{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1321001"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1321001","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Discovering spatial and temporal links among rdf data","abstract":"Η Ανακάλυψη Συνδέσμων είναι μια νέα ερευνητική περιοχή του Σημασιολογικού Ιστού που μελετά το πρόβλημα της εύρεσης σημασιολογικά συσχετιζόμενων οντοτήτων οι οποίες βρίσκονται σε διαφορετικές βάσεις γνώσης. Η περιοχή αυτή, τελευταία, γίνεται όλο και πιο χρήσιμη, καθώς ο όγκος των διαθέσιμων Διασυνδεδεμένων Δεδομένων στο διαδίκτυο αυξάνεται σημαντικά. Παρά το γεγονός ότι έχουν αναπτυχθεί πολλά εργαλεία για Ανακάλυψη Συνδέσμων, τα περισσότερα από αυτά δεν λαμβάνουν υπ' όψιν την εύρεση χωρικών και χρονικών σχέσεων, αφήνοντας δεδομένα με τέτοιου είδους χαρακτηριστικά ασθενώς συνδεδεμένα και μη επιτρέποντας την εκμετάλλευση της πλούσιας πληροφορίας που παρέχουν. Σε αυτή την εργασία, προτείνουμε νέους φορμαλισμούς και ακριβείς μεθόδους για Χωρική και Χρονική Ανακάλυψη Συνδέσμων και παρέχουμε την πρώτη υλοποίηση που καλύπτει αυτή την περιοχή. Η υλοποίηση είναι βασισμένη στο γνωστό εργαλείο Silk. Το Silk, εμπλουτισμένο με τις νέες επεκτάσεις που αναπτύξαμε, επιτρέπει στους παρόχους δεδομένων να ανακαλύπτουν μεγάλη ποικιλία χωρικών και χρονικών σχέσεων μεταξύ των δεδομένων τους και άλλων Ανοιχτών Διασυνδεδεμένων Δεδομένων. Επίσης, αξιολογούμε πειραματικά το Silk, χρησιμοποιώντας το σε ένα σενάριο πραγματικού κόσμου, αποδεικνύοντας ότι μπορεί να ανακαλύψει 100% ακριβείς συνδέσμους με ένας χρονικά αποδοτικό και επεκτατό τρόπο.","abstract_html":"Η Ανακάλυψη Συνδέσμων είναι μια νέα ερευνητική περιοχή του Σημασιολογικού Ιστού που μελετά το πρόβλημα της εύρεσης σημασιολογικά συσχετιζόμενων οντοτήτων οι οποίες βρίσκονται σε διαφορετικές βάσεις γνώσης. Η περιοχή αυτή, τελευταία, γίνεται όλο και πιο χρήσιμη, καθώς ο όγκος των διαθέσιμων Διασυνδεδεμένων Δεδομένων στο διαδίκτυο αυξάνεται σημαντικά. Παρά το γεγονός ότι έχουν αναπτυχθεί πολλά εργαλεία για Ανακάλυψη Συνδέσμων, τα περισσότερα από αυτά δεν λαμβάνουν υπ&#x27; όψιν την εύρεση χωρικών και χρονικών σχέσεων, αφήνοντας δεδομένα με τέτοιου είδους χαρακτηριστικά ασθενώς συνδεδεμένα και μη επιτρέποντας την εκμετάλλευση της πλούσιας πληροφορίας που παρέχουν. Σε αυτή την εργασία, προτείνουμε νέους φορμαλισμούς και ακριβείς μεθόδους για Χωρική και Χρονική Ανακάλυψη Συνδέσμων και παρέχουμε την πρώτη υλοποίηση που καλύπτει αυτή την περιοχή. Η υλοποίηση είναι βασισμένη στο γνωστό εργαλείο Silk. Το Silk, εμπλουτισμένο με τις νέες επεκτάσεις που αναπτύξαμε, επιτρέπει στους παρόχους δεδομένων να ανακαλύπτουν μεγάλη ποικιλία χωρικών και χρονικών σχέσεων μεταξύ των δεδομένων τους και άλλων Ανοιχτών Διασυνδεδεμένων Δεδομένων. Επίσης, αξιολογούμε πειραματικά το Silk, χρησιμοποιώντας το σε ένα σενάριο πραγματικού κόσμου, αποδεικνύοντας ότι μπορεί να ανακαλύψει 100% ακριβείς συνδέσμους με ένας χρονικά αποδοτικό και επεκτατό τρόπο.","abstract_has_math":false,"creators":["Σμέρος Παναγιώτης"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-11-19T05:26:35Z","subjects":[],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1321001"],"render_values":[{"text":"uoadl:1321001","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1321001","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1321001","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1321001","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σμέρος Παναγιώτης"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2014"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1321001","https://pergamos.lib.uoa.gr/uoa/dl/object/1321001"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Ανακάλυψη Συνδέσμων είναι μια νέα ερευνητική περιοχή του Σημασιολογικού Ιστού που μελετά το πρόβλημα της εύρεσης σημασιολογικά συσχετιζόμενων οντοτήτων οι οποίες βρίσκονται σε διαφορετικές βάσεις γνώσης. Η περιοχή αυτή, τελευταία, γίνεται όλο και πιο χρήσιμη, καθώς ο όγκος των διαθέσιμων Διασυνδεδεμένων Δεδομένων στο διαδίκτυο αυξάνεται σημαντικά. Παρά το γεγονός ότι έχουν αναπτυχθεί πολλά εργαλεία για Ανακάλυψη Συνδέσμων, τα περισσότερα από αυτά δεν λαμβάνουν υπ' όψιν την εύρεση χωρικών και χρονικών σχέσεων, αφήνοντας δεδομένα με τέτοιου είδους χαρακτηριστικά ασθενώς συνδεδεμένα και μη επιτρέποντας την εκμετάλλευση της πλούσιας πληροφορίας που παρέχουν. Σε αυτή την εργασία, προτείνουμε νέους φορμαλισμούς και ακριβείς μεθόδους για Χωρική και Χρονική Ανακάλυψη Συνδέσμων και παρέχουμε την πρώτη υλοποίηση που καλύπτει αυτή την περιοχή. Η υλοποίηση είναι βασισμένη στο γνωστό εργαλείο Silk. Το Silk, εμπλουτισμένο με τις νέες επεκτάσεις που αναπτύξαμε, επιτρέπει στους παρόχους δεδομένων να ανακαλύπτουν μεγάλη ποικιλία χωρικών και χρονικών σχέσεων μεταξύ των δεδομένων τους και άλλων Ανοιχτών Διασυνδεδεμένων Δεδομένων. Επίσης, αξιολογούμε πειραματικά το Silk, χρησιμοποιώντας το σε ένα σενάριο πραγματικού κόσμου, αποδεικνύοντας ότι μπορεί να ανακαλύψει 100% ακριβείς συνδέσμους με ένας χρονικά αποδοτικό και επεκτατό τρόπο.","Link Discovery is a new research area of the Semantic Web which studies the problem of finding semantically related entities lying in different knowledge bases. This area has become more crucial recently, as the volume of the available Linked Data on the web has been increasing considerably. Although many link discovery tools have been developed, most of them do not take into consideration the discovery of spatial and temporal relations, leaving datasets with such characteristics weakly interlinked and therefore not allowing the exploitation of the rich information they provide. In this thesis, we propose new formalisms and accurate methods for Spatial and Temporal Link Discovery and provide the first implementation that covers this area. This implementation is based on the well-adapted framework Silk. Silk, enhanced with the new features, allows data publishers to discover a wide variety of spatial and temporal relations between their data and other Linked Open Data. We also experimentally evaluate Silk by using it in a real-world scenario, and showcase that it can generate 100% accurate links in a time efficient and scalable way."]},{"key":"dc:title","label":"Title","values":["Discovering spatial and temporal links among rdf data"]}]}],"canonical_facts":{"dc:creator":["Σμέρος Παναγιώτης"],"dc:date":["2014"],"dc:description":["Η Ανακάλυψη Συνδέσμων είναι μια νέα ερευνητική περιοχή του Σημασιολογικού Ιστού που μελετά το πρόβλημα της εύρεσης σημασιολογικά συσχετιζόμενων οντοτήτων οι οποίες βρίσκονται σε διαφορετικές βάσεις γνώσης. Η περιοχή αυτή, τελευταία, γίνεται όλο και πιο χρήσιμη, καθώς ο όγκος των διαθέσιμων Διασυνδεδεμένων Δεδομένων στο διαδίκτυο αυξάνεται σημαντικά. Παρά το γεγονός ότι έχουν αναπτυχθεί πολλά εργαλεία για Ανακάλυψη Συνδέσμων, τα περισσότερα από αυτά δεν λαμβάνουν υπ' όψιν την εύρεση χωρικών και χρονικών σχέσεων, αφήνοντας δεδομένα με τέτοιου είδους χαρακτηριστικά ασθενώς συνδεδεμένα και μη επιτρέποντας την εκμετάλλευση της πλούσιας πληροφορίας που παρέχουν. Σε αυτή την εργασία, προτείνουμε νέους φορμαλισμούς και ακριβείς μεθόδους για Χωρική και Χρονική Ανακάλυψη Συνδέσμων και παρέχουμε την πρώτη υλοποίηση που καλύπτει αυτή την περιοχή. Η υλοποίηση είναι βασισμένη στο γνωστό εργαλείο Silk. Το Silk, εμπλουτισμένο με τις νέες επεκτάσεις που αναπτύξαμε, επιτρέπει στους παρόχους δεδομένων να ανακαλύπτουν μεγάλη ποικιλία χωρικών και χρονικών σχέσεων μεταξύ των δεδομένων τους και άλλων Ανοιχτών Διασυνδεδεμένων Δεδομένων. Επίσης, αξιολογούμε πειραματικά το Silk, χρησιμοποιώντας το σε ένα σενάριο πραγματικού κόσμου, αποδεικνύοντας ότι μπορεί να ανακαλύψει 100% ακριβείς συνδέσμους με ένας χρονικά αποδοτικό και επεκτατό τρόπο.","Link Discovery is a new research area of the Semantic Web which studies the problem of finding semantically related entities lying in different knowledge bases. This area has become more crucial recently, as the volume of the available Linked Data on the web has been increasing considerably. Although many link discovery tools have been developed, most of them do not take into consideration the discovery of spatial and temporal relations, leaving datasets with such characteristics weakly interlinked and therefore not allowing the exploitation of the rich information they provide. In this thesis, we propose new formalisms and accurate methods for Spatial and Temporal Link Discovery and provide the first implementation that covers this area. This implementation is based on the well-adapted framework Silk. Silk, enhanced with the new features, allows data publishers to discover a wide variety of spatial and temporal relations between their data and other Linked Open Data. We also experimentally evaluate Silk by using it in a real-world scenario, and showcase that it can generate 100% accurate links in a time efficient and scalable way."],"dc:identifier":["uoadl:1321001","https://pergamos.lib.uoa.gr/uoa/dl/object/1321001"],"dc:language":["English"],"dc:title":["Discovering spatial and temporal links among rdf data"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:35Z"}