13 - Semantic Search - Semantic Web Technologien WS 2011/12

VorlesungDr. Harald Sack

Hasso-Plattner-Institut für SoftwaresystemtechnikUniversität Potsdam

Wintersemester 2011/12

Semantic Web Technologien

Blog zur Vorlesung: http://wwwsoup2011.blogspot.com/

Mittwoch, 25. Januar 12

http://wwwsoup2011.blogspot.com


Vorlesung Semantic Web, Dr. Harald Sack, Hasso-Plattner-Institut, Universität Potsdam

2

Linked

Data

& Sema

ntic

Web Ap

plicat

ions

Semantic Web Technologien Wiederholung



1. Einführung 2. Semantic Web Basisarchitektur

Die Sprachen des Semantic Web - Teil 1

3. Wissensrepräsentation und LogikDie Sprachen des Semantic Web - Teil 2

4. Semantic Web Anwendungen

3

Semantic Web Technologien Vorlesungsinhalt



4

Semant

ic

Search

Albrecht Dürer: Melancholia I, 1514



4. Semantic Web Anwendungen4.1.Ontological Engineering4.2.Linked Data Engineering 4.3.Semantic Search4.4.Aktuelle Projekte:

Yovisto, mediaglobe und Semantic Media Explorer




6

4.3 Semantische Suche4.3.1 Information Retrieval 4.3.2 Multimedia Analyse und Retrieval4.3.3 Semantische Analyse und Retrieval4.3.4 Explorative Suche



7

Das ,Google-Dilemma‘Mittwoch, 25. Januar 12


8

Das ,Google-Dilemma‘Mittwoch, 25. Januar 12


9

• Erzeugung einer linearen (nach Relevanz gewichteten) Ergebnisliste

• TFIDF / PageRank

• Personalisierung (Logdatenanalyse)

• multimodale Ergebnisse

• Facetierung



10

Klassisches Information Retrieval

(nach Salton,G., McGill, M.J.: Introduction to Modern Information Retrieval. McGraw-Hill, New York 1983)

Menge von Dokumenten

files of records

Menge von Anfragen

Information requests

Indexierungssprache

similarity

IndexierungAnfrage-formulierung



11


“Information-Retrieval Systeme • verarbeiten Dateien mit Informationsressourcen und

Informationsanfragen, • identifizieren und liefern aus diesen Dateien bestimmte

Informationsressourcen als Antwort auf eine Informationsanfrage. • Das Finden (Retrieval) bestimmter Ressourcen hängt von der

Ähnlichkeit der Ressourcen und den Anfragen ab, gemessen am Vergleich bestimmter Attributwerte.”

(nach Salton,G., McGill, M.J.: Introduction to Modern Information Retrieval. McGraw-Hill, New York 1983)

Menge von Anfragen

informationrequests


files of records

Indexierungs-sprache

similarityIndexierungAnfrage-

formulierung



12

Klassisches Information Retrieval(vereinfachte Variante....)


Suchindex

SUCHEN, vb. , in allen ger n sprachen bezeugt: got.sokjan, ags. sēcan, as. sokian, an. Soekj

[Bd. 20, Sp. 835]

sēza, ahd. suohhan. aus idg. sprachen steht am nächsten lat. sāgiospüre, air. saigim gehe

einer sache nach, suche; zur weiteren verwandtschaft vgl. Walde-Pokorny 2, 449.

der umlaut des stammvokals erscheint im nd., er wird im md. verzeichnet vonCrecelius

oberhess. wb. 827; Spiess henneb. id. 248; Hertel Thüringen240; Gerbet Vogtland 425

und auf kolonialem boden bei Schröerdeutsche mundarten des ungrischen

berglandes 225. neben eigentlichem suchen 'einer sache

nachspüren, sich bemühen, sie aufzufinden' (dann auch 'jemanden

aufsuchen, ihn bedrohen, angreifen') steht eine reich bezeugte bedeutungsgruppe mehr

Schlüsselwörter

„Suchen“Suchterm(e) ?

Suchanfrage



13


InformationRetrieval

Bereitstellenvon

Informationen

Suchfunktionenund

Navigationsformen

Interne Wissens-repräsentationen

Verfahren derWissensrekonstruktion

Analyse/Modellierungder im Objektbereich

festgelegtenWissensobjekte

mit dem Zielberuht auf

durch Anwendung von durch Anwendung von

operieren überErgebnisse abgelegt alsAllgemeines Modell des Information Retrievalnach [Kuhlen 1995]

Informations-aufbereitung Retrieval



14


Dominik Kuropka: Modelle zur Repräsentation natürlichsprachlicher Dokumente. Ontologie-basiertes Information-Filtering und -Retrieval mit relationalen Datenbanken, Advances in Information Systems and Management Science, Bd. 10, Logos Verlag, Berlin, 2004.


http://www.logos-verlag.de/cgi-local/engtransid?page=/Buchreihen/amsis.html&lng=eng&id=





15

Information Retrieval Modelle

• Boolean Retrieval• Vector Space Model• Probabilistic Model

A B

C(A ∧ ¬B) ∧ C

• verwendet Aussagenlogik als Retrievalsprache• erlaubt Selektion und Verknüpfung beliebiger

Dokumentenmengen aus einer einer Dokumentenkollektion• mit Hilfe Boolescher Junktoren (Suchoperatoren) • einfache Implementierung• keine differenzierte Termgewichtung möglich• keine Rangreihenfolge der Ergebnisse (Ranking)



16

Information Retrieval Modelle

• Boolean Retrieval• Vector Space Model• Probabilistic Model

Deskriptor1

Deskriptor2

Deskriptor3

Dokument = (2,4,2)Suchabfrage = (1,0,0)

Dokument

Suchanfrage

2

2

4

Bsp.: n = 3

ρ

•Dokumente und Anfragen werden als Punkte in einem hochdimensionalen, metrischen Vektorraum repräsentiert

•Zum Retrieval wird die Distanz zwischen Suchanfrage- und Dokumentenvektor verwendet

•Relevanzbewertung (Ranking) erfolgt nach der ermittelten Distanz

•Differenzierte Termgewichtung möglich•lineare Termanordnung im Dokument geht

verloren •mangelnde semantische Sensitivität

(Vokabularabhängigkeit)



17

Information Retrieval Modelle• Boolean Retrieval• Vector Space Model• Probabilistic Model

• Dokumente werden gemäß der Wahrscheinlichkeit ihrer Relevanz bzgl. der Anfrage gewichtet

• IR-System schätzt die Wahrscheinlichkeit der Relevanz bzgl. einer Anfrage ab

Robertson, S. E., Sparck Jones, K.: Relevance weighting of search terms. In Document Retrieval Systems, P. Willett, Ed. Taylor Graham Series In Foundations Of Information Science, vol. 3. Taylor Graham Publishing, London, UK, 143-160, 1988.



18

Probabilistic Retrieval Modelle

Termgewichtungen für Terme ti bzgl. Suchanfrage

Für neues Dokument dm kann Relevanz bzgl. Suchanfrage mit Hilfe der Termgewichte bestimmt werden



19

Evaluation von Information Retrieval Systemen

relevante Dokumente gefundene Dokumente

relevante Dokumente, die gefunden wurden

RP

Recall=| R ∩ P |

|R|

Precision=| R ∩ P |

|P|

Recall: Anteil der korrekt als positiv klassifizierten Dokumente an der Gesamtheit aller positiven Dokumente (Trefferquote)Precision: Anteil der korrekt als positiv klassifizierten Dokumente an der Gesamtheit der als positiv klassifizierten Dokumente (Genauigkeit)F-Measure: gewichtetes harmonisches Mittel aus Trefferquote und Genauigkeit

Fα=(1+α)⋅(Recall ⋅ Precision )

α⋅(Recall + Precision )



20

Suchmaschinen im WWW

• World Wide Web ist ein verteiltes Hypermediasystem• multimediale Dokumente• über Hyperlinks miteinander

vernetzt

• WWW-Suchmaschinen sind Information Retrieval Systeme mit folgenden Aufgaben• Erstellung und Pflege eines Indexes

(Web Crawler + Indexing)• Verarbeitung von Suchabfragen (Retrieval + Ranking)• Aufbereitung der Ergebnisse (Visualisierung)



21

URL Liste

http://www.xxxx.de/1234...http://www.xxxx.de/2234...http://www.xxxx.de/3234...http://www.xxxx.de/4234...http://www.xxxx.de/5234...http://www.xxxx.de/6234...http://www.xxxx.de/7234......

<a href=“...“ .../>

<a href=“...“ .../>

HTMLDokumente

WWW-ServerHTTP Request

WWW-Server liefert angefragteHTML-Dokumente an denWeb-Crawler zurück

1

2

3

4

Web-Crawler (Web Robot)



22

Datennormalisierung

Web Crawler

Datenanalyseund Anlegender Index-

Datenstrukturen

Preprocessing und IndexierungSuchmaschinen im WWW

Wortidentifikation

Sprachidentifikation

Word Stemming

POS-Tagging

Deskriptorengenerierung



23

Effiziente IndexdatenstrukturenSuchmaschinen im WWW

Aachen

Altavista

Ananas

……

Zustand

Zypern

Indexdatei

AnanasDocID Pos Frequenz Gewicht

D123 1;13;77;132 4 9.4D456 22;38 2 6.7 … … … …D998 15 1 1.2

Location List D123Frequenz URL <H1> … <H6> <title> … text

4 1 1 0 1 … 1

D123 http://producers.ananas.org/index.htm

<html><head><title=“Ananas around the World“></head><body> … </body></html>

Invertierte Datei

Direkte DateiMittwoch, 25. Januar 12


24

Relevanzbewertung (Ranking)Suchmaschinen im WWW

• Linkpopularität (Google PageRank)

A

1.0

D

1.0

B

1.0

C

1.0

Ausgangssituation

Nr. PR(A) PR(B) PR(C) PR(D)1 1,0 1,0 1,0 1,02 1,0 0,575 2,275 0,153 2,083 0,575 1,191

20,15

… … … … …n 1,49 0,7833 1,577 0,15

Iteration der PageRank Berechnung A

1.49

D

0,15

B

0,78

C

1.57

resultierender PageRank



25

Aber...Das WWW ist ziemlich groß

•ca. 25 x 109 in Suchmaschinen indizierte Dokumente (TNL Blog: Google has 24 billion items index, considers MSN search nearest competitor, September 2005)

•Web Crawler: > 1012 Dokumente(The Official Google Blog: We knew the Web was Big....., Juli 25, 2008)

•Google Search Index Caffeine umfasst ca.100 Million Gigabytes i.e. 1017 Byte (SMX Video: Google’s Matt Cutts On Caffeine Launch, June 9, 2010,http://searchengineland.com/smx-video-googles-matt-cutts-on-caffeine-launch-43933)

•DeepWeb (Darkweb) schätzungsweise bis zu 550 mal größer als das Surface Web (Bergman, 2001)


http://www.tnl.net/blog/2005/09/27/google-has-24-billion-items-index-considers-msn-search-nearest-competitor/




http://googleblog.blogspot.com/2008/07/we-knew-web-was-big.html

http://googleblog.blogspot.com/2008/07/we-knew-web-was-big.html

http://searchengineland.com/smx-video-googles-matt-cutts-on-caffeine-launch-43933





26

und damit nicht genug...



27

Problemfeld Informationssuche



28

Problemfeld Informationsextraktion



29




30

Google und MultimediasucheMittwoch, 25. Januar 12


31

How does Google find Multimedia?Mittwoch, 25. Januar 12

Vorlesung Semantic Web, Dr. Harald Sack, Hasso-Plattner-Institut, Universität PotsdamMittwoch, 25. Januar 12


...<a href="/mission_pages/shuttle/shuttlemissions/sts134/multimedia/index.html">

<IMG WIDTH="100" ALT="Close-up view of Endeavour's crew cabin prior to docking with the International Space Station" TITLE="Close-up view of Endeavour's crew cabin prior to docking with the International Space Station" SRC="/images/content/549665main_2011-05-18_1600_100-75.jpg" HEIGHT="75" ALIGN="Bottom" BORDER="0" /></a><p><a href="/mission_pages/shuttle/shuttlemissions/sts134/multimedia/index.html">&rsaquo; STS-134 Multimedia</a></p>

...

‣Google Multimedia Search relies on link context

How does Google find Multimedia?



Google Image Searchmakes use of visual similarity



How to Search in Multimedia Archives?



Step 1: Digitalization of analog data

Step 2: Annotation with (text based) metadata

How to Search in Multimedia Archives?

Step 3: Content based search on textual metadata



How to Search in Multimedia Archives?• manual annotation with text based

descriptive metadata

...how to extract metadatain an automated way?



Automated Audiovisual Analysis

Face DetectionIdentification

TrackingClustering

overlay text

Logo Detection

VisualConcept Analysis

Classification:StudioIndoorPerson

News Show

scenetext

Audio-Mining

structuralanalysis

AutomatedSpeech

Recognitionspeaker

identification



• Result: Multimedia data with spatiotemporal Annotations

Metadata (e.g. MPEG-7) ... <Video> <TemporalDecomposition> <VideoSegment> <TextAnnotation> <KeywordAnnotation> <Keyword>Astronaut</Keyword> </KeywordAnnotation> </TextAnnotation> <MediaTime> <MediaTimePoint> T00:05:05:0F25 </MediaTimePoint> <MediaDuration> PT00H00M31S0N25F </MediaDuration> </MediaTime> ... </VideoSegment> </TemporalDecomposition> </Video> ...

time





Metadata (e.g. MPEG-7) ... <SpatialDecomposition> <TextAnnotation> <KeywordAnnotation> <Keyword>Astronaut</Keyword> </KeywordAnnotation> </TextAnnotation> <SpatialMask> <SubRegion> <Polygon> <Coords> 480 150 620 480 </Coords> </Polygon> </SubRegion> </SpatialMask> ... </SpatialDecomposition> ...

• Result: Multimedia data with spatiotemporal Annotations


Vorlesung Semantic Web, Dr. Harald Sack, Hasso-Plattner-Institut, Universität PotsdamMittwoch, 25. Januar 12


But what about semantic metadata..?

... <SpatialDecomposition> <TextAnnotation> <KeywordAnnotation> <Keyword>Astronaut</Keyword> </KeywordAnnotation> </TextAnnotation> <SpatialMask> <SubRegion> <Polygon> <Coords> 480 150 620 480 </Coords> </Polygon> </SubRegion> </SpatialMask> ... </SpatialDecomposition> ...



4242 42 4224424242 42 424243




44

BegriffsbestimmungSemantische Suche

4242244242 • Verknüpfung von (textuellen) Metadaten mit semantischen Entitäten

• Entitätenzentriertes Information Retrieval• Ausnutzung von semantischen Relationen, wie z.B.

inhaltliche Ähnlichkeiten bzw. Verwandschaften• Interoperable Metadaten durch Semantik• zur inhaltlichen Beschreibung• zur struturellen/technischen Beschreibung

(Multimedia Ontologien)

• Ziel: quantitative und qualitative Verbesserung der im Information Retrieval erzielten Suchergebnisse


• MPEG-7 has been re-engineered to become an OWL-DL ontology (2007: Arndt et al., COMM model)


45

Multimedia OntologienSemantische Metadaten

4242244242

• Localize a region → Draw a bounding box

• Annotate the content → Interpret the content → Tag ,Astronaut‘


4242244242


46

Multimedia OntologienSemantische Metadaten

Example: Tagging with an MPEG-7 Ontology

Reg1

mpeg7:image

mpeg7:depicts

Man on the Moon

mpeg7:spatial_decomposition Reg1

mpeg7:StillRegion

rdf:type

mpeg7:depicts

dbpedia:Astronaut

mpeg7:SpatialMask

mpeg7:polygon

mpeg7:Coords


4242244242


47

Named Entity Recognition

Astronaut Person

Neil Armstrong

Science Occupation

Employment

is a is a

is a

is a

Entities

Classes

Named Entity Recognition„locating and classifying atomic elements...intopredefined categories such as names, persons, organizations, locations, expressions of time,quantities, monetary values, etc.“C.J.Rijsbergen, Information Retrieval (1979)



48


Astronaut Person

Neil Armstrong

Science Occupation

Employment

is a is a

is a

is a


4242244242


49

Semantic Multimedia Retrieval

Video Analysis /Metadata Extraction

timemetadata

metadatametadata

metadatametadata

e.g., person xylocation yzevent abc

e.g., bibliographical data,geographical data,encyclopedic data, ..

Entity Recognition/ Mapping


4242244242


50


Astronaut Person

Neil Armstrong

Science Occupation

Employment

is a is a

is a

is a

„Armstrong betrat als erster Mensch den Mond.“ Text

Entity Mapping



51

Astronaut


Person

Neil Armstrong

Science Occupation

Employment

is a is a

is a

is a

Text

rdfs:label Neil Armstrong

rdf:type dbpedia-owl:Astronaut

rdf:type foaf:Person


4242244242


52


Text

http://dbpedia.org/resource/Neil_Armstrong


Entity Mapping

Aber wie finde ich die passende Entität ?


http://dbpedia.org/resource/Diego_Ribas_da_Cunha

http://dbpedia.org/resource/Diego_Ribas_da_Cunha

4242244242


53


Text


Armstrong, Florida

Determine possible Entity Mapping Candidates


Armstrong, Ontario

Armstrong County, Texas

Armstrong Tunnel

Louis Armstrong

Armstrong Tools

Armstrong (Mondkrater)

Armstrong (Automobile)

The Armstrongs

Craig Armstrong

Anton Armstrong

Edward Armstrong

Gary Armstrong

George Armstrong

The Armstrong Twins

Ian Armstrong

+ 200 mehr...Mittwoch, 25. Januar 12

4242244242


54


Text


Determine possible Entity Mapping Candidates


We have to examine the Context...

Mond

Weltraum

Flagge

Mondfähre „Eagle“Mittwoch, 25. Januar 12


55

Text

Der Kontext (lat. contextus = verflochten) wird durch das Umfeld eines Wortes bzw. Begriffes und dessen Zusammenhang mit umgebenden Worten bzw. Begriffen gebildet und legt dessen Bedeutung (Semantik) fest.


4242244242


56


Text


Determine Named Entities from Text

Armstrong

Mensch

MondCreate all possible Sets of Mapping Candidates


4242244242


57


Text„Armstrong betrat als erster Mensch den Mond.“ Text

Create all possible Sets of Mapping Candidates

Armstrong Mensch MondGeorge Armstrong Custer

Neil Armstrong

The Armstrong Twins

Armstrong, Florida

Armstrong, Ontario

Armstrong Automobile

Joe Armstrong

Armstrong County, Texass

Armstrong Gun

Craig Armstrong


Louis Armstrong

Armstrong Tunnel

Louis Armstrong International Airport

Armstrong‘s Theorem

Sir Thomas Armstrong

Ian Armstrong

HumanBill Mensch

Bob Mensch

David Mensch

Homer Mensch

Louise Mensch

Halber Mensch

Mensch ärgere Dich nichtMensch Computer

Peter van Mensch

Daniel Mensch

Mensch (album)

Der Mond (Oper)

MOND

Mond Nickel CompanyBrunner Mond

Bernard Mond

Peter Mond

Julian Mond

Ludwig Mond

Violet MondMOND Technologies

Robert Mond

Henry Mond

Alfred Mond

Chava Mond


4242244242


58


Armstrong Mensch Mond

(1) Co-occurence Analysis(2) Semantic Analysis(3) Machine Learning

Armstrong, Florida Mensch (Album) MOND Technologies

‣For all possible Combinations do:‣Determine the probability of the co-occurence of a

term combination in an arbitrary text document corpus‣Select the combination with the maximum probability


4242244242


59


Armstrong Mensch Mond

(1) Co-occurence Analysis(2) Semantic Analysis(3) Machine Learning

George Armstrong Custer

Neil Armstrong

Armstrong, Florida

Armstrong, Ontario

Armstrong Gun

Craig Armstrong


Louis Armstrong

Sir Thomas Armstrong

Human

Bob Mensch

David Mensch

Homer Mensch

Louise Mensch

Halber Mensch

Mensch ärgere Dich nichtMensch Computer

Mensch (album)

Der Mond (Oper)

Mond (Erdtrabant)

Mond Nickel CompanyBrunner Mond

Bernard Mond

Peter Mond

Julian Mond

Ludwig Mond

Henry Mond

Alfred Mond

Chava Mond


Vorlesung Semantic Web, Dr. Harald Sack, Hasso-Plattner-Institut, Universität PotsdamTurmbau zu Babel, Pieter Brueghel, 1563

Wie kann ich semantische Metadaten im Retrieval nutzen?


Vorlesung Semantic Web, Dr. Harald Sack, Hasso-Plattner-Institut, Universität PotsdamTurmbau zu Babel, Pieter Brueghel, 1563

Semantische Metadaten ermöglichen eine Verbesserung der traditionellen Schlüsselwort-basierten Suche durch(1) Erweiterung / Präzisierung der Suchergebnisse

(Query String Refinement)(2) Herstellung von Querverweisen

(Cross Referencing)(3) Nutzung von semantischen Beziehungen zur

• Visualisierung und • Navigation durch den Suchraum (Explorative Suche)

(4) Herleitung von impliziten Informationen (Reasoning)


4242244242


62

Erweiterung / Präzisierung der Suchergebnisse• Keyword-basierte Suche liefert nicht alle inhaltlich relevanten

Suchergebnisse zu einer Suchphrase, da Synonyme, Metaphern und Umschreibungen den gesuchten Inhalt mit anderen Termen beschreiben.

• Erweiterung der ursprünglichen Suchphrase (Query Refinement)• Nutzung von Wörterbüchern und Thesauri

• Synonyme, Ober- und Unterbegriffe• Nutzung von Domain Ontologien

• Meronyme, Holonyme, Assoziationen

Ursprüngliche Suchphrase: Bank

Mögliche Erweiterung: Bank ∨ Kreditanstalt ∨ Sparkasse ∨ ... Bank ∨ Konto ∨ Kredit ∨ ... Bank ∨ Santander ∨ Raiffeisen ∨ ...


4242244242


63

Präzisierung der Suchergebnisse• Keyword-basierte Suche liefert zu viele inhaltlich nicht relevante

Suchergebnisse zu einer Suchphrase, da Suchbegriffe mehrere Bedeutung und in unterschiedlichem Kontext/Pragmatik genutzt werden.

• Verfeinerung der ursprünglichen Suchphrase (Query Refinement)

• Nutzung von Wörterbüchern und Thesauri• Homonyme mit Hilfe von Ober- und Unterbegriffen disambiguieren

• Nutzung von Domain Ontologien• Meronyme, Holonyme

Ursprüngliche Suchphrase: Bank

Mögliche Erweiterung: Bank ∧ Kreditanstalt oder Bank ∧ Sitzgelegenheit oder Bank ∧ Sediment


4242244242


64

Herstellung von Querverweisen□ Bereitstellung von Suchergebnissen, die zwar den Suchbegriff

nicht notwendigerweise enthalten, aber mit diesem in inhaltlichem Zusammenhang stehen□Nutzung von Domain Ontologien□Nutzung von Thesauri und Kookurrenzanalysen

repräsentativer Dokumentenkorpora

Suchphrase: Neil Armstrongermittelter Oberbegriff: Apollo 11Ausweitung der Suche auf andere Crewmitglieder

dbpedia:Neil_Armstrong

dbpedia:Apollo_11

dbprop:mission

Neil Armstrong

NER

dbpedia:Buzz_Aldrin

dbprop:mission

dbpedia:Michael_Collinsdbprop:mission


http://www2.diego10.com.br/diego









65




66

Searching is not always just searching



67

Ich suche das Buch „Brave New World“ von Aldous Huxleyin der ersten in Deutschland erschienenen Ausgabe...

Brave New World. - Aldous H U X L E Y.

- The Albatros Continental Library, 47

(Hamburg usw., Albatros Verlag, 1933)

257 S. 8“

II 1, 2506, 34548



68

Mir hat das Buch „Brave New World“ von Aldous Huxley gefallen und ich weiß nicht genau, was ich als nächstes lesen soll....



69

Exploratory Search• What, if the user does not know, which query string to use?• What, if the user is looking for complex answers ?• What, if the user does not know the domain he/she is looking for?• What, if the user wants to know all(!) about a specific topic?

• ...,Browsing‘ instead of ,Searching‘• ...to find something by chance -> Serendipity• ...to get an overview• ...enable content based navigation



70

What facts for dbpedia:Brave_New_Worldare relevant?

http://dbpedia.org/page/Brave_New_World

...use heuristicsMittwoch, 25. Januar 12

http://dbpedia.org/page/Ernest_Hemingway



71

dbpedia:Brave_New_World

dbpedia-owl:author

dbpedia:Aldous_Huxley

dbpe

dia-

owl:a

utho

r

dbpedia-owl:au

thor

dbpedia-owl:author



72

dbpedia:Brave_New_World

dbpedia-owl:author

dbpedia:Aldous_Huxley

dbpe

dia:

onto

logy

/influ

ence

s

dbpedia:H._G._Wells

dbpedia:ontology/in

fluences

dbpedia:George_Orwell

dbpedia:ontology/influences

dbpedia:Michel_Houellebecq



73

dbpedia:H._G._Wells dbpedia:George_Orwell dbpedia:Michel_Houellebecq

dbpedia-owl:notableWork

dbpedia:Les_Particules_élémentaires


dbpedia:Nineteen_Eighty-Four


dbpedia:The_Time_Machine



74

Problem: Was ist eigentlich wichtig?

http://dbpedia.org/page/Aldous_Huxley

Aldous Huxley

•z.B.., Aldous Huxley•> 400 Fakten (RDF-triples)•> 70 Eigenschaften (properties)•keine Reihenfolge•keine Relevanzbewertungen

•Linked Data beinhaltet ungewichtetes Wissen•ungewichtet = keine Unterscheidung, ob wichtig oder unwichtig

•Entwicklung von Heuristischen Verfahren zur Relevanz-Bewertung von Linked Data Fakten•semantische Graphenanalyse•statistische Verfahren





75

Explorative Suche - ein einfaches Beispiel

• Suche im Grunddatenbestand nach ,Aldous Huxley‘• Identifikation einer Entität dbpedia:Aldous_Huxley• Bestimmung eines geeigneten Properties

dbpedia:Aldous_Huxley foaf:name “Aldous Huxley“ .dbpedia:Aldous_Huxley rdfs:type yago:EnglishScienceFictionWriters ....dbpedia:Aldous_Huxley dbpedia:ontology/influences dbpedia:H._G._Wells .dbpedia:H._G._Wells rdfs:type yago:EnglishScienceFictionWriters ....dbpedia:George_Orwell dbpedia:ontology/influences dbpedia:Ernest_Hemingway .dbpedia:George_Orwell rdfs:type yago:EnglishScienceFictionWriters .



76

Explorative Suche - ein einfaches Beispiel

• Suche im Grunddatenbestand nach ,Aldous Huxley‘• Identifikation einer Entität dbpedia:Aldous Huxley• Bestimmung eines geeigneten Properties• Nutzung der gefundenen Properties zur Navigation des Suchraums

Aldous Huxley

Yago:EnglishScienceFictionWriters

rdfs:type


George Orwell

rdfs:type


H.G. Wells

rdfs:type



77









79

Explorative Suche mit yovisto

Waitelonis, Sack: Augmenting Video Search with Linked Open Data, in Proc. I-Semantics , Graz 2009.

http://mediaglobe.yovisto.com:8080/





80

http://mediaglobe.yovisto.com:8080/mggui/#start









Materialien

□Bloghttp://wwwsoup2011.blogspot.com/

□Webseitehttp://www.hpi.uni-potsdam.de/studium/lehrangebot/veranstaltung/semantic_web_technologien.html

□bibsonomy - Bookmarkshttp://www.bibsonomy.org/user/lysander07/swt1112_14


82

4. Semantic Web Anwendungen4.3 Semantic Search




http://www.hpi.uni-potsdam.de/studium/lehrangebot/veranstaltung/semantic_web_technologien.html




http://www.bibsonomy.org/user/lysander07/swt1112_12

http://www.bibsonomy.org/user/lysander07/swt1112_12

13 - Semantic Search - Semantic Web Technologien WS 2011/12

Technology

vorlesung semantic web

semantic web teil

comvorl semantic web

semantic web anwendungen4

semantic search4

harald sackhassoplattner

universitt potsdam64

universitt potsdam7das