Using Ontologies to Overcoming Drawbacks of Databases and Vice Versa: A Survey
Notice bibliographique
Résumé
For a same domain, several databases (DBs) exist.The emergence of classical web to the semantic web has contributed to the appearance of the notion of ontology that have shared and consensual vocabulary.For a given, it is more interesting to take advantage of existing databases, to build an ontology.Most of the data are already stored in these databases.So many DBs can be integrated to enable reuse of existing data for the semantic web.Even for existing ontologies, the relevance of the information they contain requires regular updating.These databases can be useful sources to enrich these ontologies.In the other hand, for these ontologies more than the ratio 'size of the instances on the size of working memory' is large more than the management of these instances, in memory, is difficult.Finding a way to store these instances in a structured manner to satisfy the needs of performance and reliability required for many applications becomes an obligation.As a consequence, defining query languages to support these structures becomes a challenge for SW community.We will show through this paper how ontologies can benefit from DBs to increase system performance and facilitate their design cycle.The DBs in their turn suffers from several drawbacks namely complexity of the design cycle and lack of semantics.Since ontologies are rich in semantic, DBs can profit from this advantage to overcoming their drawbacks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,024 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».