Título :	Managing Data From Knowledge Bases: Querying and Extraction
Tipo de documento:	documento electrónico
Autores:	Zhang, Wei Emma, Autor ; Sheng, Quan Z., Autor
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2018
Número de páginas:	XIII, 139 p. 41 ilustraciones, 32 ilustraciones en color.
ISBN/ISSN/DL:	978-3-319-94935-2
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	Procesamiento de datos  Sistemas de almacenamiento y recuperación de información  Software de la aplicacion  Minería de datos y descubrimiento de conocimientos  Almacenamiento y recuperación de información  Aplicaciones informáticas y de sistemas de información
Índice Dewey:	6.312
Resumen:	En este libro, los autores abordan primero los temas de investigación proporcionando un escenario motivador, seguido de la exploración de los principios y técnicas de los temas desafiantes. Luego resuelven las cuestiones de investigación planteadas desarrollando una serie de metodologías. Más específicamente, los autores estudian la optimización de consultas y abordan la predicción del rendimiento de las consultas para la recuperación de conocimientos. También manejan el procesamiento de datos no estructurados y la agrupación de datos para la extracción de conocimientos. Para optimizar las consultas emitidas a través de interfaces frente a bases de conocimiento, los autores proponen una capa de optimización basada en caché entre los consumidores y la interfaz de consulta para facilitar la consulta y resolver el problema de latencia. El caché depende de un método de aprendizaje novedoso que considera los patrones de consulta de las consultas históricas de los individuos sin tener conocimiento de los sistemas de respaldo de la base de conocimientos. Para predecir el rendimiento de las consultas para una programación de consultas adecuada, los autores examinan las características estructurales y sintácticas de las consultas y aplican múltiples modelos de predicción ampliamente adoptados. Su enfoque de modelado de características evita el requisito de conocimiento tanto en los lenguajes de consulta como en el sistema. Para extraer conocimiento de fuentes web no estructuradas, los autores examinan dos tipos de fuentes web que contienen datos no estructurados: el código fuente de los repositorios web y las publicaciones en comunidades de programación de preguntas y respuestas. Utilizan técnicas de procesamiento del lenguaje natural para preprocesar los códigos fuente y obtener los elementos del lenguaje natural. Luego aplican técnicas tradicionales de extracción de conocimientos para extraer conocimientos. Para los datos de las comunidades de programación de preguntas y respuestas, los autores intentan construir una base de conocimientos de programación comenzando con parafraseando problemas de identificación y desarrollando características novedosas para identificar con precisión publicaciones duplicadas. Para la extracción de conocimiento de un dominio específico, los autores proponen utilizar una técnica de agrupamiento para separar el conocimiento en diferentes grupos. Se centran en desarrollar un nuevo algoritmo de agrupación que utilice múltiples restricciones en la tarea de optimización y logre un rendimiento rápido y preciso. Para cada modelo y enfoque presentado en esta disertación, los autores han realizado extensos experimentos para evaluarlo utilizando conjuntos de datos públicos o datos sintéticos que generaron.
Nota de contenido:	1 Introduction -- 2 Cache Based Optimization for Querying Curated Knowledge Bases -- 3 Query Performance Prediction on Knowledge Base -- 4 An Efficient Knowledge Clustering Algorithm -- 5 Knowledge Extraction from Unstructured Data on the Web -- 6 Building Knowledge Bases from Unstructured Data on the Web -- 7 Conclusion.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Managing Data From Knowledge Bases: Querying and Extraction [documento electrónico] / Zhang, Wei Emma, Autor ; Sheng, Quan Z., Autor  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XIII, 139 p. 41 ilustraciones, 32 ilustraciones en color.
ISBN : 978-3-319-94935-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Procesamiento de datos  Sistemas de almacenamiento y recuperación de información  Software de la aplicacion  Minería de datos y descubrimiento de conocimientos  Almacenamiento y recuperación de información  Aplicaciones informáticas y de sistemas de información
Índice Dewey:	6.312
Resumen:	En este libro, los autores abordan primero los temas de investigación proporcionando un escenario motivador, seguido de la exploración de los principios y técnicas de los temas desafiantes. Luego resuelven las cuestiones de investigación planteadas desarrollando una serie de metodologías. Más específicamente, los autores estudian la optimización de consultas y abordan la predicción del rendimiento de las consultas para la recuperación de conocimientos. También manejan el procesamiento de datos no estructurados y la agrupación de datos para la extracción de conocimientos. Para optimizar las consultas emitidas a través de interfaces frente a bases de conocimiento, los autores proponen una capa de optimización basada en caché entre los consumidores y la interfaz de consulta para facilitar la consulta y resolver el problema de latencia. El caché depende de un método de aprendizaje novedoso que considera los patrones de consulta de las consultas históricas de los individuos sin tener conocimiento de los sistemas de respaldo de la base de conocimientos. Para predecir el rendimiento de las consultas para una programación de consultas adecuada, los autores examinan las características estructurales y sintácticas de las consultas y aplican múltiples modelos de predicción ampliamente adoptados. Su enfoque de modelado de características evita el requisito de conocimiento tanto en los lenguajes de consulta como en el sistema. Para extraer conocimiento de fuentes web no estructuradas, los autores examinan dos tipos de fuentes web que contienen datos no estructurados: el código fuente de los repositorios web y las publicaciones en comunidades de programación de preguntas y respuestas. Utilizan técnicas de procesamiento del lenguaje natural para preprocesar los códigos fuente y obtener los elementos del lenguaje natural. Luego aplican técnicas tradicionales de extracción de conocimientos para extraer conocimientos. Para los datos de las comunidades de programación de preguntas y respuestas, los autores intentan construir una base de conocimientos de programación comenzando con parafraseando problemas de identificación y desarrollando características novedosas para identificar con precisión publicaciones duplicadas. Para la extracción de conocimiento de un dominio específico, los autores proponen utilizar una técnica de agrupamiento para separar el conocimiento en diferentes grupos. Se centran en desarrollar un nuevo algoritmo de agrupación que utilice múltiples restricciones en la tarea de optimización y logre un rendimiento rápido y preciso. Para cada modelo y enfoque presentado en esta disertación, los autores han realizado extensos experimentos para evaluarlo utilizando conjuntos de datos públicos o datos sintéticos que generaron.
Nota de contenido:	1 Introduction -- 2 Cache Based Optimization for Querying Curated Knowledge Bases -- 3 Query Performance Prediction on Knowledge Base -- 4 An Efficient Knowledge Clustering Algorithm -- 5 Knowledge Extraction from Unstructured Data on the Web -- 6 Building Knowledge Bases from Unstructured Data on the Web -- 7 Conclusion.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i