ที่มีความสัมพันธ์เป็นคำกริยาที่ใช้แตกต่างจาก
หลังซึ่งจะนำเข้าบัญชี "tuple จากคู่ของแต่ละคน
ที่อยู่ใกล้เคียงคำนามวลี" นอกจากนี้ยังมีวิธีการใน [77] เป็นอย่างมาก
โดเมนที่เฉพาะเจาะจงและวัตถุประสงค์ของพวกเขาในการทำแผนที่ tuples OIE
กับโดเมนอภิปรัชญาเขียนโดยปริยายคิดว่า
ข้อเท็จจริงทั้งหมดของเหตุการณ์อยู่ในประโยคเดียวกัน สมมติฐานนี้
ซึ่งจะเห็นได้ชัดที่เข้มงวดเกินไปยังพบใน
งานประชากรอภิปรัชญา [78,79] และ OIE [63,80,47] ดังนั้น
มันเป็นที่ชัดเจนกับเราว่างานแรกคือการสามารถที่จะรับรู้ทั้ง
ข้อความลงในชุดของเหตุการณ์ที่เกิดขึ้น (ซึ่งอยู่ในรูปแบบของประโยค
ที่ไม่จำเป็นต้องต่อเนื่องกันในเอกสารที่กำหนด [49])
และหลังจากนั้นจะ map แนวคิด และความสัมพันธ์ของอภิปรัชญารับ
หรือคอลัมน์ของคีมาฐานข้อมูลที่ได้รับเข้ามาสกัด
ชิ้นส่วนของข้อมูล (จากฐานความสัมพันธ์หรือ n-Ary) ของแต่ละ
ก้อน เราจะเห็นว่าแตกต่างจาก [77] หลายวิธีทำงานกับ
แนวคิดทั่วไป (ชื่อประเภทกิจการที่เหมือนคนองค์กร
สถานที่วันและอื่น ๆ ) [76,81] การทำงานบางอย่างเช่น Yago [82] พยายาม
ที่จะมีแนวความคิดบางอย่าง (เช่น "คนอเมริกัน") แต่มัน
ดูเหมือนว่าเรากว้างเกินไปเมื่อเทียบกับ [77] ซึ่งแนวคิด
เช่น "NFLTeam", "GameWinner" หรือ "TeamScoringAll" สามารถ ถูก
สกัด.
มุ่งเน้นการทำงานน้อยมากเกี่ยวกับประชากรในอภิปรัชญาข้อมูลขนาดใหญ่
บริบท ด้านหลักทาบทามเป็นบัตรประจำตัวของ
ชั้นที่เป็นไปได้ของกิจการ เพิ่มเติมบัตรประจำตัวนี้จะ
กว้างเกินไปและเมื่อมันเป็นเฉพาะโดเมนมากมันหมายถึง
ส่วนสำคัญของการแทรกแซงของมนุษย์.
4.2.6 Entity การควบรวมกิจการ
การควบรวมกิจการสามารถถูกมองว่าเป็นอาคารของนกฮูก: sameAs
ปิดในนกฮูกข้อมูล ในทางปฏิบัติมักจะไม่ตรง ใน
ความเป็นจริง, Owl: sameAs คุณสมบัติไม่ชัดเจนเสมอ มันสามารถที่ซ่อน
อยู่เบื้องหลังการอนุมานบนผกผันคุณสมบัติการทำงาน [83] ซึ่งเป็น
คุณสมบัติการทำงาน [21], คุณสมบัติเทียบเท่า [84] cardinality
ข้อ จำกัด [38,39] นอกจากนี้ยังมีคุณสมบัติเทียบเท่าสามารถ
จะได้รับผ่านการวิเคราะห์พฤติกรรม (String ความคล้ายคลึงกันระหว่างคุณสมบัติ '
ชื่อสั้นหรือป้าย) เกี่ยวกับขั้นตอนวิธีการ [83,21]
มีวิธีการที่คล้ายกัน: ไปยังกลุ่มทุกหน่วยงานที่เทียบเท่าใน
ชุดที่กำหนดและการกำหนดรหัสเฉพาะเพื่อพวกเขาซึ่ง
จะเข้ามาแทนที่หน่วยงานของตลาดหลักทรัพย์ภายในข้อมูลจริง เพื่อให้บรรลุนี้
เป้าหมาย [83] เสนอวิธีการที่สามารถทำงานได้หลายครั้งเนื่องจาก
การดัดแปลงใหม่โดยนัยคุณสมบัติการทำงานที่ตรงกันข้าม!
เพื่อขจัดข้อ จำกัด เหล่านี้ [21] การใช้ประโยชน์ในการสั่งซื้อของพวกเขาจาก
กฎระเบียบและความสามารถในการขนาน MapReduce
การแปล กรุณารอสักครู่..
4.2.4 . ความหมาย ถอดความ ละเอียดถอดความละเอียดเป็นที่รู้จักกันเป็นคำที่เกี่ยวข้องความละเอียดข้อมูลนิติบุคคล , ละเอียด [ 70 ] มันเกี่ยวข้องกับ OIE และสามารถปัญหาความสัมพันธ์ [ 71 - 73 ] , องค์กรหรือทั้งสอง [ 70 ] ในความเพียงพอกับความสนใจของเราทำงานใกล้คุณลักษณะข้อมูลใหญ่ [ 70,71 ] ขอโดยขาดการดูแล และยืดหยุ่นแนวทางการถอดความความละเอียด ใน [ 70 ] , ขนาด , จำนวนของการเปรียบเทียบระหว่างคู่ของสตริง ( whichmust แบ่งปัน < คุณสมบัติ > วัตถุหรือ < คุณสมบัติ > เรื่องคู่ ) จำกัดและสตริงเป็นกระจุกเมื่อเวลาผ่านไป ความคิดของกลุ่มนี้คือการค่อยๆด้วยเหตุผลของการทำงานใน [ 71 ] ซึ่งแตกต่างจากสองคนนี้ก่อน[ 72 ] เล่นงาน polysemy และใช้คุณลักษณะพิเศษของข้อมูลเกี่ยวกับอินสแตนซ์เช่นการแจกแจงคล้ายคลึงกัน ภาษารูปแบบ , hypernym กราฟ ฯลฯ แจ้งให้เราทราบว่าถ้า [ 70 ]แก้ไขปัญหาของการค้นหาขององค์กรที่กล่าวถึงในข้อความที่เทียบเท่าบางคนเขียนที่อยู่ปัญหาที่คล้ายคลึงกันเรียกว่าการเชื่อมโยงและนิติบุคคลซึ่งจะเป็นประโยชน์ในเกมของเรางาน มันมีวัตถุประสงค์เพื่อระบุรายการที่ให้ความรู้ฐาน ( KB ) ซึ่งเป็นหน่วยงานที่กล่าวถึงในเอกสารหมายถึง [ 74,75 ]4.2.5 . ประชากรอภิปรัชญาเนื่องจากข้อมูลถูกสกัดและคำพ้องความหมายระบุข้อมูลที่ไม่มีโครงสร้างของเราต้องใส่ใน computerprocessableแบบฟอร์ม ดังนั้น ในการจัดงาน ปัจจุบัน ประกอบด้วยสกัดที่มีในแบบฟอร์มสอบถาม เช่น กรณีนโทโลจีทูเปิลของ , ของฐานข้อมูลหรือชุดของคณะสี่คน( แต่เรื่องกริยาวัตถุบริบท > ) ความคิดนี้ถูกพบใน[ 59 – 61,40 ] แต่ใช้หลายมือเขียนนิพจน์ปกตินอกจากนี้ยังพบใน [ 76 ] ตามความต้องการเช่นวิธีการและใน [ 77 ]ที่พวกเขาเสนอวิธีการแผนที่แสดงอเนกประสงค์จากกระบวนการ OIE เพื่อโดเมนอภิปรัชญา . วิธีการเดิมเลือกที่จะหนีจากปัญหาการคำนวณราคาแพงโดยใช้เพียงอเนกประสงค์ที่ความสัมพันธ์เป็นคำกริยาใช้ซึ่งแตกต่างจากหลัง ซึ่งใช้เวลาใน tuple บัญชี " จากคู่ของติดกันนามวลี " นอกจากนี้ แนวทางใน [ 77 ] มากโดเมนที่เฉพาะเจาะจงและเป้าหมายขององค์กรที่มีแผนที่กับโดเมนอภิปรัชญา , ผู้โดยปริยายว่าความจริงของเหตุการณ์อยู่ในประโยคเดียวกัน สมมติฐานนี้ซึ่งเห็นได้ชัดว่าเข้มงวดเกินไป ยังพบในงาน 78,79 อภิปรัชญา [ ประชากร ] และในองค์กร [ 63,80,47 ] ดังนั้นมันเป็นที่ชัดเจนกับเราว่า ภารกิจแรก คือ สามารถที่จะรวมข้อความลงในชุดของเหตุการณ์ ( ซึ่งอยู่ในรูปแบบของประโยคที่ไม่ได้อยู่ติดกัน ที่ระบุในเอกสาร [ 49 ] )แล้วแผนที่แนวคิดและความสัมพันธ์ของอภิปรัชญาที่กําหนดหรือคอลัมน์ที่กำหนดสคีมาของฐานข้อมูลเข้าสกัดชิ้นส่วนของข้อมูล ( จากไบนารีหรือ n-ary ความสัมพันธ์ของแต่ละก้อน เราเห็นที่แตกต่าง [ 77 ] หลายวิธีทํางานกับแนวคิดทั่วไป ( ชื่อหน่วยงานประเภทต่าง ๆ เช่น บุคคล องค์กรสถานที่ , วันที่ ฯลฯ ) [ 76,81 ] งานบางอย่าง เช่น yago [ 82 ] ลองมีบางแนวคิดที่เฉพาะเจาะจง ( เช่นอเมริกัน " คน " ) , แต่ดูทั่วไปในการเปรียบเทียบกับ [ 77 ] ที่แนวคิดเราเช่น " nflteam " , " gamewinner " หรือ " teamscoringall " สามารถสกัดน้อยมาก ทำงานเน้นอภิปรัชญาในใหญ่ข้อมูลประชากรบริบท ด้านหลักคือการหยิบยกชั้นเรียนที่เป็นไปได้ของการเป็นนิติบุคคล เพิ่มเติม ตัวนี้คือด้วยทั่วไป และเมื่อมันเป็นโดเมนที่เฉพาะเจาะจงบางส่วนของการแทรกแซงของมนุษย์4.2.6 . การรวมกิจการการรวมกิจการสามารถมองเห็นเป็นตึกของนกฮูก : sameasปิดข้อมูลนกฮูก ในการปฏิบัตินี้มักจะไม่ตรง ในความเป็นจริง , นกฮูก : sameas คุณสมบัติไม่ได้เสมอที่ชัดเจน มันสามารถซ่อนอยู่หลังอนุมานในตรงกันข้ามคุณสมบัติการทำงาน [ 83 ] ,หน้าที่คุณสมบัติ [ 21 ] , [ คุณสมบัติเทียบเท่า 84 ] ภาวะเชิงการนับจำกัด [ 38,39 ] นอกจากนี้ คุณสมบัติเทียบเท่าจะได้ผ่านการวิเคราะห์พฤติกรรม ( สตริงความคล้ายคลึงกันระหว่างคุณสมบัติ 'ชื่อสั้นหรือป้าย ) เกี่ยวกับขั้นตอนวิธี [ 83,21 ]มีวิธีการที่คล้ายกัน : เทียบเท่าหน่วยงานในกลุ่มทั้งหมดกำหนด และกำหนดให้ระบุที่ไม่ซ้ำกันเหล่านั้น ซึ่งจะแทนของหน่วยงานภายในชุดของข้อมูลที่แท้จริง เพื่อให้บรรลุนี้เป้าหมาย [ 83 ] ขอวิธีที่สามารถเรียกใช้หลายครั้งเนื่องจากใหม่ โดยคุณสมบัติการทำงานการหาโดยนัยผกผัน !เพื่อป้องกันข้อ จำกัด เหล่านี้ , [ 21 ] ต่อรองในการสั่งซื้อของกฎและ mapreduce ความสามารถขนาน
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- Which position needs no experience?
- ท่านไม่ผิดที่ท่านสร้างน้ำมาเพื่อดับไฟท่า
- ไปไหนมา
- ภายนอก
- ท่านไม่ผิดที่ท่านสร้างน้ำมาเพื่อดับไฟท่า
- กล่าวลา
- why The mice run into a mouse hole ?
- Remote Sensing of Soil Moisture: An Over
- It is known that cooking induces profoun
- ฉันตัดสินใจถูกแล้วที่เลือกเรียนที่นี่
- neither self-operating, yet together eff
- My best friend is really into...classroo
- ไม่ทราบว่าลูกค้าต้องการติดตั้งที่ไหน
- Remote Sensing of Soil Moisture: An Over
- นมกล่อง
- showing tooltip overlays after holding t
- Capacity confirmation 223125-11040 base
- duty refund
- When this E-mail has been sent to Wipawa
- เข้ารับการรักษาโดยการใส่เฝือก
- ต้อนรับนักท่องเที่ยว
- That's right
- ประกบ
- This project is generated from the lands
