E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - HInT: hybrid and incremental type discovery for large RDF data sources

Αρχική HInT: hybrid and incremental type discovery for large RDF data sources

Αποτελέσματα - Λεπτομέρειες

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000434174

Τίτλος

HInT: hybrid and incremental type discovery for large RDF data sources

Άλλος τίτλος

HInT: υβριδική και αυξητική ανακάλυψη τύπων για μεγάλα RDF δεδομένα”

Συγγραφέας

Καρδουλάκης, Νικόλαος Χ.

Σύμβουλος διατριβής

Πλεξουσάκης, Δημήτρης

Μέλος κριτικής επιτροπής

Τζίτζικας, Ιωάννης
Kedad-Cointot, Zoubida

Περίληψη

Η ταχεία ανάπτυξη των διασυνδεδεμένων δεδομένων έχει οδηγήσει στη δημιουργία πολλών πηγών δεδομένων με ασθενή και ελλιπή δομή, στις οποίες οι δηλώσεις των τύπων απουσιάζουν μερικώς ή ολικώς. Από την άλλη πλευρά, η πληροφορία σχετικά με τους τύπους είναι απαραίτητη για ένα πλήθος εργασιών, όπως η απάντηση ερωτήσεων, η ολοκλήρωση δεδομένων, η δημιουργία συνόψεων και ο κατακερματισμός πηγών δεδομένων σε τμήματα. Οι υπάρχουσες προσεγγίσεις για ανακάλυψη τύπων είτε αγνοούν εντελώς τους ορισμούς τύπων που είναι διαθέσιμοι στα δεδομένα (τεχνικές έμμεσης ανακάλυψης τύπων), είτε βασίζονται στη μερική διαθεσιμότητα αυτών των τύπων, προκειμένου να τους συμπληρώσουν (τεχνικές ρητoύ εμπλουτισμού τύπων). Οι τεχνικές έμμεσης ανακάλυψης τύπων βασίζονται σε ομαδοποίηση των οντοτήτων, η οποία προϋποθέτει την εξαντλητική μεταξύ τους σύγκριση. Η διαδικασία αυτή είναι κοστοβόρα και μη αυξητική. Από την άλλη, οι τεχνικές ρητoύ εμπλουτισμού τύπων αδυνατούν να επεξεργαστούν σύνολα δεδομένων που περιέχουν πληροφορία σχετικά με τη δομή τους σε μικρό ή μηδενικό βαθμό. Σε αυτήν την εργασία, παρουσιάζουμε το HInT, το πρώτο αυξητικό και υβριδικό σύστημα για ανακάλυψη τύπων σε συλλογές δεδομένων RDF. Η προσέγγισή μας πετυχαίνει την ανακάλυψη τύπων τόσο σε περιπτώσεις που η πληροφορία σχετικά με τους τύπους των οντοτήτων είναι μερικώς διαθέσιμη, όσο και σε εκείνες που είναι ολικώς απούσα. Για να επιτευχθεί αυτό, αναγνωρίζουμε αυξητικά τα μοτίβα των διαφόρων οντοτήτων, τα δεικτοδοτούμε και τα ομαδοποιούμε προκειμένου να αναγνωρίσουμε τους τύπους. Κατά την επεξεργασία μίας οντότητας, η τεχνική μας αξιοποιεί την πληροφορία σχετικά με τους τύπους της οντότητας αυτής, εάν υπάρχει διαθέσιμη, για να βελτιώσει την ποιότητα των ανακαλυφθέντων τύπων, καθοδηγώντας την κατηγοριοποίηση της νέας οντότητας στη σωστή ομάδα, βελτιώνοντας παράλληλα τα σύνολα που έχουν ήδη δημιουργηθεί. Επιβεβαιώνουμε αναλυτικά και πειραματικά ότι το σύστημά μας κυριαρχεί σε επίπεδο αποτελεσματικότητας και κυρίως αποδοτικότητας, σε σύγκριση με ανταγωνιστές και από τις δύο κατηγορίες, της έμμεσης ανακάλυψης τύπων και του ρητού εμπλουτισμού τύπων.

Φυσική περιγραφή

vi, 49 σ. : σχεδ., πιν., εικ. ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Incrementality

Locality sensitive hashing

Αυξητικότητα

Ημερομηνία έκδοσης

2020-11-27

Συλλογή

Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Μεταπτυχιακές εργασίες ειδίκευσης