Εμπλουτισμός οντολογιών με τεχνικές μηχανικής μάθησης

Ζαφειρούδη, Κυριακή; Zafeiroudi, Kyriaki

dc.contributor.author	Ζαφειρούδη, Κυριακή	el
dc.contributor.author	Zafeiroudi, Kyriaki	en
dc.date.accessioned	2016-07-05T07:38:26Z
dc.date.available	2016-07-05T07:38:26Z
dc.date.issued	2016-07-05
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42969
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12463
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Οντολογίες	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Κανόνες συσχέτισης	el
dc.subject	Σύστημα Weka	el
dc.subject	Ontologies	en
dc.subject	Machine learning	en
dc.subject	Classification	en
dc.subject	Association rules	en
dc.subject	Weka system	en
dc.title	Εμπλουτισμός οντολογιών με τεχνικές μηχανικής μάθησης	el
dc.title	Enriching ontologies using machine learning techniques	en
heal.type	bachelorThesis
heal.classification	ΕΠΙΣΤΗΜΗ ΥΠΟΛΟΓΙΣΤΩΝ/ΠΛΗΡΟΦΟΡΙΚΗ	el
heal.classification	COMPUTER SCIENCE	en
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-06-27
heal.abstract	Καθώς ο Σημασιολογικός Ιστός κατέχει ύψιστη σημασία, δεδομένου ότι παρέχει μια κατανοητή από τις μηχανές προσέγγιση για χειρισμό πληροφοριών, οι Οντολογίες παίζουν το δικό τους ρόλο στην σύνθεση αυτού του νέου ιστού. Σε αντίθεση με τις βάσεις δεδομένων που παράγονται εδώ και πολλά χρόνια, υπάρχουν μόνο λίγες Οντολογίες για διαφόρους σκοπούς και οι μηχανικοί γνώσης δυσκολεύονται να συμβαδίσουν με το ρυθμό των σημερινών αναγκών. Ευτυχώς, στις μέρες μας υπάρχει τεράστια ανάπτυξη στις τεχνικές Μηχανικής Μάθησης (Machine Learning) που επιτρέπουν στις μηχανές να διαχειρίζονται πληροφορίες και να παράγουν συσχετίσεις για την ευκολότερη κατανόηση και επεξεργασία των δεδομένων. Στην παρούσα διπλωματική, ένα νέο μοντέλο προτείνεται για τον εμπλουτισμό υπαρχουσών Οντολογιών με την χρήση τεχνικών Μηχανικής Μάθησης. Πιο συγκεκριμένα, χρησιμοποιούνται τεχνικές ταξινόμησης (classification) και παραγωγής κανόνων συσχέτισης (association rules). Μια Οντολογία εμπλουτίζεται μέσω μοντέλων Μηχανικής Μάθησης τα οποία είχαν προηγουμένως εκπαιδευτεί με τη χρήση άλλων διαφορετικών Οντολογιών. Επιπλέον, παράγονται κανόνες συσχέτισης ανάλογα με τις έννοιες (concepts) και τις ιδιότητες (properties) που συνθέτουν τη δοσμένη Οντολογία, οι οποίοι εισάγονται στη συνέχεια στην αρχική Οντολογία με τη μορφή αξιωμάτων. Οι διαδικασίες της ταξινόμησης και της εκμάθησης κανόνων συσχέτισης διευκολύνεται από την χρήση του συστήματος Weka που παρέχει μια ποικιλία από υλοποιήσεις αλγορίθμων μηχανικής μάθησης. Για την επίτευξη του εμπλουτισμού της Οντολογίας γράφτηκε ένα πρόγραμμα σε Java και εκτελέστηκαν αρκετά υποσχόμενα πειράματα. Στις περισσότερες των περιπτώσεων ο εμπλουτισμός της Οντολογίας ήταν επιτυχής, καθώς νέοι ισχυρισμοί εννοιών και ρόλων προστέθηκαν στην Οντολογία μετά την εφαρμογή ταξινόμησης, βασισμένης σε άλλη δοσμένη οντολογία, καθώς και επιπρόσθετοι κανόνες συσχέτισης παράχθηκαν που προμήθευσαν την Οντολογία με νέα αξιώματα.	el
heal.abstract	On the grounds that the Semantic Web is of utmost, since it provides a machine-understandable approach for information handling, Ontologies play their part in composing this new web. In contrast with databases that have been produced throughout many years, there are only a few Ontologies for each purpose, and Knowledge Engineers find it hard to keep up with the pace of today’s needs. Luckily, nowadays there is also a huge development of Machine Learning techniques that enable machines to process information and produce associations to comprehend and edit data more easily. In the presented thesis, a new model is proposed to enrich existing Ontologies by the use of Machine Learning techniques. More accurately, classification and association rule techniques are utilized. An Ontology is enriched by Machine Learning models that were previously trained with the use of some other acquired Ontologies. Moreover, association rules are produced depending on the concepts and the properties of the given Ontology that are later added to the Ontology in forms of axioms. The procedures of classification and association rule learning are facilitated by the Weka system that implements a variety of Machine Learning algorithms. A Java program was written to carry out the enrichment of the Ontology and various promising experiments were conducted. In most cases the enrichment of the Ontology was successful, as new class and object property assertions were added to the Ontology after applying classification based on another given ontology and additional association rules were produced that provided new axioms to the Ontology.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών.	el
heal.academicPublisherID	ntua
heal.numberOfPages	68 σ.	el
heal.fullTextAvailability	true