Ontologie-Extraktion aus Texten
|
|
- Viktoria Neumann
- vor 7 Jahren
- Abrufe
Transkript
1 Ontologie-Extraktion aus Texten PTI911 - Wissensmanagement erstellt und vorgetragen von: Christian Kretzschmar
2 Agenda Einführung Was ist Ontologie? Ziele & Anwendungsgebiete Ontologie-Extraktion Konzepte identifizieren Relationen finden Beispielsysteme und Algorithmen OntoLT Text2Onto SSI-Algorithmus 9. Januar 2013 Agenda 2/23
3 Einführung - Was ist Ontologie? [Ahr09, Ste10] An ontology is explicit specification of a conceptualization (Gruber 1993) Formalisierung eines vereinfachten Weltausschnitts Klassen (= Gruppe von Instanzen mit gleichen Attributen) Klassen stehen in Relation Ober- und Unterklassen Netzwerk von Informationen mit logischen Relationen 9. Januar 2013 Einführung > Was ist Ontologie? 3/23
4 Einführung - Ziele & Anwendungsgebiete [Ahr09, Ste10] Ziele: Wissensstrukturierung und -verarbeitung Problembereich verstehen Repräsentation von Wissen Wiederverwendung von Wissen Kommunikation Anwendung: Informatikdisziplinen der Wissensverarbeitung und des Wissensmanagement domänenspezifisch (z.b. Medizin) Semantic Web Text Mining 9. Januar 2013 Einführung > Ziele & Anwendung 4/23
5 Einführung - Darstellungsformen [Stu12] Kap. 2 semantische Netze Graphen, genauer: DAGs Beschreibung der Objekte durch Relationen formale Logik Formalisierung von semantischen Netzen Ableitung von implizitem Wissen aus Ontologien z.b.: Prädikatenlogik 9. Januar 2013 Einführung > Darstellungsformen 5/23
6 Ontologie-Extraktion - Erstellen von Ontologien aus Texten [Büt06, Lei06] manuell Domänenexperten und Informatiker iterativer Prozess Interpretation der Texte Konstruktion der Klassen, Instanzen und Relationen Langwierig und kostspielig unwirtschaftlich Toolunterstützung notwendig (z.b. Protégé) voll- bzw. halb-automatisch Hintergrundwissen zum Text notwendig (Ontologie) menschliche Komponenten notwendig verschiedene Werkzeuge OntoLT Text2Onto OntoLearn 9. Januar 2013 Ontologie-Extraktion > Ontologieerstellung 6/23
7 Ontologie-Extraktion - Konzepte identifizieren [Büt06, Lei06] Identifizierung durch: Bewertung des Informationsgehaltes (Shannon) oder Häufigkeiten bzw. Frequenzen des Auftretens von Wörtern (auch Wortgruppen) Auftrittshäufigkeit nicht aussagekräftig genug Gewichtung Term Frequency Inverse Document Frequency (TF-IDF) Schwellwertvergleich Unterstützung durch Domänenwissen Endungen (z.b. Medizin -itis, Meningitis, Appendizitis) eliminieren zu allgemeiner Begriffe 9. Januar 2013 Extraktion > Konzepte identifizieren 7/23
8 Ontologie-Extraktion - Relationen finden [Lei06] symbolisch Unterklassenbeziehungen und Instanziierungen reguläre Ausdrücke Teilphrasen statistisch Worthäufigkeitsanalyse Co-occurrence-Analyse Ähnlichkeitsmetriken Clustering hybride Modelle 9. Januar 2013 Extraktion > Relationen finden 8/23
9 Ontologie-Extraktion - Relationen finden - symbolischer Ansatz I [Büt06] definierende Sprachmuster: Appositionen ( Der NP Type NP Token... ) Beispiel: Der Parteivorsitzende Sigmar Gabriel sagte... Copula (... NP Token ist (ein) NP Type ) Beispiel: Sigmar Gabriel ist Parteivorsitzender. Benennungen (... NP Type genannt/namens NP Token... ) Beispiel: Ein Abgeordneter namens Sigmar Gabriel sagte Januar 2013 Extraktion > Relationen finden (symbolisch) 9/23
10 Ontologie-Extraktion - Relationen finden - symbolischer Ansatz II [Büt06] exemplifizierende Sprachmuster:... NP 1, (NP i )* und andere NP Type... Beispiel: Sigmar Gabriel, Horst, Seehofer und andere Politiker NP Type wie NP Token... Beispiel: Abgeordnete, wie Sigmar Gabriel... Unter den NP Type Verb NP Token... Beispiel: Unter den Abgeordneten sprach Sigmar Gabriel als NP Type außer/ausgenommen/bis auf NP Token... Beispiel: Die Abgeordneten, ausgenommen Sigmar Gabriel Januar 2013 Extraktion > Relationen finden (symbolisch) 10/23
11 Ontologie-Extraktion - Relationen finden - symbolischer Ansatz III [Büt06] Teilphrase Subklassen- bzw. Instanzenbildung mittels geschachtelten Nominalphrasen Beispiel: Feldsalat ist eine Instanz von Salat kein Kontextwissen des Satzes notwendig gute Resultate in Domänen mit langen Nominalphrasen aber nicht immer korrekt Beispiel: Schneemann als Subklasse der Klasse Mann? 9. Januar 2013 Extraktion > Relationen finden (symbolisch) 11/23
12 Ontologie-Extraktion - Relationen finden - statistischer Ansatz - Clustering Clustering Gruppierung auf Basis der Bewertung von Ähnlichkeit bzw. Unterschied Grundlage: Vorkommen und Häufigkeit von Wörtern Top-Down-Clustering Beginn: ein Cluster Rekursive Aufteilung in mehrere Cluster Blätter entsprechen einzelnen Konzepten Bottom-Up-Clustering Beginn: pro Konzept ein Cluster schrittweise Zusammenfassung der Konzepte 9. Januar 2013 Extraktion > Relationen finden (statistisch) 12/23
13 Ontologie-Extraktion - Relationen finden - statistischer Ansatz - Clustering [SZFa08] Clustering-Algorithmen Fuzzy-Clustering Nearest-Neighbor-Clustering Artifical Neural Networks for Clustering Statistical Clustering Hierarchical Clustering Distance-based-Clustering Conceptual-based-Clustering 9. Januar 2013 Extraktion > Relationen finden (statistisch) 13/23
14 Ontologie-Extraktion - Relationen finden - statistischer Ansatz Clustering [SZFa08] Distance-based-Clustering Agglomerative Clustering bottom-up paarweiser Vergleich von Ähnlichkeiten Partitional Clustering Top-down Conzeptual-Based-Clustering Elemente als Attribut-Wert-Paare betrachtet Beispiel: Säugetier (Körperoberfläche, Herzkammern, Körpertemperatur) = (behaart, vier, reguliert) konkrete Algorithmen abhängig von Bewertungsfunktionen und Selektion 9. Januar 2013 Extraktion > Relationen finden (statistisch) 14/23
15 Beispielsysteme - OntoLT Überblick [Eng12] Protégé-Plugin Eingangsparameter: Textkorpus mit XML-Annotationen Ableitung der Informationen durch Mapping-Rules regelbasierter Ansatz mit statistischem Anteil Exkurs: Protégé: Ontologieeditor sprach- und plattformunabhängig anpassbar durch Erweiterungen und Plugins Protégé-Frames (Classes, Instances, Slots) Protégé-OWL 9. Januar 2013 Beispielsysteme > OntoLT 15/23
16 Beispielsysteme - OntoLT - Funktionsweise [Eng12] S Januar 2013 Beispielsysteme > OntoLT 16/23
17 Beispielsysteme - Text2Onto Überblick [Eng12] Verarbeitung von: Text, HTML, XML und PDF hybrides Extraktionsmodell Zentrale Komponenten POM (Probalistic Ontology Model) NLP (Natural Language Processing) unterschiedliche Algorithmen statistische Messungen (z.b.: TF-IDF) Relations-Algorithmen (Verarbeitung regulärer Ausdrücke) Externe Systeme GATE (General Architecture for Text Engineering) WordNet 9. Januar 2013 Beispielsysteme > Text2Onto 17/23
18 Beispielsysteme - Text2Onto - Komponenten [Eng12] S Januar 2013 Beispielsysteme > Text2Onto 18/23
19 Algorithmen - SSI-Algorithmus - Überblick [NaVe04] Einsatz innerhalb von OntoLearn arbeitet wissensbasiert Grundlage: WordNet- Datenbank Relationen zwischen Worten kontextfreie Grammatik Darstellung als Graph 9. Januar 2013 Algorithmen > SSI-Algorithmus 19/23
20 Algorithmen - SSI-Algorithmus - prinzipieller Ablauf [NaVe04] Initialisierung drei Mengen: T Begriffe I Bedeutung (Semantik) der Begriffe P ausstehende Begriffe I wird zu Beginn mit eindeutigen Begriffen aus T gefüllt Iterativer Ablauf Je Schritt wird ein Begriff aus der Menge P verarbeitet Resultat ist eine aktualisierte Menge I Ende, sobald keine Bedeutungen für Elemente aus P gefunden werden können 9. Januar 2013 Algorithmen > SSI-Algorithmus 20/23
21 Quellen [Ahr09] Ahrens, Mareike: Semi-automatische Generierung einer OWL-Ontologie aus domänenspezifischen Texten am Beispiel von HUMINT-Meldungen. Online im Internet. (Stand: ) [Büt06] Büttner, Michael: Ontology Learning. Online im Internet. learning%20v10.pdf (Stand: ) [Eng12] Engsterhold, Robert: (Semi-) Automatische Ontologieerstellung - Werkzeuge und Algorithmen. Online im Internet. (Stand: ) [Lei06] Leitner, Johannes: Extraktion von Ontologien aus natürlichsprachlichen Texten. Online im Internet. (Stand: ) 9. Januar 2013 Quellen 21/23
22 Quellen [NaVe04] Navigli, Roberto; Velardi, Paola: Structural Semantic Interconnection: a knowledge-based approach to Word Sense Disambiguation. Online im Internet. (Stand: ) [SZFa08] Schickel-Zuber, Vincent; Faltings, Boi: Using Hierarchical Clustering for Learning the Ontologies used in Recommendation Systems. Online im Internet. (Stand: ) [Ste10] Steiling, Thorsten Dipl.-Ing.: Ontologieextraktion aus natürlichsprachigen Texten. Online im Internet. ng_iwi_kolloquium_ontologieextraktion_ _pub.pdf (Stand: ) [Stu11] Stuckenschmidt, Heiner: Ontologien - Konzepte, Technologien und Anwendungen. Springer Verlag Berlin, 2. Auflage, Heidelberg, Januar 2013 Quellen 22/23
23 Danke für Ihre Aufmerksamkeit. 9. Januar /23
Ontology Learning. Michael Büttner. 25. Juli 2006
25. Juli 2006 Inhalt Was ist? Der Ablauf beim Lernen von Ontologien Ansatz von Jannik und Wiederhold Ansatz von Rigau RDR Knowledge Base Ansatz von Suryanto and Compton Was ist? Was ist? Der Ablauf beim
MehrWissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 12. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Übersicht Rückblick, Zusammenhänge Mysterien 2 Inhalte im abstrakten Überblick Künstliche
MehrGliederung. 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen
Gliederung Gliederung 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen Marcus Lechner - Institut für Informatik Seite 1 Kurzeinstieg 1. Kurzeinstieg
MehrSemi-automatische Ontologieerstellung mittels TextToOnto
Semi-automatische Ontologieerstellung mittels TextToOnto Mark Hall SE Computational Linguistics 14. Juni 2004 Zusammenfassung Das Erstellen von Ontologien ist ein komplexer und langwieriger Prozess. Um
MehrOntologien und Ontologiesprachen
Ontologien und Ontologiesprachen Semantische Datenintegration SoSe2005 Uni Bremen Yu Zhao Gliederung 1. Was ist Ontologie 2. Anwendungsgebiete 3. Ontologiesprachen 4. Entwicklung von Ontologien 5. Zusammenfassung
MehrSemantic Web. Ekaterina Timofeeva & Johannes Knopp Vorlesung Information Retrieval Dr. Karin Haenelt Universität Heidelberg WS2006/07
Semantic Web Ekaterina Timofeeva & Johannes Knopp 29.01.2007 Vorlesung Information Retrieval Dr. Karin Haenelt Universität Heidelberg WS2006/07 Semantic Web - Übersicht Was ist Semantic Web? Idee Wie funktioniert
MehrOntoWiki - Chancen des Semantik-Web Am Beispiel der Strukturierung und Annotierung von Lernmaterialien
OntoWiki - Chancen des Semantik-Web Am Beispiel der Strukturierung und Annotierung von Lernmaterialien Thomas Riechert Arbeitsgruppe Agile Knowledge Engineering and Semantic Web - Lehrstuhl Betriebliche
MehrBachelorarbeit: Wissensbasierte Identifikation von Wertebereichen einer aktiven Ontologie
Bachelorarbeit: Wissensbasierte Identifikation von Wertebereichen einer aktiven Ontologie Yauhen Makhotsin, betreut von Martin Blersch IPD Tichy, Fakultät für Informatik 1 29.09.2017 KIT - Wissensbasierte
MehrBio-Ontologien: Darstellung in GO und OWL
Bio-Ontologien: Darstellung in GO und OWL 1. Kurzeinstieg Ontologien: genau Begriffsdefinition ist schwierig Wissensrepräsentation eines formal definierten Systems von Begriffen und Relationen stellt Sein-Zusammenhänge
MehrAutomatische Rekonstruktion und Spezifizierung von Attributnamen in Webtabellen
Automatische Rekonstruktion und Spezifizierung von Attributnamen in Webtabellen Mark Reinke Bachelorarbeit TU Dresden 17. Februar 2014 Webtabellen Warum sind Webtabellen von Bedeutung? Sie können relationale
MehrDarstellung von Ontologien im Semantic Web - RDFS-
Darstellung von Ontologien im Semantic Web - RDFS- Cristina Vertan Inhalt Was kann man mit RDF nicht ausdrücken? Was sind Ontologien? Wie entwirft man eine Ontologie? Wie beschreibt man eine Ontologie
MehrSpeech Recognition Grammar Compilation in Grammatikal Framework. von Michael Heber
Speech Recognition Grammar Compilation in Grammatikal Framework von Michael Heber Agenda 1. Einführung 2. Grammatical Framework (GF) 3. Kontextfreie Grammatiken und Finite-State Modelle 4. Quellen 2 1.
MehrKompendium semantische Netze
Klaus Reichenberger Kompendium semantische Netze Konzepte, Technologie, Modellierung Inhaltsverzeichnis 1 Warum dieses Buch? 1 1.1 Was erwartet Sie in diesem Buch? I 2 Grundlagen semantischer Netze 3 2.1
MehrOntologies are us: A unified model of social networks and sema
Ontologies are us: A unified model of social networks and semantics 30. Juni 2009 Inhaltsverzeichnis 1 Einführung Begriffsklärung 2 Folksonomien Anreicherung von Ontologien 3 Ontology emergence in del.icio.us
MehrInterdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko
Interdisziplinäre fachdidaktische Übung: Sprache und Modelle SS 2015: Grossmann, Jenko Einleitung Was ist ein Modell? Sprachlich orientierte Modelle Beispiele Wie entstehen Modelle? Zusammenhang Modell
MehrInteroperabilität heterogener Informationsquellen im Gesundheitswesen auf Grundlage von Standards für die medizinische Kommunikation und Dokumentation
Interoperabilität heterogener Informationsquellen im Gesundheitswesen auf Grundlage von Standards für die medizinische Kommunikation und Dokumentation Disputation 3..2005 Herausforderung Ich habe Probleme
MehrNeuronalen Netzen. Jens Lehmann. 1. März Institut für Künstliche Intelligenz Fakultät Informatik Technische Universität Dresden
Institut für Künstliche Intelligenz Fakultät Informatik Technische Universität Dresden 1. März 2005 Neurosymbolische Integration versucht künstliche neuronale Netze und Logikprogrammierung zu vereinen
MehrData Modelling versus Ontology Engineering
Data Modelling versus Ontology Engineering Ketevan Karbelashvili Seminar: Web Services and Semantic Web Inhalt Was ist Ontologie Datenmodelle vs. Ontologien Ontologie Engineering Ansatz - DOGMA Was ist
MehrOntologieextraktion aus natürlichsprachigen Textquellen
Dipl.-Ing. Thorsten Steiling steiling@iwi.uni-hannover.de Gäste-, Doktoranden- und Diplomandenkolloquium 06.05.2010 Agenda Einleitung Status Warm Up Expertensysteme ITIL-Wissensdomäne Ontologieextraktion
MehrOntologie-Management Kapitel 1: Einführung
Ontologie-Management Kapitel 1: Einführung Dr. Michael Hartung Wintersemester 2012/13 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de Inhalt Begriffsdefinition(en) Klassifikation
MehrKontextfreie Grammatiken
Kontextfreie Grammatiken Vorlesung Computerlinguistische Techniken Alexander Koller 16. Oktober 2015 Übersicht Worum geht es in dieser Vorlesung? Übungen und Abschlussprojekt Kontextfreie Grammatiken Computerlinguistische
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
MehrProjektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich
MehrVerbesserte Nutzbarkeit heterogener und verteilter Geodaten durch Semantische Interoperabilität
Verbesserte Nutzbarkeit heterogener und verteilter Geodaten durch Semantische Interoperabilität Eva Klien 7. Seminar GIS & Internet 15. bis 17. September 2004 UniBwMünchen Überblick Semantische Heterogenitätsprobleme
MehrAlgorithmen und Datenstrukturen I - Exkurs Formale Sprachen -
Algorithmen und Datenstrukturen I - Exkurs Formale Sprachen - Thies Pfeiffer Technische Fakultät tpfeiffe@techfak.uni-bielefeld.de Vorlesung, Universität Bielefeld, Winter 2012/2013 1 / 1 Exkurs: Formale
Mehr(Bamberg)
Konzeption eines Frameworks für die Evaluation von Tag-Suggestion-Algorithmen Martin Garbe Steffen Oldenburg Lukas Zielinski Prof. Dr. Clemens Cap (Universität Rostock) 08.05.2008 (Bamberg) Übersicht Tags
Mehreine (sehr) kurze Einführung in formale Ontologien
kurzer historischer Überblick eine (sehr) kurze Einführung in Denis Brumann 5. April 2008 eine (sehr) kurze Einführung in kurzer historischer Überblick Ontologien in
MehrOntologie-Management
Ontologie-Management Problemseminar WS 2008/09 http://dbs.uni-leipzig.de 1 Ontologiebegriff Philosophie Informatik Die Ontologie ist eine philosophische An Disziplin, ontology die is sich an (primär) explicit,
MehrSemantic-Web-Sprachen XML, RDF (und RDFS), OWL
Semantic-Web-Sprachen XML, RDF (und RDFS), OWL PTI 991 Wissensmanagementsystemen Dozent: Prof. Sybilla Schwarz 1 Agenda Problem Semantisches Web Semantische Sprache XML RDF RDFS OWL Zusammenfassung 2 Problem
MehrSemantische Netze Psychologische Plausibilität
Conceptual Graphs Knoten repräsentieren Konzepte oder konzeptuelle Relationen; Kanten haben keine Labels n-stellige konzeptuelle Relation repräsentiert als Knoten mit n Kanten Mächtigkeit der PL1; aber
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
MehrLexikalisch-semantische Disambiguierung mit WordNet
Lexikalische Semantik Lexikalisch-semantische Disambiguierung mit WordNet Conrad Steffens Paper: Rada Mihalcea & Dan I. Moldovan: A Method for Word Sense Disambiguation of Unrestricted Text Lexikalisch-semantische
MehrAlgorithmen und Datenstrukturen I - Exkurs Formale Sprachen -
Algorithmen und Datenstrukturen I - - Thies Pfeiffer Technische Fakultät tpfeiffe@techfak.uni-bielefeld.de Vorlesung, Universität Bielefeld, Winter 2012/2013 1 / 22 Exkurs: Formale Sprachen Im Kapitel
MehrEinsatz von Semantic Web Technologien in der Industrie 4.0
Einsatz von Semantic Web Technologien in der Industrie 4.0 Iman Ayatollahi IFT Univ.Prof. Dipl.-Ing. Dr.techn. Friedrich Bleicher Wien, der 11.05.2016 Überblick 1 Was ist Industrie 4.0 und was nicht? 2
MehrDennis Juchem, Andreas Grebe, Carsten Vogt Fachhochschule Köln, Institut für Nachrichtentechnik
Dennis Juchem, Andreas Grebe, Carsten Vogt Fachhochschule Köln, Institut für Nachrichtentechnik Inhalt 1) Einführung 2) Prozess zur Evaluierung von Beschreibungssprachen 3) 4) Systemarchitektur 5) Ausblick
Mehr1/19. Kern-Methoden zur Extraktion von Informationen. Sebastian Marius Kirsch Back Close
1/19 Kern-Methoden zur Extraktion von Informationen Sebastian Marius Kirsch skirsch@moebius.inka.de 2/19 Gliederung 1. Verfahren zur Extraktion von Informationen 2. Extraktion von Beziehungen 3. Maschinelles
MehrSemantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph!
Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph! www.semantic-web-grundlagen.de Ontology Engineering! Dr. Sebastian Rudolph! Semantic Web Architecture
MehrClustering 2010/06/11 Sebastian Koch 1
Clustering 2010/06/11 1 Motivation Quelle: http://www.ha-w.de/media/schulung01.jpg 2010/06/11 2 Was ist Clustering Idee: Gruppierung von Objekten so, dass: Innerhalb einer Gruppe sollen die Objekte möglichst
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrNamed Entity Recognition, Extraction, und Linking in deutschen Rechtstexten
Named Entity Recognition, Extraction, und Linking in deutschen Rechtstexten Ingo Glaser, 21.09.2018, EDV-Gerichtstag Chair of Software Engineering for Business Information Systems (sebis) Faculty of Informatics
MehrINFORMATIONSEXTRAKTION IN SUCHMASCHINEN
INFORMATIONSEXTRAKTION IN SUCHMASCHINEN S E M I N A R S U C H M A S C H I N E N S O M M E R S E M ESTER 2014 S T E FA N L A N G E R, C I S, U N I V E R S I TÄT M Ü N C H E N Schematische Architektur einer
MehrCaliph & Emir. Retrieval und Annotation von digitalen Photos mit MPEG-7. Mathias Lux
Caliph & Emir Retrieval und Annotation von digitalen Photos mit MPEG-7 Mathias Lux mlux@know-center.at - gefördert durch das Kompetenzzentrenprogramm Overview Einleitung Geschichtliches Annotation mit
MehrText Mining und Textzusammenfassung. Jürgen Kirkovits Doris Rongitsch Daniela Wagenhofer
Text Mining und Textzusammenfassung Jürgen Kirkovits Doris Rongitsch Daniela Wagenhofer Übersicht 1. Definition 2. Prozessablauf 3. Textzusammenfassung 4. Praxisbeispiel Definition Text Mining is the art
MehrSudoku. Warum 6? Warum 6?
. / Sudoku Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem x Kästchen alle Zahlen von bis stehen.. / Warum?. / Warum?. / Geschichte der Logik Syllogismen (I) Beginn
MehrSemantische Netze zur Erfassung und Verarbeitung von. Informationen und Wissen in der Produktentwicklung
Universität des Saarlandes Schriftenreihe Produktionstechnik Herausgeber: D. Bahre und H. Bley Band 49 Ж Jan Conrad Semantische Netze zur Erfassung und Verarbeitung von Informationen und Wissen in der
MehrSemantische Reputationsinteroperabilität
Semantische sinteroperabilität Adrian Paschke (CSW) und Rehab Alnemr (HPI) Corporate Semantic Web Workshop, Xinnovations 2010, 14. September 2010, Berlin Agenda Motivation Unternehmensreputation Probleme
MehrExtraktion der Tabellen aus XML-Dokumenten und Erkennung deren Semantik. Exposé zur Bachelorarbeit
Extraktion der Tabellen aus XML-Dokumenten und Erkennung deren Semantik Exposé zur Bachelorarbeit eingereicht von Irina Glushanok 23.04.2015 1 Einführung Um eine bequeme Suche nach passender Literatur
MehrOntologiesprachen. 1.Was ist eine Ontologie 2.Aufbau einer Ontologie 3.RDF 4.RDFSchema 5.DAML+OIL / OWL 6.Frame-Logic
Ontologiesprachen 1.Was ist eine Ontologie 2.Aufbau einer Ontologie 3.RDF 4.RDFSchema 5.DAML+OIL / OWL 6.Frame-Logic 1.Was ist eine Ontologie Der Begriff leitet sich vom griechischen onta (das Seiende)
MehrBenutzungsintuition und Transparenz im Semantic Web. Proseminar WiSe 03 /04 Cristina Vertan
Benutzungsintuition und Transparenz im Semantic Web Proseminar WiSe 03 /04 Cristina Vertan Das Semantic Web Konzept Literatur über Semantic Web Termine und Themenliste Organisatorisches 2 Das Semantic
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrÜbersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
MehrCOPE COuPled Evolution of metamodels and models
COPE COuPled Evolution of metamodels and models Diplomarbeit in Zusammenarbeit mit der BMW Car IT (Betreuer: Elmar Jürgens, Sebastian Benz) Markus Herrmannsdörfer 7. November 2007 Perlen der Informatik
MehrSemantic Web für Menschen wie du und ich
Semantic Web für Menschen wie du und ich benutzerfreundliche Anwendung semantischer Technologien Tobias Kuhn Institut für Informatik Universität Zürich 16. KnowTalk 1. Februar 2011 KnowGravity Inc., Zürich
Mehrxii Inhaltsverzeichnis Generalisierung Typisierte Merkmalsstrukturen Literaturhinweis
Inhaltsverzeichnis 1 Computerlinguistik Was ist das? 1 1.1 Aspekte der Computerlinguistik.................. 1 1.1.1 Computerlinguistik: Die Wissenschaft........... 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen.....
MehrForm und Darstellung von Informationen
Form und Darstellung von Informationen 1. Computermetaphern 2. Beschreibungssprachen für Texte 3. Grammatiken zur Beschreibung syntaktischer Strukturen 4. Beispiel einer Textbeschreibungssprache: HTML
MehrDATAFUSION IM MILCHVIEHSTALL
Forschen und Prüfen für die Landwirtschaft Josephinum Research DATAFUSION IM MILCHVIEHSTALL Smart Farming und Nachhaltigkeit: Chancen und Herausforderungen 4. Agroscope-Nachhaltigkeitstagung Franz Handler,
MehrAdventure-Problem. Vorlesung Automaten und Formale Sprachen Sommersemester Adventure-Problem
-Problem Vorlesung Automaten und Formale Sprachen Sommersemester 2018 Prof. Barbara König Übungsleitung: Christina Mika-Michalski Zum Aufwärmen: wir betrachten das sogenannte -Problem, bei dem ein Abenteurer/eine
MehrHauptseminar KDD SS 2002
Hauptseminar KDD SS 2002 Prof. Dr. Hans-Peter Kriegel Eshref Januzaj Karin Kailing Peer Kröger Matthias Schubert Session: Clustering HS KDD, Ludwig-Maximilians-Universität München, SS 2002 1 Inhalt Einleitung
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Inhaltsverzeichnis 1 Computerlinguistik - Was ist das? 1 1.1 Aspekte der Computerlinguistik 1 1.1.1 Computer linguistik: Die Wissenschaft 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen 3 1.1.3
MehrElectronic Design Automation (EDA) Technology Mapping
Electronic Design Automation (EDA) Technology Mapping Überblick digitale Synthese Technology Mapping Abbildung durch die Abdeckung eines Baumes Partitionierung des DAG Dekomposition und Abdeckung Beispiel
MehrClustern: Voraussetzungen
Clustering Gruppen (Cluster) ähnlicher Elemente bilden Elemente in einem Cluster sollen sich möglichst ähnlich sein, u. den Elementen in anderen Clustern möglichst unähnlich im Gegensatz zu Kategorisierung
MehrWarum gefällt uns ein Foto?
Warum gefällt uns ein Foto? Möglichkeiten und Grenzen der automatischen Bewertung von Ästhetik Philipp Sandhaus Seite 1 Warum gefällt uns ein Foto? 2 Semantische Lücke bei der Bildbewertung Bottom Up high
MehrWas fehlt den semantischen Netzen?
Semantische Netze Grundidee RDF SPARQL Was fehlt den semantischen Netzen? Beschreibungslogiken Web Ontology Language OWL I. Boersch Jun-13 1 Auch: Topic Maps, Mindmaps Ross Quillian, 1967 Ziel: Sprachverarbeitung
Mehr/26
7 8 3 3 7 2 8 2 8. /2 Sudoku 2 2 3 3 7 7 8 8 8 Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem 3x3 Kästchen alle Zahlen von bis stehen.. 2/2 Warum? 7 8 3 3 7 2 8
MehrVerlauf des Vortrags
Dortmund, den 20.01.2005 Davud Colakovic Ontologie(n) On tolo gie die; : Lehre vom Sein, von dem Ordnungs-, Begriffs- und Wesensbestimmungen des Seienden (Philosoph.). [Duden, Das große Fremdwörterbuch,
MehrCord Spreckelsen I Klaus Spitzer. Wissensbasen und Expertensysteme in der Medizin
Cord Spreckelsen I Klaus Spitzer Wissensbasen und Expertensysteme in der Medizin Medizinische Informatik Herausgegeben von Prof. Dr. rer. nat. Heinz Handels, Hamburg Prof. Dr. Dr. Siegfried Pappi, Lubeck
MehrRole-Engineering. Von Funktionen und Gruppen zu Rollen und Rechten. Dr.-Ing. Thomas Hildmann IT Dienstleistungszentrum der TU Berlin
Role-Engineering Von Funktionen und Gruppen zu Rollen und Rechten Dr.-Ing. Thomas Hildmann IT Dienstleistungszentrum der TU Berlin 1 Zu meiner Person Thomas Hildmann Technische Universität Berlin tubit
MehrWeb-Technologien RDF und OWL zur semantischen Beschreibung von Data-Warehouse. Warehouse-Metadaten
Potentiale der Semantic-Web Web-Technologien RDF und OWL zur semantischen Beschreibung von Data-Warehouse Warehouse-Metadaten Gemeinsames Treffen der GI-Fachgruppen Datenbanksysteme und Information Retrieval
MehrInhaltsverzeichnis. Geleitwort. Abbildungsverzeichnis. Tabellenverzeichnis. Abkürzungsverzeichnis. Symbolverzeichnis
Inhaltsverzeichnis Geleitwort Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis Symbolverzeichnis i iü xi xiii xv xvii 1 Einleitung 1 1.1 Problemstellung 1 1.2 Zielsetzung der Arbeit
MehrOntologische Repräsentation von Daten (OWL)
Outline Fachbereich Informatik Universität Hamburg 28. Mai 2006 Outline Ontologien allgemein 1 Was sind Ontologien? Definition Wofür Ontologien? Was müssen Ontologien leisten? Aufbau von Ontologien Liste
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrGrammatiken. Grammatiken sind regelbasierte Kalküle zur Konstruktion von Systemen und Sprachen Überprüfung von Systemen und Sprachen
Grammatiken Grammatiken sind regelbasierte Kalküle zur Konstruktion von Systemen und Sprachen Überprüfung von Systemen und Sprachen Grammatiken eignen sich besonders zur Modellierung beliebig tief geschachtelter,
MehrKADS / COMMONKADS. Modelle in COMMONKADS zur Spezifikation von WBS
KADS / COMMONKADS Knowledge Acquisition Documentation and Structuring Knowledge Analysis and Design System Entwicklung in zwei Esprit-Projekte mit zahlreichen Partnern (Hauptpartner: Universität Amsterdam):
MehrOntologien. Design und Beispiele. Christian Schaadt AI-Tools WS 07
Ontologien Design und Beispiele Inhalte Teil 1: Ontologie - Begriffsklärung Sinn von Ontologien Design einer Ontologie Teil 2: Verschiedene Ontologien SUMO WordNet OpenCyc GUMO Demo: SUMO / WordNet Begriffsklärung
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrDas Semantic Technology Institute (STI)
Das Semantic Technology Institute (STI) Was sind Semantische Technologien? Technologien: Formale und selbsterklärende Beschreibung von Daten, Ressourcen, (Web-)Services, etc. Systeme, die auf Basis dieser
MehrEntwicklung von Ontologien unter Berücksichtigung der Anforderungen aus der Domäne Gefahrgutlogistik
Entwicklung von Ontologien unter Berücksichtigung der Anforderungen aus der Domäne Gefahrgutlogistik Zusammenfassung der Diplomarbeit Autor: Betreuer: Prüfer: Dipl. Wirt. Inf. Sebastian Roland Dipl. Inf.
MehrOntologien. Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Ontologien: Konstrukte. Konzepte/Klassen
Ontologien Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Norbert Fuhr Ursprung: semantische Netze aus der künstlichen Intelligenz (1970er) weiterentwickelt als terminologische Logiken, Beschreibungslogiken
MehrOntologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Norbert Fuhr
Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Norbert Fuhr 1 / 23 Ontologien Ursprung: semantische Netze aus der künstlichen Intelligenz (1970er) weiterentwickelt als terminologische Logiken,
MehrCommon Warehouse Metamodel und Imperfektion
Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain
MehrInformation Retrieval und Question Answering
und Question Answering Kai Kugler 19. November 2009 Auffinden von relevantem Wissen Die Relevanz der aufzufindenden Information ist abhängig vom... aktuellen Wissen des Benutzers dem aktuellen Problem
MehrLinguistische Informatik
Linguistische Informatik Gerhard Heyer Universität Leipzig heyer@informatik.uni-leipzig.de Institut für Informatik Das klassische Verarbeitungsmodell Lexikon Grammatik Input: natürlichsprachlicher Satz
MehrAnwendung von Vektormodell und boolschem Modell in Kombination
Anwendung von Vektormodell und boolschem Modell in Kombination Julia Kreutzer Seminar Information Retrieval Institut für Computerlinguistik Universität Heidelberg 12.01.2015 Motivation Welche Filme sind
MehrWas bisher geschah Modellierung von Daten durch Mengen Beziehungen (Zusammenhänge und Eigenschaften) durch Relationen, Graphen und Funktionen
Was bisher geschah Modellierung von Daten durch Mengen Beziehungen (Zusammenhänge und Eigenschaften) durch Relationen, Graphen und Funktionen Anforderungen durch Logiken Modellierung zusammenhängender
MehrSemantic Web Technologies I
Semantic Web Technologies I Lehrveranstaltung im WS11/12 Dr. Elena Simperl PD Dr. Sebastian Rudolph M. Sc. Anees ul Mehdi Ontology Engineering Dr. Elena Simperl XML und URIs Einführung in RDF RDF Schema
MehrSemantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer
Semantic Web Anwendungsbereiche & Entwicklungen Dr. Michael Granitzer - gefördert durch das Kompetenzzentrenprogramm Agenda Die Vision und warum das Semantic Web Sinn macht Grundlagen: Wissensrepräsentation
MehrInformation Retrieval. Überblick
Fachhochschule Köln, Campus Gummersbach Institut für Informatik und Ingenieurwissenschaften Information Retrieval WPF 45 Überblick Prof. Dr. Heide Faeskorn - Woyke Fachhochschule Köln Campus Gummersbach
MehrEntity Search. Michel Manthey Arne Binder 2013
Entity Search Michel Manthey Arne Binder 2013 Gliederung Idee Herausforderungen Allgemeine Herangehensweise Möglichkeiten und angewandte Verfahren Ausblick Quellen Idee Bisher: Suche nach Dokumenten, die
MehrSemantic Web Services
Semantic Web Services Daniel Fischer TU Chemnitz - WS 2011/12 1 Gliederung (1) Web Services (2) Semantic Web Services: Motivation (3) Ontologien (4) Technologien 1. WSDL 2. SA-WSDL 3. WSMF / WSMO 4. OWL-S
MehrVerschlagwortung digitaler Texte
Verschlagwortung digitaler Texte Verschlagwortung Zuordnung von Schlagwörtern zu einem Dokument (Text) zur Erschließung der darin enthaltenen Sachverhalte Manuelle Verschlagwortung Schlagwörter meist aus
MehrContext-adaptation based on Ontologies and Spreading Activation
-1- Context-adaptation based on Ontologies and Spreading Activation ABIS 2007, Halle, 24.09.07 {hussein,westheide,ziegler}@interactivesystems.info -2- Context Adaptation in Spreadr Pubs near my location
MehrDaten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation sicher heuristisch überdeckend Entscheidungstabellen
MehrDetecting Near Duplicates for Web Crawling
Detecting Near Duplicates for Web Crawling Gurmeet Singh Manku et al., WWW 2007* * 16th international conference on World Wide Web Detecting Near Duplicates for Web Crawling Finde near duplicates in großen
Mehr5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS)
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS) Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Datenstruktur BDD 2 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer:
MehrAndere Logiken. o Modallogik(en) o Temporallogik(en) o Beschreibungslogik(en) Konzepte und Rollen Fragen und Entscheidbarkeit. Andere Logiken 240
Andere Logiken 240 Andere Logiken o Modallogik(en) o Temporallogik(en) o Beschreibungslogik(en) Konzepte und Rollen Fragen und Entscheidbarkeit Andere Logiken 241 Beschreibungslogiken (BL, Description
MehrVorlesung Suchmaschinen Semesterklausur Sommersemester 2016
Universität Augsburg, Institut für Informatik Sommersemester 2016 Prof. Dr. W. Kießling 12. Juli 2016 Dr. F. Wenzel, L. Rudenko Suchmaschinen Vorlesung Suchmaschinen Semesterklausur Sommersemester 2016
Mehr