Uczenie ontologii z tekstu

• Autorzy: Marek Wiśniewski

Warianty tytułu

Ontology leraning from text

• Języki publikacji: PL

Abstrakty

Klasyczne podejście do tworzenia ontologii polegało na tym, że ekspert (osoba posiadająca odpowiednią wiedzę z analizowanej dziedziny) bądź grupa ekspertów dokonywali analizy dziedziny, którą ontologia miała reprezentować, a następnie według wybranego sposobu konstruowały ją ręcznie. Proces konstrukcji ontologii nie jest trywialny, głównie poprzez samą definicję ontologii, która wymusza zgodę co do podstawowych pojęć i mechanizmów przedstawianej dziedziny. Osiągnięcie takiego konsensusu, również w grupie eksperckiej często nie jest możliwe. Przykładem legendarnym jest tu CYC , w którym konstrukcja bazy wiedzy trwała latami i ciągle jest precyzowana. Prawdziwym wyzwaniem jest jednak zarządzanie samą ontologią. Jeśli bowiem ontologia przedstawia daną dziedzinę, to już chwilę po jej skonstruowaniu może być nieaktualna. Tak samo jak wiedza nie jest stała, tak i ontologia, która ma ją reprezentować, stała być nie może. Już praca eksperta przy jej tworzeniu jest niezwykle kosztowna, a powielanie tych kosztów przy stałej jej modyfikacji jest niepraktyczne. (fragment tekstu)

EN

The paper describes the current challenges in the area of ontology learning from text. It follows the cycle of ontology learning and in the respective layers of the process it discusses the current approaches and investigates the possible extensions and challenges. Special attention is paid to the extensions with respect to Polish language which lexical and morphological structures are exceptionally complex. Finally, the possible areas of research are identified with the most prominent challenges highlighted. (original abstract)

Słowa kluczowe

PL

Ontologia; Proces uczenia się

EN

Ontology; Learning process

• Czasopismo: Roczniki Kolegium Analiz Ekonomicznych / Szkoła Główna Handlowa
• Rocznik: 2006
• Numer: nr 16 Współczesne trendy w informatyce ekonomicznej
• Strony: 311--323

Twórcy

autor

Marek Wiśniewski

Bibliografia

• Caraballo S.A., Automatic construction of a hypernym-labeled noun hierarchy from text, 37th Annual Meeting of the Association for Computational Linguistics, 1999.
• Cederberg S., Widdows D" Using LSA and Noun Coordination Information to Improve the Precision and Recall of Automatic Hyponymy Extraction, w: Proceedings of the Conference on Natural Language Learning (CoNNL), 2002.
• Charniak E., Berland M., Finding parts in very large corpora, w: Proceedings of the 37th Annual Meeting of the ACL, 1999.
• Cimiano P., Ontology Learning from Text, University of Karlsruhe, Karlsruhe 2006.
• Cimiano P., Schmidt-Thieme L., Pivk A., Staab S., Learning Taxonomic Relations from Heterogeneous Evidence, w: Ontology Learning from Text: Methods, Applications and Evaluation, IOS Press 2005.
• Cimiano P., Staab S., Learning Concept Hierarchies from Text with a Guided Agglomerative Clustering Algorithm, ICML 2005 Workshop on Learning and Extending Lexical Ontologies with Machine Learning Methods, 2005.
• Cimiano P., Wenderoth J., Automatically Learning Qualia Structures from the Web, w: Pro-ceedings of the ACL Workshop on Deep Lexical Acquisition, 2005.
• Fellbaum C., WordNet: An Electronic Lexical Database, MIT Press, 1998.
• Fotzo H.N., Gallinari P., Learning Generalization/Specialization Relations between Concepts - Ap-plication for Automatically Building Thematic Document Hierarchies, RIAO, 2004.
• Ganter B., Wille R., Formal Concept Analysis - Mathematical Foundations, Springer Verlag 1999.
• Girju R., Moldovan D., Text Mining for Causal Relations, w: Proceedings of the FLAIRS Con-ference, 2002.
• Grefenstette G" Cross-language information retrieval, Kluwer Academic Publishers, Boston, MA 1998.
• Haase P., Völker J., Ontology Learning and Reasoning - Dealing with Uncertainty and Inconsistency, w: Proceedings of the Workshop on Uncertainty Reasoning for the Semantic Web (URSW), 2005.
• Hearst M.A., Automatic Acquisition ofHyponymsfrom Large Text Corpora, 14th International Conference on Computational Linguistics, 1992.
• Lenat D.B., CYC: A Large-Scale Investment in Knowledge Infrastructure, "Communications of ACM" 1995, Vol. 38, No 11.
• Lin D., Pantel P., DIRT - Discovery of Inference Rules from Text, w: Proceedings of ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2001.
• Maedche A., Ontology learning for the Semantic, Web Kluwer Academic Publishers, Boston 2002.
• Manning C., Schütze H. Foundations of Statistical Natural Language Processing, MIT Press, Cambridge, MA 1999.
• Poesio M., Almuhareb A., Identifying Concept Attributes Using A Classifier, w: Proceedings of the ACL Workshop on Deep Lexical Acquisition, 2005.
• Sanderson M., Croft B" Deriving Concept Hierarchies From Text, SIGIR '99,1999.
• Sowa J.F., Knowledge representation: logical, philosophical, and computational foundations, Brooks/Cole, Pacific Grove 2000.
• Xu F., Kurz D., Piskorski J., Schmeier S., A Domain Adaptive Approach to Automatic Acquisition of Domain Relevant Terms and their Relations with Bootstrapping, w: Proceedings of the 3rd International Conference on Language Resources an Evaluation (LREC'02), 2002.
• Yamada I., Baldwin T" Automatic Discovery of Telic and Agentive Roles from Corpus Data, w: Proceedings of The 18th Pacific Asia Conference on Language, Information and Computation (PACLIC 18), 2004.