کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6858864 1438412 2018 23 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Approximate classification with web ontologies through evidential terminological trees and forests
ترجمه فارسی عنوان
طبقه بندی تقریبی با هستی شناسی وب از طریق درخت و جنگل اصطلاح شناسی
کلمات کلیدی
ترجمه چکیده
در زمینه وب معنایی، اعطای افراد به کلاس های مربوطه، یک سرویس استدلال اساسی است. نشان داده شده است که وقتی استدلال صرفا قیاسی کوتاه می افتد، این مشکل می تواند به عنوان یک کار پیش بینی شده توسط مدل های طبقه بندی استقراضی که بر اساس شواهد آماری ناشی از پایگاه های دانش هستی شناخته شده است، حل شود. با این حال، این مدلهای جایگزین جایگزین مبتنی بر داده نیز ممکن است ناخوشایند باشد، زمانی که نمونه ها به صورت غیرمستقیم در میان گروه های مختلف هدف قرار می گیرند. برای مقابله با این مسئله، چارچوبی بر اساس درخت تصمیم گیری منطقی و یادگیری گروهی پیشنهاد شده است. مدل های جدید تئوری دمپستر-شفر را با روش های یادگیری درختان و جنگل های تصمیم گیری اصطلاحات ادغام می کنند. این مدل های طبقه بندی پیشرفته اجازه می دهد تا به صراحت عدم قطعیت اساسی را به دلیل انواع شاخه هایی که به طبقه بندی برگ ها (در زمینه یک درخت تک) و / یا درخت های مختلف در مدل گروه (جنگل) . در این مقاله پیشرفته، ما نسخه های اصلاح شده الگوریتم های یادگیری درخت تصمیم گیری اصطلاحات معتبر و جنگل های تصادفی را با توجه به بررسی اکتشافی های جایگزین و قوانین ترکیب اضافی شواهد در رابطه با کارهای مقدماتی پیشین پیشنهاد می کنیم. ارزیابی تجربی جامع و تطبیقی، اثربخشی و پایداری مدل های طبقه بندی را به ویژه در قالب گروه ها نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
طبقه بندی تقریبی با هستی شناسی وب از طریق درخت و جنگل اصطلاح شناسی
چکیده انگلیسی
In the context of the Semantic Web, assigning individuals to their respective classes is a fundamental reasoning service. It has been shown that, when purely deductive reasoning falls short, this problem can be solved as a prediction task to be accomplished through inductive classification models built upon the statistical evidence elicited from ontological knowledge bases. However also these data-driven alternative classification models may turn out to be inadequate when instances are unevenly distributed over the various targeted classes To cope with this issue, a framework based on logic decision trees and ensemble learning is proposed. The new models integrate the Dempster-Shafer theory with learning methods for terminological decision trees and forests. These enhanced classification models allow to explicitly take into account the underlying uncertainty due to the variety of branches to be followed up to classification leaves (in the context of a single tree) and/or to the different trees within the ensemble model (the forest). In this extended paper, we propose revised versions of the algorithms for learning Evidential Terminological Decision Trees and Random Forests considering alternative heuristics and additional evidence combination rules with respect to our former preliminary works. A comprehensive and comparative empirical evaluation proves the effectiveness and stability of the classification models, especially in the form of ensembles.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Approximate Reasoning - Volume 92, January 2018, Pages 340-362
نویسندگان
, , , ,