Return to search

SABENÇA - um arcabouço computacional baseado na aprendizagem de ontologias a partir de textos / SABENÇA - a framework based on ontology learning from text

Submitted by Cláudia Bueno (claudiamoura18@gmail.com) on 2015-10-21T20:58:05Z
No. of bitstreams: 2
Dissertação - Norton Coelho Guimarães - 2015.pdf: 2090183 bytes, checksum: 2d7f73048d14bf0ac9fbbe295972b668 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2015-10-22T12:22:39Z (GMT) No. of bitstreams: 2
Dissertação - Norton Coelho Guimarães - 2015.pdf: 2090183 bytes, checksum: 2d7f73048d14bf0ac9fbbe295972b668 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2015-10-22T12:22:39Z (GMT). No. of bitstreams: 2
Dissertação - Norton Coelho Guimarães - 2015.pdf: 2090183 bytes, checksum: 2d7f73048d14bf0ac9fbbe295972b668 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5)
Previous issue date: 2015-04-22 / The research on ontology learning has been carried out in various areas of knowledge.
Semi-automatic or automatic extraction of ontologies would assist in the acceleration of
knowledge structuring of multiple domains. Semi-automatic approaches to ontology learning
from texts are proposed in several scientific papers, mostly with the support of
natural language processing techniques. This paper describes the construction of a computational
framework for semi-automated ontology learning from texts in the Portuguese
language. Axioms are not dealt with in this paper. The work done here originated from
the proposal of Philipp Cimiano [18], along with mechanisms for standardization of texts,
Natural Language Processing, identification of taxonomic relationships and structure of
ontologies. This research resulted in the development of a set of classes concrete and a set
of abstract classes that comprise a computational framework. In this work we also present
a case study in the field public safety, proving the benefits of computational framework. / As pesquisas sobre aprendizagem de ontologias têm sido realizadas em várias áreas do
conhecimento. A extração semi-automática ou automática de ontologias auxiliaria na
aceleração da estruturação do conhecimento de diversos domínios. Abordagens semiautomáticas
para a aprendizagem de ontologias a partir de textos são propostas em diversos
trabalhos científicos, em sua maioria, com o apoio de técnicas de processamento
da língua natural. Este trabalho descreve a construção de um arcabouço computacional
para aprendizagem semi-automatizada de ontologias a partir de textos na língua portuguesa.
Axiomas não são tratados neste trabalho. O trabalho desenvolvido aqui originouse
da proposta de Philipp Cimiano [18], juntamente com mecanismos de padronização
de textos, processamento de linguagem natural, identificação de relações taxonômicas e
estruturação de ontologias. Esta pesquisa resultou no desenvolvimento de um conjunto de
classes, concretas e abstratas, que compõem um arcabouço computacional. Neste trabalho,
também foi feito um estudo de caso no domínio de segurança pública, comprovando
os benefícios do arcabouço computacional.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.bc.ufg.br:tede/4712
Date22 April 2015
CreatorsGuimaraes, Norton Coelho
ContributorsCarvalho, Cedric Luiz de, Carvalho , Cedric Luiz de, Rosa, Thierson Couto, Freitas, Frederico Luiz Gonçalves de
PublisherUniversidade Federal de Goiás, Programa de Pós-graduação em Ciência da Computação (INF), UFG, Brasil, Instituto de Informática - INF (RG)
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFG, instname:Universidade Federal de Goiás, instacron:UFG
Rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess
Relation-3303550325223384799, 600, 600, 600, -7712266734633644768, -862078257083325301

Page generated in 0.0028 seconds