Submitted by Bruna Rodrigues (bruna92rodrigues@yahoo.com.br) on 2016-10-13T14:14:35Z
No. of bitstreams: 1
DissLFN.pdf: 3044084 bytes, checksum: 821534c448710467d6addecc27edfec0 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-21T13:48:51Z (GMT) No. of bitstreams: 1
DissLFN.pdf: 3044084 bytes, checksum: 821534c448710467d6addecc27edfec0 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-21T13:48:57Z (GMT) No. of bitstreams: 1
DissLFN.pdf: 3044084 bytes, checksum: 821534c448710467d6addecc27edfec0 (MD5) / Made available in DSpace on 2016-10-21T13:49:18Z (GMT). No. of bitstreams: 1
DissLFN.pdf: 3044084 bytes, checksum: 821534c448710467d6addecc27edfec0 (MD5)
Previous issue date: 2016-04-07 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / With the exponentially growing of data available on the Web, several projects were created
to automatically represent this information as knowledge bases(KBs). Knowledge
bases used in most projects are represented in an ontology-based fashion, so the data can
be better organized and easily accessible. It is common to map these KBs into a graph
to apply graph mining algorithms to extract implicit knowledge from the KB, knowledge
that sometimes is easy for human beings to infer but not so trivial to a machine.
One common graph-based task is link prediction, which can be used not only to predict
edges (new facts for the KB) that will appear in a near future, but also to nd misplaced
edges (wrong facts present in the KB). In this project, we create algorithms that uses
graph-mining (mostly link-prediction based) approaches to nd implicit knowledge from
ontological knowledge bases. Despite of common graph-mining algorithms, we mine not
just the facts on the KB, but also the ontology information (such as categories of instances
and relations among them). The implicit knowledge that our algorithms will
nd, is not just new facts for the KB, but also new relations and categories, extending
the ontology as well. / Com o crescimento exponencial dos dados disponíveis na Web, diversos projetos foram
criados para automaticamente representar esta informação como bases de conhecimento(
KBs). As bases de conhecimento utilizadas na maioria destes projetos são representadas
através de uma ontologia, então os dados são melhor organizados e facilmente
acessíveis. E comum mapear estes KBs utilizando grafos para aplicação de algoritmos
de mineração em grafos com o intuito de extrair conhecimento implícito do KB, conhecimento que as pode ser facil para seres humanos inferir mas não são tão triviais para uma maquina. Uma tarefa comum e a predição de arestas, que pode ser usada para encontrar arestas (fatos no KB) que vão aparecer em um futuro próximo, e além disso para encontrar arestas mal alocadas (fatos incorretos no KB). Neste projeto, criamos algoritmos que utilizam mineração em grafos (na maioria baseados em predição de arestas) para encontrar conhecimento implícito em bancos de conhecimento ontológicos. Apesar do uso comum de algoritmos de predição de arestas, vamos minerar também informações
da ontologia (como categorias das instancias e relações entre elas). O conhecimento
implícito que nossos algoritmos vai encontrar, serão não somente novos fatos para o KB,
mas também novas relações e categorias, estendendo também a ontologia.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/8152 |
| Date | 07 April 2016 |
| Creators | Navarro, Lucas Fonseca |
| Contributors | Appel, Ana Paula |
| Publisher | Universidade Federal de São Carlos, Câmpus São Carlos, Programa de Pós-graduação em Ciência da Computação, UFSCar |
| Source Sets | IBICT Brazilian ETDs |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds