Towards practical taxonomic classification for description logics on the Semantic Web
Notice bibliographique
Résumé
Description logics offer a well-defined semantics for many common and useful reasoning tasks that can be formalized under the notion of subsumption and are currently finding use as a representation language for the Semantic Web (e.g. DAML+OIL). For this domain, description logics can be highly useful for reasoning about relationships between entities in distributed knowledge bases by classifying them into a taxonomic subsumption hierarchy. However, there are many practical considerations for designing a sound and complete, yet efficient algorithm for performing large-scale taxonomic classification. Traditionally, structural subsumption algorithms have provided efficient techniques for performing classification but have only supported relatively inexpressive languages. Consequently, in response to the need for efficient taxonomic classification of more expressive languages, we develop an approach that extends previous structural subsumption algorithms to support sound and complete classification of a moderately expressive description logic including both conjunctive and disjunctive constructors. Furthermore, we extend this algorithm to a more expressive description logic with the claim that its sources of incompleteness are infrequent and benign in practice. Finally, we show that for the expected distribution of concept structures, both of these taxonomic classification algorithms require polynomial time in the size of the knowledge base and argue that such a result is a necessity for practical classification algorithms that will scale with the expected growth of the Semantic Web. 1
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».