Семантическое аннотирование текстовых документов на основе иерархической радиально-базисной нейронной сети

Автор(и)

  • Евгений Владимирович Бодянский Кафедра искусственного интеллекта Харьковский национальный университет радиоэлектроники, Україна
  • Ольга Васильевна Шубкина Кафедра искусственного интеллекта Харьковский национальный университет радиоэлектроники, Україна

DOI:

https://doi.org/10.15587/1729-4061.2010.3262

Ключові слова:

семантична анотація, радіально-базисна нейронна мережа, багатошарова архітектура

Анотація

В роботі запропоновано ієрархічну радіально-базисну нейронну мережу з багатошаровою архітектурою, яка використовується для видобування знань із текстових джерел із урахуванням максимальної кількості релевантних ознак кожного об’єкта та віднесення його до обраного класу онтології.

Біографії авторів

Евгений Владимирович Бодянский, Кафедра искусственного интеллекта Харьковский национальный университет радиоэлектроники

Доктор технических наук, профессор

Ольга Васильевна Шубкина, Кафедра искусственного интеллекта Харьковский национальный университет радиоэлектроники

Аспирант

Посилання

  1. Uren V. Semantic annotation for knowledge management: Requirements and a survey of the state of the art / V. Uren, Ph. Cimiano, J. Iria, S. Handschuh, M. Vargas-Vera, E. Motta, F. Ciravegna // Web Semantics: Science, Services and Agents on the World Wide Web. – 2006. – V. 4 – N. 1. – P. 14–28.
  2. Chen H. Knowledge Management Systems: A Text Mining Perspective / H. Chen // Arisona: Knowledge Computing Corporation. – 2004. – 50 p.
  3. Хорошевский В.Ф. Пространства знаний в сети Интернет и Semantic Web / В.Ф. Хорошевский // Искусственный интеллект и принятие решений. – 2008. – 1. – C. 80–97.
  4. Al-Khalifa H. The evolution of metadata from standards to semantics in E-learning applications / H. Al-Khalifa, H. Davis // Proceedings of the 17th conference on Hypertext and hypermedia table of contents. – Odense, Denmark. – 2006. – P. 69–72.
  5. Resource Description Framework: Overview. [Электронный ресурс] // Режим доступа: http://www.w3.org/RDF/.
  6. The Dublin Core Metadata Initiative. [Электронный ресурс] // Режим доступа: http://dublincore.org/.
  7. FOAF project. [Электронный ресурс] // Режим доступа: http://www.foaf-project.org/.
  8. Simple Knowledge Organization System: Intoduction. [Электронный ресурс] // Режим доступа: http://www.w3.org/2004/02/skos/intro.
  9. Hearst M. Automatic acquisition of hyponyms from large text corpora / M. Hearst // Proceedings of the 14th conference on Computational linguistics. –1992. – V. 2. – P. 539–545.
  10. Giles L. Automatic document metadata extraction using Support Vector Machines / L. Giles, E. Manavoglu, H. Zha // Proceedings of the 2003 Joint Conference on Digital Libraries. – 2003. – P. 37–48.
  11. Wu Yu-Ch. Extracting named entities using Support Vector Machines / Yu-Ch. Wu, T.-K. Fan, Y.-Sh. Lee, Sh.-J. Yen // Lecture Notes in Computer Science. – 2006. – 3886. – P. 91–103.
  12. Xu K. Self-teaching semantic annotation method for knowledge discovery from text / K. Xu, S. Liao, R. Lau, L. Liao, H. Tang // HICSS ‘09. – 2009. – P. 1–7.
  13. Seymore K. Learning for information extraction learning Hidden Markov Model structure for information extraction / K. Seymore, A. McCallum, R. Rosenfeld // AAAI’99 Workshop on Machine Learning. – 1999. – P. 37–42.
  14. McCallum A. Maximum entropy Markov Models for information extraction and segmentation / A. McCallum, D. Freitag, F. Pereira // 17th International Conference on Machine Learning. – 2000. – P. 591 – 598.
  15. Grilheres B. A platform for semantic annotations and ontology population using conditional random fields / B. Grilheres, S. Canu, C. Beauce, S. Brunessaux // The 2005 IEEE/WIC/ACM International Conference. – 2005. – P. 790–793.
  16. Tang J. Tree-structured conditional random fields for semantic annotation / J. Tang, M. Hong, J. Li, B. Liang // Lecture Notes in Computer Science. – 2006. – 4273. – P. 640–653.
  17. Salton G. Term-weighting approaches in automatic text retrieval / G. Salton, C. Buckley // Information Processing & Management. – 1988. – 24(5). – P. 513–523.
  18. Chifu E. St. A neural model for unsupervised named entity classification / E. St. Chifu, V. R. Chifu. // The IEEE International Conference on Intelligent Agents, Web Technologies and Internet Commerce. – 2008. – P.1073–1078.
  19. Todorov K. Mining concept similarities for heterogeneous ontologies / K. Todorov, P. Geibel, K.-U. K hnberger // Lecture Notes in Computer Science. – 2010. – 6171. – P. 86-100.
  20. Habib M. Addressing scalability issues of named entity recognition using Multi-class Support Vector Machines/ M. Habib // World Academy of Science, Engineering and Technology. – 2008. – 37. – P. 69-78.
  21. Бодянский Е.В. Искусственные нейронные сети: архитектуры, обучение, применения / Бодянский Е.В., Руденко О.Г. – Харьков: ТЕЛЕТЕХ, 2004. – 372 с.
  22. Haykin S. Neural Networks. A Comprehensive Foundation / S. Haykin – Upper Saddle River, N. J.: Prentice Hall, Inc, 1999. – 842 p.
  23. Shynk J.J. Performance surfaces of a single-layer perceptron / J.J. Shynk. – IEEE Trans. on Neural Networks. – 1990. – 1. – P.268–274.
  24. Бодянский Е.В. Нейро-фаззи сети Петри в задачах моделирования сложных систем / Бодянский Е.В., Кучеренко Е.И., Михалев А.И. – Днепропетровск: Системные технологии, 2005. – 311 с.
  25. Dvoretzky A. On stochastic approximation / A. Dvoretzky // Proc. 3-rd Berkley Symp. Math. Statistics and Probability. – 1956. – 1. – P. 39–55.
  26. Goodwin G.C. A globally convergent adaptive predictor / G.C. Goodwin, P.J. Ramadge, P.E. Caines // Automatica. – 1981. – 1. – Р. 135–140.

##submission.downloads##

Опубліковано

2010-11-10

Як цитувати

Бодянский, Е. В., & Шубкина, О. В. (2010). Семантическое аннотирование текстовых документов на основе иерархической радиально-базисной нейронной сети. Eastern-European Journal of Enterprise Technologies, 6(3(48), 72–77. https://doi.org/10.15587/1729-4061.2010.3262

Номер

Том 6 № 3(48) (2010): Системи управління

Розділ

Системи управління

Ліцензія

Авторське право (c) 2014 Евгений Владимирович Бодянский, Ольга Васильевна Шубкина

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.