Využití taxonomií na termech, predikátech a rysech v propozicionalizaci a učení propozicionálních pravidel

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F07%3A03132304" target="_blank" >RIV/68407700:21230/07:03132304 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Exploiting Term, Predicate, and Feature Taxonomies in Propositionalization and Propositional Rule Learning

Popis výsledku v původním jazyce

Knowledge representations using semantic web technologies often provide information which translates to explicit term and predicate taxonomies in relational learning. Here we show how to speed up the process of propositionalization of relational data byorders of magnitude, by exploiting such ontologies through a novel refinement operator used in the construction of conjunctive relational features. Moreover, we accelerate the subsequent search conducted by a propositional learning algorithm by providingit with information on feature generality taxonomy, determined from the initial term and predicate taxonomies but also accounting for traditional $theta$ subsumption between features. This information enables the propositional rule learner to prevent the exploration of useless conjunctions containing a feature together with any of its subsumees and to specialize a rule by replacing a feature by its subsumee.

Název v anglickém jazyce

Exploiting Term, Predicate, and Feature Taxonomies in Propositionalization and Propositional Rule Learning

Popis výsledku anglicky

Knowledge representations using semantic web technologies often provide information which translates to explicit term and predicate taxonomies in relational learning. Here we show how to speed up the process of propositionalization of relational data byorders of magnitude, by exploiting such ontologies through a novel refinement operator used in the construction of conjunctive relational features. Moreover, we accelerate the subsequent search conducted by a propositional learning algorithm by providingit with information on feature generality taxonomy, determined from the initial term and predicate taxonomies but also accounting for traditional $theta$ subsumption between features. This information enables the propositional rule learner to prevent the exploration of useless conjunctions containing a feature together with any of its subsumees and to specialize a rule by replacing a feature by its subsumee.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2007

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Machine Learning 2007

ISBN

978-3-540-74957-8

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

798-805

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Varšava

Datum konání akce

17. 9. 2007

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—