برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Ontology Learning and Population: Bridging the Gap between Text and Knowledge

دانلود کتاب آموزش هستی شناسی و جمعیت: برطرف کردن شکاف میان متن و دانش

مشخصات کتاب

Ontology Learning and Population: Bridging the Gap between Text and Knowledge

دسته بندی: آموزشی
ویرایش:  
نویسندگان: P. Buitelaar,  P. Buitelaar,  P. Cimiano  
سری: Frontiers in Artificial Intelligence and Applications 167 
ISBN (شابک) : 1586038184, 9781586038182 
ناشر: IOS Press 
سال نشر: 2008 
تعداد صفحات: 292 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 32,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 15

در صورت تبدیل فایل کتاب Ontology Learning and Population: Bridging the Gap between Text and Knowledge به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب آموزش هستی شناسی و جمعیت: برطرف کردن شکاف میان متن و دانش نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب آموزش هستی شناسی و جمعیت: برطرف کردن شکاف میان متن و دانش

وعده وب معنایی این است که صفحات وب آینده نه تنها با رنگ‌های روشن و فونت‌های فانتزی که اکنون هستند، حاشیه‌نویسی می‌شوند، بلکه با حاشیه‌نویسی استخراج‌شده از هستی‌شناسی‌های دامنه بزرگ که مشخص می‌کنند، به رایانه‌ای به گونه‌ای که بتواند از چه چیزی بهره‌برداری کند، حاشیه‌نویسی شود. اطلاعات در صفحه وب داده شده موجود است. وجود این اطلاعات به عوامل نرم افزاری اجازه می دهد تا صفحات را بررسی کنند و در مورد محتوا تصمیم گیری کنند، همانطور که اکنون انسان ها قادر به انجام آن هستند. روش کلاسیک ساخت یک هستی شناسی این است که کمیته ای از متخصصان در حوزه را جمع آوری می کند تا توسط هستی شناسی مدل شود، و اینکه این کمیته در مورد اینکه کدام مفاهیم حوزه را پوشش می دهند، بر اساس کدام اصطلاحات، مفاهیم را توصیف می کنند، در مورد اینکه چه روابطی بین هر یک وجود دارد به توافق برسد. مفهوم و ویژگی های احتمالی هر مفهوم چیست. همه سیستم‌های یادگیری هستی‌شناسی با یک ساختار هستی‌شناسی شروع می‌شوند، که ممکن است فقط یک ساختار منطقی خالی باشد، و مجموعه‌ای از متون در حوزه‌ای که باید مدل‌سازی شوند. یک سیستم یادگیری هستی شناسی را می توان به عنوان یک تعامل بین سه چیز در نظر گرفت: هستی شناسی موجود، مجموعه ای از متون، و الگوهای نحوی واژگانی. وب معنایی تنها زمانی به واقعیت تبدیل می‌شود که بتوانیم هستی‌شناسی‌های ساختاریافته و بدون ابهام ایجاد کنیم که دانش دامنه‌ای را که رایانه‌ها می‌توانند مدیریت کنند، مدل‌سازی کنند. ایجاد آرایه‌های وسیعی از چنین هستی‌شناسی‌هایی که برای نشانه‌گذاری صفحات وب برای وب معنایی استفاده می‌شوند، تنها با ابزارهای رایانه‌ای که می‌توانند بخش‌های بزرگی از این هستی‌شناسی‌ها را به‌طور خودکار استخراج و بسازند، انجام می‌شود. این کتاب پیشرفته ترین تکنیک های استخراج و مدل سازی خودکار را برای ساختمان هستی شناسی ارائه می دهد. بلوغ این تکنیک ها منجر به ایجاد وب معنایی می شود.

IOS Press یک ناشر بین المللی علمی، فنی و پزشکی کتاب های با کیفیت بالا برای دانشگاهیان، دانشمندان و متخصصان در همه زمینه ها است.

برخی از حوزه هایی که ما در این زمینه منتشر می کنیم:

-زیست پزشکی - سرطان شناسی - هوش مصنوعی - پایگاه های داده و سیستم های اطلاعاتی - مهندسی دریایی - فناوری نانو - مهندسی زمین - همه جنبه های فیزیک - حکومت الکترونیکی - تجارت الکترونیک - اقتصاد دانش -مطالعات شهری -کنترل تسلیحات -درک و پاسخ به تروریسم -انفورماتیک پزشکی -علوم کامپیوتر

توضیحاتی درمورد کتاب به خارجی

The promise of the Semantic Web is that future web pages will be annotated not only with bright colors and fancy fonts as they are now, but with annotation extracted from large domain ontologies that specify, to a computer in a way that it can exploit, what information is contained on the given web page. The presence of this information will allow software agents to examine pages and to make decisions about content as humans are able to do now. The classic method of building an ontology is to gather a committee of experts in the domain to be modeled by the ontology, and to have this committee agree on which concepts cover the domain, on which terms describe which concepts, on what relations exist between each concept and what the possible attributes of each concept are. All ontology learning systems begin with an ontology structure, which may just be an empty logical structure, and a collection of texts in the domain to be modeled. An ontology learning system can be seen as an interplay between three things: an existing ontology, a collection of texts, and lexical syntactic patterns. The Semantic Web will only be a reality if we can create structured, unambiguous ontologies that model domain knowledge that computers can handle. The creation of vast arrays of such ontologies, to be used to mark-up web pages for the Semantic Web, can only be accomplished by computer tools that can extract and build large parts of these ontologies automatically. This book provides the state-of-art of many automatic extraction and modeling techniques for ontology building. The maturation of these techniques will lead to the creation of the Semantic Web.

IOS Press is an international science, technical and medical publisher of high-quality books for academics, scientists, and professionals in all fields.

Some of the areas we publish in:

-Biomedicine -Oncology -Artificial intelligence -Databases and information systems -Maritime engineering -Nanotechnology -Geoengineering -All aspects of physics -E-governance -E-commerce -The knowledge economy -Urban studies -Arms control -Understanding and responding to terrorism -Medical informatics -Computer Sciences

فهرست مطالب

Title page......Page 1
On the "Ontology" in Ontology Learning......Page 5
Foreword......Page 11
Contents......Page 15
Extracting Terms and Synonyms......Page 17
The XTREEM Methods for Ontology Learning from Web Documents......Page 19
Taxonomy and Concept Learning......Page 43
Extracting Concept Descriptions from the Web: The Importance of Attributes and Values......Page 45
Learning Expressive Ontologies......Page 61
From Glossaries to Ontologies: Extracting Semantic Structure from Textual Definitions......Page 87
Learning Relations......Page 105
Unsupervised Learning of Semantic Relations for Molecular Biology Ontologies......Page 107
Ontology Population......Page 121
NLP Techniques for Term Extraction and Ontology Population......Page 123
Weakly Supervised Approaches for Ontology Population......Page 145
Information Extraction and Semantic Annotation of Wikipedia......Page 161
Automatically Harvesting and Ontologizing Semantic Relations......Page 187
Methodology......Page 213
The TERMINAE Method and Platform for Ontology Engineering from Texts......Page 215
A Methodology for Ontology Learning......Page 241
Evaluation......Page 267
Strategies for the Evaluation of Ontology Learning......Page 269
Author Index......Page 289