Type prediction in RDF knowledge bases using hierarchical multilabel classification


Melo, André ; Paulheim, Heiko ; Völker, Johanna


[img]
Vorschau
PDF
a14-melo.pdf - Veröffentlichte Version

Download (436kB)

DOI: https://doi.org/10.1145/2912845.2912861
URL: https://madoc.bib.uni-mannheim.de/40970
Weitere URL: http://dl.acm.org/citation.cfm?doid=2912845.291286...
URN: urn:nbn:de:bsz:180-madoc-409704
Dokumenttyp: Konferenzveröffentlichung
Erscheinungsjahr: 2016
Buchtitel: Proceedings of the 6th International Conference on Web Intelligence, Mining and Semantics, WIMS 2016, Nîmes, France, June 13-15, 2016
Seitenbereich: Article 14, 1-10
Veranstaltungstitel: 6th International Conference on Web Intelligence, Mining and Semantics, {WIMS} 2016
Veranstaltungsort: Nimes, France
Veranstaltungsdatum: June 13-15, 2016
Herausgeber: Akerkar, Rajendra
Ort der Veröffentlichung: New York, NY
Verlag: ACM
ISSN: 978-1-4503-4056-4
Sprache der Veröffentlichung: Englisch
Einrichtung: Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Information Systems V: Web-based Systems (Bizer 2012-)
Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Web Data Mining (Juniorprofessur) (Paulheim 2013-2017)
Fachgebiet: 004 Informatik
Abstract: Large Semantic Web knowledge bases are often noisy, incorrect, and incomplete with respect to type information. Automatic type prediction can help reduce such incompleteness, and, as previous works show, statistical methods are well-suited for this kind of data. Since most Semantic Web knowledge bases come with an ontology defining a type hierarchy, in this paper, we rephrase the type prediction problem as a hierarchical multilabel classification problem. We propose SLCN, a modification of the local classifier per node approach, which performs feature selection, instance sampling, and class balancing for each local classifier. Our approach improves scalability, facilitating its application on large Semantic Web datasets with high-dimensional feature and label spaces. We compare the performance of our proposed method with a state-of-the-art type prediction approach and popular hierarchical multilabel classifiers, and report on experiments with large-scale RDF datasets.




Dieser Eintrag ist Teil der Universitätsbibliographie.

Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt.




Metadaten-Export


Zitation


+ Suche Autoren in

+ Download-Statistik

Downloads im letzten Jahr

Detaillierte Angaben



Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail


Actions (login required)

Eintrag anzeigen Eintrag anzeigen