SIM‐NET: A View‐Based Semantic Similarity Model for<i>Ad Hoc</i>Networks of Geospatial Databases
Notice bibliographique
Résumé
Abstract Semantic similarity is a fundamental notion in GIScience for achieving semantic interoperability among geospatial data. Until now, several semantic similarity models have been proposed; however, few of these models address the issues related to the assessment of semantic similarity in ad hoc networks. Also, several models are based on a definition of concepts where features are independent, an assumption that reduces the richness of the geospatial concept representation. This article presents the conceptual basis for Sim‐Net, a novel semantic similarity model for ad hoc networks based on Description Logics (DL). Sim‐Net is based on the multi‐view paradigm. This paradigm is used to include inferential knowledge in semantic similarity, that is, the knowledge about implicit dependencies between features of concepts. In Sim‐Net, assessing semantic similarity relies on the notions of Semantic Reference Systems and Formal Concept Analysis (FCA), which are combined to establish a common semantic reference frame for ontologies of the ad hoc network called the view lattice. The Sim‐Net semantic similarity measure distinguishes concepts that belong to different or similar domains and takes into account the neighbours of a concept in the network. An application example is used to show the positive impact of the properties of Sim‐Net.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».