A Suggestion-Based RDF Instance Matching System

Aydar, Mehmet; Ayvaz, Serkan

doi:10.7763/ijcte.2017.v9.1170

Cited by 3 publications

(3 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…In the following, we describe the state‐of‐the‐art approaches fitting in this subcategory. Some of these approaches assume that the equality between the schema (ie, ontology) of the compared KB is given. They only concentrate on comparing the data at the instance level by taking advantage of the schema equality.…”

Section: Context‐dependent Approachesmentioning

confidence: 99%

See 1 more Smart Citation

Data linking over RDF knowledge graphs: A survey

Assi

Mcheick

Dhifli³

2020

Concurrency and Computation

View full text Add to dashboard Cite

Summary Instance matching (IM) is the process of matching instances across Knowledge Bases (KBs) that refer to the same real‐world object (eg, the same person in two different KBs). Several approaches in the literature were developed to perform this process using different algorithmic techniques and search strategies. In this article, we aim to provide the rationale for IM and to survey the existing algorithms for performing this task. We begin by identifying the importance of such a process and define it formally. We also provide a new classification of these approaches depending on the “source of evidence,” which can be considered as the context information integrated explicitly or implicitly in the IM process. We survey and discuss the state‐of‐the‐art IM methods regarding the context information. We, furthermore, describe and compare different state‐of‐the‐art IM approaches in relation to several criteria. Such a comprehensive comparative study constitutes an asset and a guide for future research in IM.

show abstract

Section: Context‐dependent Approachesmentioning

confidence: 99%

“…RinsMatch uses graph locality, neighborhood similarity, and the Jaccard measure to compute the co‐referents. It is based on the assumption that elements of two graphs are similar when their adjacent elements are similar.…”

Section: Context‐dependent Approachesmentioning

confidence: 99%

Data linking over RDF knowledge graphs: A survey

Assi

Mcheick

Dhifli³

2020

Concurrency and Computation

View full text Add to dashboard Cite

show abstract

“…The latest research and publications in this field have also addressed challenges related to data heterogeneity, data velocity, concept drift, privacy and security, explainability, and scalability. Various techniques have been proposed for data integration and transformation, including schema matching, ontology-based approaches, and data mapping techniques (Aydar & Ayvaz, 2017). Data quality assessment and data cleansing techniques have been developed to ensure the accuracy and reliability of processed data streams.…”

Section: Introductionmentioning

confidence: 99%

Сучасний Стан Та Перспективи Розвитку Методів Оброблення Гетерогенних Потокових Даних

ІЛЬЇН,

ОЛЕЩЕНКО

2023

View full text Add to dashboard Cite

Оброблення гетерогенних потокових даних — це сфера досліджень і розробок у сфері аналітики даних, що в наш час розвивається доволі стрімко. Поширення різноманітних джерел даних, включаючи соціальні медіа, сенсорні мережі та пристрої Інтернету речей (IoT) призвело до зростання неоднорідності потокових даних з точки зору типів даних, форматів та швидкості їх генерації. Це створює значні труднощі в обробленні та аналізі даних у реальному часі для виділення корисної інформації. Різноманітність типів даних, форматів і швидкості генерування потокових даних створює нові завдання, вирішення яких потребує застосування передових методів і алгоритмів для ефективного оброблення й аналізу. Потоки даних можуть складатися з різних типів даних, таких як текст, зображення, відео, дані з датчиків і публікації в соціальних мережах, кожен зі своїми унікальними характеристиками та структурою. Потоки даних можуть надходити в різних форматах, включаючи структуровані, напівструктуровані та неструктуровані дані, для яких можуть знадобитися різні підходи до оброблення. Крім того, швидкість, з якою генеруються потоки даних, може змінюватися: від високошвидкісних потоків даних, які вимагають обробки в реальному часі, до низькошвидкісних потоків даних, які дозволяють пакетне оброблення. Щоб вирішувати проблеми неоднорідності потокових даних, потрібні надійні методи, які можуть обробляти дані різних типів, форматів і швидкостей, щоб забезпечити точний і значущий аналіз даних у реальному часі. У цьому огляді аналізуються поточні дослідження та публікації з оброблення гетерогенних потокових даних. У статті розглядаються проблеми та можливості оброблення потоків різних типів даних у режимі реального часу. Розглянуто останні дослідження та публікації в цій галузі, включно з досягненнями в структурах потокової обробки, алгоритмах машинного навчання, периферійних обчисленнях, Інтернеті речей, штучному інтелекті та квантових обчисленнях. Стаття містить огляд сучасного стану та перспектив розвитку оброблення гетерогенних потокових даних; представлені провідні сучасні дослідження, включаючи ключові висновки та ідеї. Наведено перспективи та пропозиції подальших досліджень та інновацій у даній галузі, підкреслюючи необхідність розв'язання таких проблем, як неоднорідність даних, швидкість передачі даних, дрейф концепції, конфіденційність і безпека, потенціал квантових обчислень для оброблення даних у реальному часі.

show abstract