Μάθηση οντολογιών από συλλογές κειμένων και αξιολόγηση
Περίληψη
Στα πλαίσια της παρούσης αναφοράς περιγράφεται η έρευνα που διεξήχθει στον τομέα της Μηχανικής Μάθησης Οντολογιών από συλλογές κειμένων χωρίς τη βοήθεια προγενέστερης γνώσης ή άλλων εξωτερικών πηγών γνώσης. Η έρευνα εστιάζει στην αυτόματη κατασκευή ιεραρχιών υπαγωγής μεταξύ εννοιών από κείμενα με χρήση μεθόδων μηχανικής μάθησης. Σε αυτή τη διατριβή προτείνονται μέθοδοι για την αναγνώριση εννοιών σε μεγάλες συλλογές κειμένων και την αυτόματη τοποθέτησή τους σε ιεραρχικές δομές. Σχετικά με τις προτεινόμενες μεθόδους, εστιάζουμε στην αυτόματη σύγκλιση γύρω από το κατάλληλο μέγεθος της ιεραρχίας, χωρίς τη βοήθεια του χρήστη μέσω παραμέτρων. Αξιολογούμε τις μεθόδους μάθησης οντολογιών μέσω της μεθόδου που προτείνεται, η οποία αξιολογεί τις παραγόμενες οντολογίες χωρίς να περιορίζεται στις ομοιότητές τους με την πρότυπη οντολογία στο λεξικολογικό επίπεδο. Τέλος, προτείνεται ένα σύνολο από μέτρα αξιολόγισης, που μέσω της προτεινόμενης μεθόδου αξιολόγισης, αποτιμούν την οντολογία συνολικά, εξε ...
περισσότερα
Περίληψη σε άλλη γλώσσα
The work herein reports on research conducted in the domain of Ontology Learning from text collections, without background or prior knowledge. The research focuses on the automated construction of a subsumption hierarchy from text corpora, using machine learning methods. Within this work, we define methods to identify concepts in large document collections and arrange them in a subsumption hierarchy. We focus on Bayesian methods and we focus on the non-parametric nature of these methods, in the sense of automatically determining the size and structure of the learned hierarchy. An evaluation method is also proposed that supports the automated evaluation of ontology learning by means of comparing learned ontologies with gold standard ones. We evaluate the task of ontology learning, using the proposed gold standard evaluation method that goes beyond lexical similarity between ontology elements. Finally, we define a set of evaluation measures that penalize the learned ontology according to ...
περισσότερα
Κατεβάστε τη διατριβή σε μορφή PDF (2.77 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.