Coverage-Based Summaries for RDF KBs.
Φόρτωση...
Ημερομηνία
2021-04-01
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛ.ΜΕ.ΠΑ., Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Πληροφορική και Πολυμέσα
H.M.U., School of Engineering (ScENG) MSc in Informatics & Multimedia
H.M.U., School of Engineering (ScENG) MSc in Informatics & Multimedia
Επιβλέπων
Περίληψη
As more and more data become available as linked data, the need for efficient and effective methods for their exploration becomes apparent. Semantic summaries try to extract meaning from data, while reducing its size. State of the art structural semantic summaries, focus primarily on the graph structure of the data, trying to maximize the summary’s utility for query answering, i.e. the query coverage. In this thesis, we present four algorithms, trying to maximize the aforementioned query coverage using ideas borrowed from result diversification. The key idea among all algorithms is, instead of focusing only to the “central” nodes, to push node selection also to the perimeter of the graph. Our experiments show the potential of our algorithms and demonstrate the considerable advantages gained for answering larger fragments of user queries.
Καθώς όλο και περισσότερα συνδεδεμένα δεδομένα γίνονται διαθέσιμα, η ανάγκη για αποτελεσματικές και επαρκείς μεθόδους για την ανάλυση τους είναι επιτακτική. Οι semantic περιλήψεις των δεδομένων αυτών, απομονώνουν τα σημαντικά δεδομένα μειώνοντας το μέγεθός τους. Οι μέχρι τώρα προσπάθειες περίληψης στοχεύουν στη δομή του γράφου των δεδομένων, προσπαθώντας να μεγιστοποιήσουν την δυνατότητα των περιλήψεων αυτών στο να απαντάνε ερωτήσεις. Σε αυτήν την διπλωματική παρουσιάζουμε τέσσερις αλγόριθμους που προσπαθούν να μεγιστοποιήσουν τις σωστές απαντήσεις σε ερωτήσεις, δανειζόμενοι ιδέες από το πεδίο του Result diversification. H κύρια ιδέα είναι να εστιάζουμε όχι μόνο σε κεντρικούς κόμβους αλλά και σε περιμετρικούς. Τα πειράματά μας δείχνουν ότι οι μέθοδοι μας έχουν την δυνατότητα να απαντάνε σωστά σε περισσότερες ερωτήσεις.
Καθώς όλο και περισσότερα συνδεδεμένα δεδομένα γίνονται διαθέσιμα, η ανάγκη για αποτελεσματικές και επαρκείς μεθόδους για την ανάλυση τους είναι επιτακτική. Οι semantic περιλήψεις των δεδομένων αυτών, απομονώνουν τα σημαντικά δεδομένα μειώνοντας το μέγεθός τους. Οι μέχρι τώρα προσπάθειες περίληψης στοχεύουν στη δομή του γράφου των δεδομένων, προσπαθώντας να μεγιστοποιήσουν την δυνατότητα των περιλήψεων αυτών στο να απαντάνε ερωτήσεις. Σε αυτήν την διπλωματική παρουσιάζουμε τέσσερις αλγόριθμους που προσπαθούν να μεγιστοποιήσουν τις σωστές απαντήσεις σε ερωτήσεις, δανειζόμενοι ιδέες από το πεδίο του Result diversification. H κύρια ιδέα είναι να εστιάζουμε όχι μόνο σε κεντρικούς κόμβους αλλά και σε περιμετρικούς. Τα πειράματά μας δείχνουν ότι οι μέθοδοι μας έχουν την δυνατότητα να απαντάνε σωστά σε περισσότερες ερωτήσεις.