Lernen Terminologischen Wissens
mit hoher Konfidenz aus fehlerhaften Daten
Daniel Borchmann
9. September 2014
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren
Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 2 / 21
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 2 / 21
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Beispiel (RDF-Triple aus DBpedia/Wikidata)
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Beispiel (RDF-Triple aus DBpedia/Wikidata)
<http://dbpedia.org/resource/Aldous_Huxley>
<http://dbpedia.org/ontology/notableWork>
<http://dbpedia.org/resource/Brave_New_World> .
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 2 / 21
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Beispiel (RDF-Triple aus DBpedia/Wikidata)
<http://dbpedia.org/resource/Aldous_Huxley>
<http://dbpedia.org/ontology/notableWork>
<http://dbpedia.org/resource/Brave_New_World> .
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 2 / 21
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar Beispiel
Jede Katze ist ein Säugetier. Hunde sind keine Katzen.
Jeder Mensch, der ein Kind hat, ist ein Elternteil.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 2 / 21
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar Beispiel
Jede Katze ist ein Säugetier.
Hunde sind keine Katzen.
Jeder Mensch, der ein Kind hat, ist ein Elternteil.
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar Beispiel
Jede Katze ist ein Säugetier.
Hunde sind keine Katzen.
Jeder Mensch, der ein Kind hat, ist ein Elternteil.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 2 / 21
Ziel
Wissen für maschinelle Bearbeitung aus Daten extrahieren Beobachtung
faktisches Wissen leicht extrahierbar
terminologisches (begriffliches) Wissen schwer extrahierbar Beispiel
Jede Katze ist ein Säugetier.
Hunde sind keine Katzen.
Jeder Mensch, der ein Kind hat, ist ein Elternteil.
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren
Grundlegende Fragen
Form der Daten?
ñ Relationale Daten
Wie Wissen darstellen?
ñ Beschreibungslogiken
Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 3 / 21
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten?
ñ Relationale Daten
Wie Wissen darstellen?
ñ Beschreibungslogiken
Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten?
ñ Relationale Daten Wie Wissen darstellen?
ñ Beschreibungslogiken
Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 3 / 21
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten?
ñ Relationale Daten
Wie Wissen darstellen?
ñ Beschreibungslogiken Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten?
ñ Relationale Daten
Wie Wissen darstellen?
ñ Beschreibungslogiken
Wie Wissen extrahieren?
ñ Formale Begriffsanalyse Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 3 / 21
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten?
ñ Relationale Daten
Wie Wissen darstellen?
ñ Beschreibungslogiken
Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“ Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten Wie Wissen darstellen?
ñ Beschreibungslogiken
Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“ Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 3 / 21
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten
Wie Wissen darstellen? ñ Beschreibungslogiken Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“ Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten
Wie Wissen darstellen? ñ Beschreibungslogiken Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs))
KatzeĎSäugetier Hund[KatzeĎK DhatKind.JĎElternteil
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 3 / 21
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten
Wie Wissen darstellen? ñ Beschreibungslogiken Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs)) KatzeĎSäugetier
Hund[KatzeĎK DhatKind.JĎElternteil
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten
Wie Wissen darstellen? ñ Beschreibungslogiken Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs)) KatzeĎSäugetier
Hund[KatzeĎK
DhatKind.JĎElternteil
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 3 / 21
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten
Wie Wissen darstellen? ñ Beschreibungslogiken Wie Wissen extrahieren?
ñ Formale Begriffsanalyse
Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs)) KatzeĎSäugetier
Hund Katze
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten
Wie Wissen darstellen? ñ Beschreibungslogiken Wie Wissen extrahieren? ñ Formale Begriffsanalyse Welches Wissen extrahieren?
ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs)) KatzeĎSäugetier
Hund[KatzeĎK DhatKind.JĎElternteil
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 3 / 21
Ziel
Terminologisches Wissen für maschinelle Bearbeitung aus Daten extrahieren Grundlegende Fragen
Form der Daten? ñ Relationale Daten
Wie Wissen darstellen? ñ Beschreibungslogiken Wie Wissen extrahieren? ñ Formale Begriffsanalyse Welches Wissen extrahieren? ñ „interessantes“
Beispiel (ℰℒK, General Concept Inclusions (GCIs)) KatzeĎSäugetier
Hund Katze
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, ...u
Interpretation Basis von GCIs
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 4 / 21
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, ...u
Interpretation Basis von GCIs
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, ...u
Interpretation
Basis von GCIs
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 4 / 21
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, ...u
Interpretation Basis von GCIs
Fixiere disjunkte MengenNC (Konzeptnamen) und NR (Rollennamen).
Definition
ℰℒK-Konzeptbeschreibungen C sind von der Form C ::=A|C[C | Dr.C | K | J fürAPNC,r PNR.
Beispiel
Katze[Hund,DhatKind.Schriftsteller,J,K
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 5 / 21
Fixiere disjunkte MengenNC (Konzeptnamen) und NR (Rollennamen).
Definition
ℰℒK-Konzeptbeschreibungen C sind von der Form C ::=A|C[C | Dr.C | K | J fürAPNC,r PNR.
Beispiel
Katze[Hund,DhatKind.Schriftsteller,J,K
Fixiere disjunkte MengenNC (Konzeptnamen) und NR (Rollennamen).
Definition
ℰℒK-Konzeptbeschreibungen C sind von der Form C ::=A|C[C | Dr.C | K | J fürAPNC,r PNR.
Beispiel
Katze[Hund,DhatKind.Schriftsteller,J,K
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 5 / 21
Definition
Eine Interpretationℐ = (∆ℐ,¨ℐ) besteht aus
einer nicht-leeren Menge∆ℐ von Elementen, einer Abbildung¨ℐ mit
Aℐ Ď∆ℐ rℐ Ď∆ℐˆ∆ℐ fürAPNC,r PNR.
Definition
Für APNC,C,D zweiℰℒK-Konzeptbeschreibungen undr PNR sei Kℐ =H,Jℐ = ∆ℐ,
(C [D)ℐ :=CℐXDℐ,
(Dr.C)ℐ :=tx P∆ℐ | Dy P∆ℐ: (x,y)Prℐ,y PCℐu.
Definition
Eine Interpretationℐ = (∆ℐ,¨ℐ) besteht aus einer nicht-leeren Menge∆ℐ von Elementen,
einer Abbildung¨ℐ mit
Aℐ Ď∆ℐ rℐ Ď∆ℐˆ∆ℐ fürAPNC,r PNR.
Definition
Für APNC,C,D zweiℰℒK-Konzeptbeschreibungen undr PNR sei Kℐ =H,Jℐ = ∆ℐ,
(C [D)ℐ :=CℐXDℐ,
(Dr.C)ℐ :=tx P∆ℐ | Dy P∆ℐ: (x,y)Prℐ,y PCℐu.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 6 / 21
Definition
Eine Interpretationℐ = (∆ℐ,¨ℐ) besteht aus einer nicht-leeren Menge∆ℐ von Elementen, einer Abbildung¨ℐ mit
Aℐ Ď∆ℐ rℐ Ď∆ℐˆ∆ℐ fürAPNC,rPNR.
Definition
Für APNC,C,D zweiℰℒK-Konzeptbeschreibungen undr PNR sei Kℐ =H,Jℐ = ∆ℐ,
(C [D)ℐ :=CℐXDℐ,
(Dr.C)ℐ :=tx P∆ℐ | Dy P∆ℐ: (x,y)Prℐ,y PCℐu.
Definition
Eine Interpretationℐ = (∆ℐ,¨ℐ) besteht aus einer nicht-leeren Menge∆ℐ von Elementen, einer Abbildung¨ℐ mit
Aℐ Ď∆ℐ rℐ Ď∆ℐˆ∆ℐ fürAPNC,rPNR.
Definition
Für APNC,C,D zweiℰℒK-Konzeptbeschreibungen und r PNR sei Kℐ =H,Jℐ = ∆ℐ,
(C [D)ℐ :=CℐXDℐ,
(Dr.C)ℐ :=tx P∆ℐ | Dy P∆ℐ: (x,y)Prℐ,y PCℐu.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 6 / 21
Definition
SindC,D zwei ℰℒK-Konzeptbeschreibungen, so heißt C ĎD
Allgemeine Konzeptinklusion (General Concept Inclusion, GCI).
C ĎD gilt in ℐ,ℐ|ù(C ĎD), falls Cℐ ĎDℐ.
Definition
SindC,D zwei ℰℒK-Konzeptbeschreibungen, so heißt C ĎD
Allgemeine Konzeptinklusion (General Concept Inclusion, GCI).
C ĎD gilt in ℐ,ℐ|ù(C ĎD), falls Cℐ ĎDℐ.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 7 / 21
Definition
K= (G,M,I)heißt formaler Kontext, fallsG,M Mengen undIĎGˆM.
Für BĎM sei
B1 =tg PG | @mPB: (g,m)PIu.
Definition
X ÑY heißt Implikationin K, fallsX,Y ĎM.X ÑY heißt gültig in K, falls
X1 ĎY1.
Definition
K= (G,M,I)heißt formaler Kontext, fallsG,M Mengen undIĎGˆM.
Für BĎM sei
B1 =tg PG | @mPB: (g,m)PIu. Definition
X ÑY heißt Implikationin K, fallsX,Y ĎM.X ÑY heißt gültig in K, falls
X1 ĎY1.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 8 / 21
Definition
K= (G,M,I)heißt formaler Kontext, fallsG,M Mengen undIĎGˆM.
Für BĎM sei
B1 =tg PG | @mPB: (g,m)PIu.
Definition
X ÑY heißt Implikationin K, fallsX,Y ĎM.X ÑY heißt gültig in K, falls
X1 ĎY1.
Definition
K= (G,M,I)heißt formaler Kontext, fallsG,M Mengen undIĎGˆM.
Für BĎM sei
B1 =tg PG | @mPB: (g,m)PIu.
Definition
X ÑY heißtImplikation in K, fallsX,Y ĎM.
X ÑY heißt gültig in K, falls
X1 ĎY1.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 8 / 21
Definition
K= (G,M,I)heißt formaler Kontext, fallsG,M Mengen undIĎGˆM.
Für BĎM sei
B1 =tg PG | @mPB: (g,m)PIu.
Definition
X ÑY heißtImplikation in K, fallsX,Y ĎM.X ÑY heißt gültig in K, falls
X1 ĎY1.
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs ùñ berechne Basis aller gültigen GCIs. Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen
ùñ FBA-Methoden verallgemeinern
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 9 / 21
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs ùñ berechne Basis aller gültigen GCIs. Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen
ùñ FBA-Methoden verallgemeinern
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs
ùñ berechne Basis aller gültigen GCIs. Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen
ùñ FBA-Methoden verallgemeinern
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 9 / 21
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs ùñ berechne Basis aller gültigen GCIs.
Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen
ùñ FBA-Methoden verallgemeinern
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs ùñ berechne Basis aller gültigen GCIs.
Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen ùñ FBA-Methoden verallgemeinern
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 9 / 21
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs ùñ berechne Basis aller gültigen GCIs.
Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen ùñ FBA-Methoden verallgemeinern
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs ùñ berechne Basis aller gültigen GCIs.
Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen
ùñ FBA-Methoden verallgemeinern
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 9 / 21
Offene Frage
Was ist „interessantes“ Wissen?
Erste Idee[Baader, Distel 2009]
Betrachte allegültigen GCIs ùñ berechne Basis aller gültigen GCIs.
Beobachtung
GCIs sind Implikationen sehr ähnlich
FBA bietet Möglichkeiten, Implikationen aus Daten zu berechnen ùñ FBA-Methoden verallgemeinern
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, . . .u Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 10 / 21
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, . . .u Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, . . .u Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 10 / 21
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, . . .u Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 10 / 21
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
t DhatKind.SchriftstellerĎKünstler, . . .u Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 10 / 21
Person Künstler
Person
Person Schriftsteller hatKind
hatKind
Basis gültiger GCIs
Beschreibungslogik Formale Begriffsanalyse
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
Basis gültiger Implikationen
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter
Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 11 / 21
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen
betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter
Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter
Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 11 / 21
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626
Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter
Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 11 / 21
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician
Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 11 / 21
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter
Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 11 / 21
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter
Criminal[ Dchild.PoliticianĎK Person[ Dchild.CriminalĎCriminal
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter Criminal[ Dchild.PoliticianĎK
Person[ Dchild.CriminalĎCriminal
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 11 / 21
Experiment[Borchmann, Distel 2011]
DBpedia: aus der Wikipedia halbautomatisch gewonnenes Wissen betrachte nur child-Relation ;ℐDBpedia
∆ℐDBpedia = 5626 Einige Ergebnisse
MemberOfParliamentĎPerson[Politician Dchild.PersonĎPerson
FictionalCharacter[ Dchild.PersonĎDchild.FictionalCharacter Fragwürdige Ergebnisse
Person[ Dchild.BookĎFictionalCharacter
Beobachtung
Dchild.JĎPerson
gilt nicht in ℐDBpedia, denn es gibt 4 Gegenbeispiele, d. h.
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547. Dchild.JĎPerson ist also „fast“ richtig.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 12 / 21
Beobachtung
Dchild.JĎPerson gilt nicht in ℐDBpedia
, denn es gibt 4 Gegenbeispiele, d. h.
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547. Dchild.JĎPerson ist also „fast“ richtig.
Beobachtung
Dchild.JĎPerson
gilt nicht in ℐDBpedia, denn es gibt 4 Gegenbeispiele, d. h.
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547. Dchild.JĎPerson ist also „fast“ richtig.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 12 / 21
Beobachtung
Dchild.JĎPerson
gilt nicht in ℐDBpedia, denn es gibt 4 Gegenbeispiele, d. h.
|(Dchild.J)ℐDBpediazPersonℐDBpedia|=4.
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547. Dchild.JĎPerson ist also „fast“ richtig.
Beobachtung
Dchild.JĎPerson
gilt nicht in ℐDBpedia, denn es gibt 4 Gegenbeispiele, d. h.
|(Dchild.J)ℐDBpediazPersonℐDBpedia|=4.
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547.
Dchild.JĎPerson ist also „fast“ richtig.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 12 / 21
Beobachtung
Dchild.JĎPerson
gilt nicht in ℐDBpedia, denn es gibt 4 Gegenbeispiele, d. h.
|(Dchild.J)ℐDBpediazPersonℐDBpedia|=4.
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547. Dchild.JĎPerson ist also „fast“ richtig.
Beobachtung
Dchild.JĎPerson
gilt nicht in ℐDBpedia, denn es gibt 4 falsche Gegenbeispiele:
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547. Dchild.JĎPerson ist also „fast“ richtig.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 12 / 21
Beobachtung
Dchild.JĎPerson
gilt nicht in ℐDBpedia, denn es gibt 4 falsche Gegenbeispiele:
Teresa_Carpio,Charles_Heung,Adam_Cheng,Lydia_Shum.
Andererseits: 2547 Elemente in ℐDBpedia erfüllenDchild.JĎPerson, d. h.
|(Dchild.J [Person)ℐDBpedia|=2547. Dchild.JĎPerson ist also „fast“ richtig.
Intuition
Betrachte auch GCIs, die „fast“ richtig sind.
Definition
DieKonfidenz vonC ĎD in ℐ ist gegeben durch confℐ(C ĎD) :=
#1, fallsCℐ =H,
|(C[D)ℐ|
|Cℐ| sonst. Sei c P[0,1]. Dann
Thc(ℐ) :=tC ĎD|confℐ(C ĎD)ěcu. Ansatz[Borchmann 2012]
Betrachte Thc(ℐ) als „interessantes“ Wissen inℐ.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 13 / 21
Intuition
Betrachte auch GCIs, die „fast“ richtig sind.
Definition
DieKonfidenz vonC ĎD in ℐ ist gegeben durch confℐ(C ĎD) :=
#1, fallsCℐ =H,
|(C[D)ℐ|
|Cℐ| sonst.
Sei c P[0,1]. Dann
Thc(ℐ) :=tC ĎD|confℐ(C ĎD)ěcu. Ansatz[Borchmann 2012]
Betrachte Thc(ℐ) als „interessantes“ Wissen inℐ.
Intuition
Betrachte auch GCIs, die „fast“ richtig sind.
Definition
DieKonfidenz vonC ĎD in ℐ ist gegeben durch confℐ(C ĎD) :=
#1, fallsCℐ =H,
|(C[D)ℐ|
|Cℐ| sonst.
Sei c P[0,1]. Dann
Thc(ℐ) :=tC ĎD|confℐ(C ĎD)ěcu.
Ansatz[Borchmann 2012]
Betrachte Thc(ℐ) als „interessantes“ Wissen inℐ.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 13 / 21
Intuition
Betrachte auch GCIs, die „fast“ richtig sind.
Definition
DieKonfidenz vonC ĎD in ℐ ist gegeben durch confℐ(C ĎD) :=
#1, fallsCℐ =H,
|(C[D)ℐ|
|Cℐ| sonst.
Sei c P[0,1]. Dann
Thc(ℐ) :=tC ĎD|confℐ(C ĎD)ěcu.
t DhatKind.SchriftstellerĎKünstler, . . .u Basis gültiger GCIs
ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u
Basis gültiger Implikationen
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 14 / 21
t DhatKind.Schriftsteller Künstler, . . . Basis von GCIs
mit hoher Konfidenz ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
U V . . .
Basis gültiger Implikationen
t DhatKind.SchriftstellerĎKünstler, . . .u Basis von GCIs
mit hoher Konfidenz ℐ
Kℐ Mℐ
ˆ ˆ .
∆ℐ ˆ . ˆ
. . ˆ
tU ÑV |. . .u Basis von
Implikationen mit hoher Konfidenz
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 14 / 21
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik
GegenständeG Elemente ∆ℐ MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 15 / 21
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen
Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 15 / 21
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 15 / 21
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ.
Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX inℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 15 / 21
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX in ℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D. Bezeichnung: C =Xℐ
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX in ℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D. Bezeichnung: C =Xℐ
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 15 / 21
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX in ℐ falls
X Cℐ und
Bezeichnung: C =Xℐ
Parallelen zwischen FBA und BL
Formale Begriffsanalyse Beschreibungslogik GegenständeG Elemente ∆ℐ
MerkmaleM Konzeptbeschreibungen Formale Kontexte K Interpretationenℐ
Implikationen GCIs
A1,AĎM (dA)ℐ
B1,B ĎG ?
Definition[Baader, Distel 2009]
Sei X Ď∆ℐ. Eine Konzeptbeschreibung C heißt model-based most-specific concept description vonX in ℐ falls
X ĎCℐ und
für jedesD mitX ĎDℐ istC spezieller als D.
Bezeichnung: C =Xℐ
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 15 / 21
Definition
Mℐ =NC Y t K u Y t Dr.Xℐ |X Ď∆ℐ,X ‰ H u.
Definition
SetzeKℐ = (∆ℐ,Mℐ,∇) mit
(x,C)P∇ ðñ xPCℐ. Satz[Baader, Distel 2009]
Istℒ eine Basis von Kℐ, dann ist tl
U Ď(l
U)ℐℐ |(U ÑV)Pℒu eine Basis von ℐ.
Definition
Mℐ =NC Y t K u Y t Dr.Xℐ |X Ď∆ℐ,X ‰ H u.
Definition
SetzeKℐ = (∆ℐ,Mℐ,∇) mit
(x,C)P∇ ðñ x PCℐ.
Satz[Baader, Distel 2009] Istℒ eine Basis von Kℐ, dann ist
tl
U Ď(l
U)ℐℐ |(U ÑV)Pℒu eine Basis von ℐ.
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 16 / 21
Definition
Mℐ =NC Y t K u Y t Dr.Xℐ |X Ď∆ℐ,X ‰ H u.
Definition
SetzeKℐ = (∆ℐ,Mℐ,∇) mit
(x,C)P∇ ðñ x PCℐ. Satz[Baader, Distel 2009]
Istℒ eine Basis von Kℐ, dann ist tl
U Ď(l
U)ℐℐ |(U ÑV)Pℒu
Problem
Wie Basen von Thc(ℐ) finden?
Ansatz[Luxenburger 1993, Borchmann 2012]
Finde Basen von Thc(ℐ)zTh(ℐ).
Betrachte nur Konzeptbeschreibungen der FormXℐ fürX Ď∆ℐ.
Definition
Conf(ℐ,c) :=tXℐ ĎYℐ |Y ĎX Ď∆ℐ,1ąconfℐ(Xℐ ĎYℐ)ěcu. Satz[Borchmann 2012]
Es seiℬ eine Basis von ℐ, und c P[0,1]. Dann ist ℬYConf(ℐ,c) eine Basis Thc(ℐ).
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 17 / 21
Problem
Wie Basen von Thc(ℐ) finden?
Ansatz[Luxenburger 1993, Borchmann 2012]
Finde Basen von Thc(ℐ)zTh(ℐ).
Betrachte nur Konzeptbeschreibungen der FormXℐ fürX Ď∆ℐ. Definition
Conf(ℐ,c) :=tXℐ ĎYℐ |Y ĎX Ď∆ℐ,1ąconfℐ(Xℐ ĎYℐ)ěcu. Satz[Borchmann 2012]
Es seiℬ eine Basis von ℐ, und c P[0,1]. Dann ist ℬYConf(ℐ,c) eine Basis Thc(ℐ).
Problem
Wie Basen von Thc(ℐ) finden?
Ansatz[Luxenburger 1993, Borchmann 2012]
Finde Basen von Thc(ℐ)zTh(ℐ).
Betrachte nur Konzeptbeschreibungen der FormXℐ fürX Ď∆ℐ. Definition
Conf(ℐ,c) :=tXℐ ĎYℐ |Y ĎX Ď∆ℐ,1ąconfℐ(Xℐ ĎYℐ)ěcu. Satz[Borchmann 2012]
Es seiℬ eine Basis von ℐ, und c P[0,1]. Dann ist ℬYConf(ℐ,c) eine Basis Thc(ℐ).
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 17 / 21
Problem
Wie Basen von Thc(ℐ) finden?
Ansatz[Luxenburger 1993, Borchmann 2012]
Finde Basen von Thc(ℐ)zTh(ℐ).
Betrachte nur Konzeptbeschreibungen der FormXℐ fürX Ď∆ℐ.
Definition
Conf(ℐ,c) :=tXℐ ĎYℐ |Y ĎX Ď∆ℐ,1ąconfℐ(Xℐ ĎYℐ)ěcu. Satz[Borchmann 2012]
Es seiℬ eine Basis von ℐ, und c P[0,1]. Dann ist ℬYConf(ℐ,c) eine Basis Thc(ℐ).
Problem
Wie Basen von Thc(ℐ) finden?
Ansatz[Luxenburger 1993, Borchmann 2012]
Finde Basen von Thc(ℐ)zTh(ℐ).
Betrachte nur Konzeptbeschreibungen der FormXℐ fürX Ď∆ℐ. Definition
Conf(ℐ,c) :=tXℐ ĎYℐ |Y ĎX Ď∆ℐ,1ąconfℐ(Xℐ ĎYℐ)ěcu.
Satz[Borchmann 2012]
Es seiℬ eine Basis von ℐ, und c P[0,1]. Dann ist ℬYConf(ℐ,c) eine Basis Thc(ℐ).
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 17 / 21
Problem
Wie Basen von Thc(ℐ) finden?
Ansatz[Luxenburger 1993, Borchmann 2012]
Finde Basen von Thc(ℐ)zTh(ℐ).
Betrachte nur Konzeptbeschreibungen der FormXℐ fürX Ď∆ℐ. Definition
Conf(ℐ,c) :=tXℐ ĎYℐ |Y ĎX Ď∆ℐ,1ąconfℐ(Xℐ ĎYℐ)ěcu.
Satz[Borchmann 2012]
Es seiℬ eine Basis von ℐ, und c P[0,1]. Dann ist
Definition
confK(X ÑY) :=
#1 X1 =H,
|(XYY)1|
|X1| sonst.
Für c P[0,1]ist
Thc(K) :=tX ÑY |confK(X ÑY)ěcu. Satz[Borchmann 2012]
Istℒ eine Basis von Thc(Kℐ), so ist lℒ:=tl
U Ďl
V |(U ÑV)Pℒu eine Basis von Thc(ℐ).
IstℒĎThc(Kℐ), so ist auch dℒĎThc(ℐ).
Lernen Terminologischen Wissens mit hoher Konfidenz aus fehlerhaften Daten 9. September 2014 18 / 21