Henrihs Gorskis

Ontology Building Using Data Mining Techniques

Abstract This paper deals with certain data mining techniques in order to discover their potential for use in automated ontology building. The end goal is the reduction in the time requirement for the construction of any given ontology and necessity for expert consultation. This can be achieved by combining data mining and ontology engineering. The aim of this paper is to take a deeper look at potentially useful data mining techniques for an automated ontology building process, to research related publications in this field and to propose ideas on how to use data mining techniques in ontology building. Ontoloģija ir modelis, kas izmanto konceptus un saites starp tiem, lai aprakstītu noteiktu nozari. Tas tiek izmantota, lai definētu kopīgu terminoloģiju un nozares zināšanas, kas ir kopīgi pieejamas lietotājam un datorprogrammām. Ontoloģijas uzbūve ir laikietilpīgs un sarežģīts process, kurā parasti piedalās nozares eksperts. Lai atvieglotu un paātrinātu šo procesu, kā arī lai atbrīvotos no nepieciešamības iesaistīt ekspertu, tiek piedāvāts izmantot datu ieguves tehnikas ontoloģiju būvēšanas automatizācijai. Tika apskatīti klasterizācijas, klasifikācijas, asociācijas un prognozēšanas paņēmieni un izvirzīti priekšlikumi to lietošanai automatizētā ontoloģijas būvēšanā. Tika dota ontoloģijas formālā definīcija, kurā tiek nosaukti visi tās elementi. Tika veikts saistīto zinātnisko publikāciju apskats tabulas veidā, kurā ir izklāstīts, kādi paņēmieni tika izmantoti un kādi ir iegūtie rezultāti. Ne visi apskatītie darbi piedāvāja ontoloģijas uzbūves automatizācijas iespējas, daži aprakstīja manuālo pieeju. Veiktajā pārskatā atklājās, ka datu ieguves tehnikas tiešām ir lietojamas ontoloģijas uzbūves automatizācijai un var sniegt iespaidīgus rezultātus. Bieži datu iegūšanas algoritmu rezultāts tiešā veidā tiek pārņemts ontoloģijā. No citu darbiem tika iegūts, ka manuāli būvētas ontoloģijas tomēr mēdz būt dziļāk aprakstītas un satur vairāk informācijas. Automātiski būvētas ontoloģijas dotajā brīdī ir vienkāršākas, tomēr tiek veidotas daudz ātrāk un bez nozares eksperta. Tas ļauj izmantot automātisku ontoloģijas uzbūvi tādās nozarēs, kurās nav ekspertu, kā arī atklāt un iegūt līdz šim nezināmo informāciju. Vispiemērotākais algoritms dotajam uzdevumam ir ar nosaukumu COBWEB, kas izmanto neuzraudzīto klasterizāciju un varbūtības mērus konceptu atklāšanai. Онтология представляет собой модель, которая использует понятия и связи между ними, чтобы описать определённую отрасль. Она используется, чтобы определить общую терминологию и знания об отрасли, которые общедоступны для пользователя и программного обеспечения. Построение онтологий является длительным и сложным процессом, в котором, как правило, участвует отраслевой эксперт. Для облегчения и ускорения этого процесса, а также чтобы избавиться от необходимости привлечения экспертов, предлагается использовать методы добычи данных для автоматизации построения онтологий. Были рассмотрены методы кластеризации, классификации, ассоциации и прогноза, а также выдвинуты предложения по их использованию в автоматизированном построении онтологии. Дано формальное определение онтологии, которое обозначает все ее элементы. Был сделан обзор научных публикаций в виде таблицы, в которой излагалось, какие методы использовались и какие были получены результаты. Не все рассмотренные статьи давали возможность автоматизированного проектирования онтологии, некоторые предполагали ручной подход. Проведённый обзор показал, что методы интеллектуального анализа данных используются для автоматизации построения онтологии и могут обеспечить впечатляющие результаты. Часто результат алгоритмов добычи данных непосредственно передаётся в онтологию. Из других статей стало известно, что вручную построенные онтологии, как правило, более глубоко описаны и содержат больше информации. Автоматически построенные онтологии в данный момент являются более простыми, однако они создаются намного быстрее и без отраслевого эксперта. Это позволяет автоматическое построение онтологии в отраслях, где нет экспертов, а также выявление и получение ранее неизвестных сведений. Наиболее подходящим алгоритмом для данной задачи является COBWEB, который использует самообучающуюся кластеризацию и вероятностные меры для обнаружения концептов.

Database Concepts in a Domain Ontology

Abstract There are multiple approaches for mapping from a domain ontology to a database in the task of ontology-based data access. For that purpose, external mapping documents are most commonly used. These documents describe how the data necessary for the description of ontology individuals and other values, are to be obtained from the database. The present paper investigates the use of special database concepts. These concepts are not separated from the domain ontology; they are mixed with domain concepts to form a combined application ontology. By creating natural relationships between database concepts and domain concepts, mapping can be implemented more easily and with a specific purpose. The paper also investigates how the use of such database concepts in addition to domain concepts impacts ontology building and data retrieval.

Genetic Algorithm Based Random Selection-Rule Creation for Ontology Building

This paper investigates the possibility of creating ontology concepts from information contained in a database, by finding random queries with the help of a genetic algorithm. This is done, with the aim to help ontology building. Based on the structure of the database random chromosomes are created. Their genes describe possible selection criteria. By using a genetic algorithm, these selections are improved. Due to the size of the database, an approach for finding fitness from general characteristics, instead of an in-depth analysis of the data is considered. After the algorithm finished improving the chromosomes in the population, the best chromosomes are chosen. They are considered for implementation as ontology concepts. These ontology concepts can be used as descriptions of the information contained in the database. Because genetic algorithms are not usually used for ontology building, this paper investigates the feasibility of such an approach.

Location based Reminder System with Reusable Ontology

This paper provides a description of design of a reminder system that is based on location rather than on time. The system presented in this paper uses a reusable domain ontology model to access knowledge about a domain. The domain ontology is merged with a method ontology model in order to create an application specific ontology. This application ontology is used for communication with the user. It is proposed that using an ontology model enables the application to interpret the user input more flexibly. The reminder is triggered when a user is in close proximity to an establishment which is consistent with what was previously defined in the reminder application by the user with concepts from the domain ontology.