Linking science: approaches for linking scientific publications across different LOD repositories

Hajra, Arben; Tochtermann, Klaus

doi:10.1504/ijmso.2017.090778

Cited by 8 publications

(4 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…As seen in the example of figure 1, the title is factorized more than other elements. Based on our previous work [21], as the most determinant combination, we have perceived the combination of all of them by doubling the weight/importance/impact of the title. The title is often most representatives, as authors tend to include the key terms regarding the subject in it.…”

Section: A Searchingmentioning

confidence: 99%

“…Hence, the model is trained on a corpus of around 12 million words, with a windows size of 5 and 300 dimensions. Based on our previous work [21], building a model on top of a specific domain-related datasets, the Word2Vec gives closely related domain correlations of terms; whereas the existing pre-trained models such as Google News provides more general context to a particular term. Figure 4 shows an example of Word2Vec implementation for suggesting top five most similar terms, considering the term "globalization".…”

Section: B Selective Searchmentioning

confidence: 99%

See 1 more Smart Citation

Visual Search in Digital Libraries and the Usage of External Terms

Hajra

Tochtermann

2018

2018 22nd International Conference Information Visualisation (IV)

Self Cite

View full text Add to dashboard Cite

Standard-Nutzungsbedingungen:Dieses Dokument darf zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen dieses Dokument nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, aufführen, vertreiben oder anderweitig nutzen. Sofern für das Dokument eine Open-Content-Lizenz verwendet wurde, so gelten abweichend von diesen Nutzungsbedingungen die in der Lizenz gewährten Nutzungsrechte. Terms of use:This document may be saved and copied for your personal and scholarly purposes. You are not to copy it for public or commercial purposes, to exhibit the document in public, to perform, distribute or otherwise use the document in public. If the document is made available under a Creative Commons Licence you may exercise further usage rights as specified in the licence.

show abstract

Section: A Searchingmentioning

confidence: 99%

Section: B Selective Searchmentioning

confidence: 99%

Visual Search in Digital Libraries and the Usage of External Terms

Hajra

Tochtermann

2018

2018 22nd International Conference Information Visualisation (IV)

Self Cite

View full text Add to dashboard Cite

show abstract

“…They also discussed various ways to enhance the interoperability of RIs, including semantic contextualization, enrichment, mapping and bridging. Hajra et al [15] presented a way to enhance scholarly communication by linking data from different repositories. They considered bibliographic Linked Open Data (LOD) repositories to compute the semantic similarity between two resources.…”

Section: Introductionmentioning

confidence: 99%

Federating Scholarly Infrastructures with GraphQL

Haris¹,

Farfar²,

Stocker³

et al. 2021

Preprint

View full text Add to dashboard Cite

A plethora of scholarly knowledge is being published on distributed scholarly infrastructures. Querying a single infrastructure is no longer sufficient for researchers to satisfy information needs. We present a GraphQL-based federated query service for executing distributed queries on numerous, heterogeneous scholarly infrastructures (currently, ORKG, DataCite and GeoNames), thus enabling the integrated retrieval of scholarly content from these infrastructures. Furthermore, we present the methods that enable cross-walks between artefact metadata and artefact content across scholarly infrastructures, specifically DOI-based persistent identification of ORKG artefacts (e.g., ORKG comparisons) and linking ORKG content to third-party semantic resources (e.g., taxonomies, thesauri, ontologies). This type of linking increases interoperability, facilitates the reuse of scholarly knowledge, and enables finding machine actionable scholarly knowledge published by ORKG in global scholarly infrastructures. In summary, we suggest applying the established linked data principles to scholarly knowledge to improve its findability, interoperability, and ultimately reusability, i.e., improve scholarly knowledge FAIR-ness.

show abstract

“…They have tested these strategies for multiple tasks, such as classification and regression, by using two datasets Wikidata and DBpedia, whereas they have used the GloVe model [195] for creating RDF embeddings by exploiting global patterns. The authors in [111] used several bibliographic RDF datasets and word2vec for enriching the data of scientific publications with information from multiple data sources, while in [123] the authors exploited enriched ontology structures for producing RDF embeddings which were used for the task of Entity Linking. In [177], the authors combined embeddings from DBpedia and social network datasets for performing link prediction, whereas in [72] Wikipedia knowledge graph was exploited for finding the most similar entities to a given one for a specific time period.…”

Section: Related Workmentioning

confidence: 99%

Services for connecting and integrating big number of linked datasets

Μουνταντωνάκης¹

View full text Add to dashboard Cite

Τα ∆ιασυνδεδεμένα ∆εδομένα (Linked Data) είναι ένας τρόπος δημοσίευσης δεδομένων που διευκολύνει το διαμοιρασμό, τη διασύνδεση, την αναζήτηση και την επαναχρησιμοποίησή τους. Ήδη υπάρχουν χιλιάδες τέτοια σύνολα δεδομένων, στο εξής πηγές, και ο αριθμός και το μέγεθος τους αυξάνεται. Αν και ο κύριος στόχος των ∆ιασυνδεδεμένων ∆εδομένων είναι η διασύνδεση και η ολοκλήρωση τους, αυτός ο στόχος δεν έχει επιτευχθεί ακόμα σε ικανοποιητικό βαθμό. Ακόμα και φαινομενικά απλές εργασίες, όπως η εύρεση όλων των πληροφοριών για μία συγκεκριμένη οντότητα αποτελούν πρόκληση διότι αυτό προϋποθέτει γνώση των περιεχομένων όλων των πηγών, καθώς και την ικανότητα συλλογισμού επί των συναθροισμένων περιεχομένων τους, συγκεκριμένα απαιτείται ο υπολογισμός του συμμετρικού και μεταβατικού κλεισίματος των σχέσεων ισοδυναμίας μεταξύ των ταυτοτήτων των οντοτήτων και των οντολογιών. Η ανακάλυψη δεδομένων (Dataset Discovery) επίσης αποτελεί μεγάλη πρόκληση, διότι οι τρέχουσες προσεγγίσεις αξιοποιούν μόνο τα μεταδεδομένα των πηγών, και δεν λαμβάνουν υπόψη τα περιεχόμενα τους. Σε αυτή τη διατριβή, αναλύουμε το ερευνητικό έργο που έχει παραχθεί στον τομέα της Ολοκλήρωσης ∆ιασυνδεμένων ∆εδομένων με έμφαση σε τεχνικές που μπορούν να εφαρμοστούν σε μεγάλη κλίμακα. Συγκεκριμένα παραγοντοποιούμε το πρόβλημα σε διαστάσεις που επιτρέπουν την καλύτερη κατανόηση του προβλήματος και τον εντοπισμό των ανοικτών προκλήσεων. Εν συνεχεία προτείνουμε ευρετήρια και αλγορίθμους για την αντιμετώπιση των παραπάνω προκλήσεων, συγκεκριμένα μεθόδους για συλλογισμό επί των ταυτοτήτων των πόρων, για εύρεση όλων των πληροφοριών για μία οντότητα, για ανακάλυψη πηγών βάσει περιεχομένου και άλλων. Λόγω του μεγάλου πλήθους και όγκου των πηγών, οι τεχνικές που προτείνονται περιλαμβάνουν αυξητικούς και παράλληλους αλγορίθμους. ∆είχνουμε ότι η ανακάλυψη πηγών βάσει περιεχομένου ανάγεται στην επίλυση προβλημάτων βελτιστοποίησης και προτείνουμε τεχνικές για την αποδοτική επίλυσή τους. Τα παραπάνω ευρετήρια και αλγόριθμοι έχουν υλοποιηθεί στη σουίτα υπηρεσιών που αναπτύξαμε που αναφέρεται με το όνομα LODsyndesis, η οποία προσφέρει όλες αυτές τις υπηρεσίες σε πραγματικό χρόνο. Επιπροσθέτως, παρουσιάζουμε μία εκτενή ανάλυση συνδεσιμότητας για ένα μεγάλο υποσύνολο πηγών του νέφους Ανοικτών ∆ιασυνδεδεμένων ∆εδομένων (LOD Cloud). Συγκεκριμένα αναφέρουμε μετρήσεις (συνδεσιμότητας και αποδοτικότητας) που αφορούν 2 δισεκατομμύρια τριπλέτες, 412 εκατομμύρια URIs και 44 εκατομμύρια σχέσεις ισοδυναμίας που προέρχονται από 400 πηγές, χρησιμοποιώντας από 1 έως 96 μηχανήματα για την ευρετηρίαση.Ενδεικτικά, χρησιμοποιώντας 96 μηχανήματα χρειάστηκαν λιγότερα από 10 λεπτά για τον υπολογισμό του συμμετρικού και μεταβατικού κλεισίματος, και 81 λεπτά για την ευρετηρίαση 2 δισεκατομμυρίων τριπλετών. Επιπρόσθετα, χρησιμοποιώντας τα ευρετήρια μαζί με τους προτεινόμενους αυξητικούς αλγορίθμους, κατέστη εφικτός ο υπολογισμός των μετρήσεων συνδεσιμότητας για 1 εκατομμύριο υποσύνολα πηγών σε 1 δευτερόλεπτο (τρεις τάξεις μεγέθους γρηγορότερα σε σχέση με συμβατικές μεθόδους), ενώ οι προσφερόμενες υπηρεσίες έχουν απόκριση δευτερολέπτων. Οι υπηρεσίες αυτές καθιστούν εφικτή και την υλοποίηση υπηρεσιών υψηλότερου επιπέδου, όπως υπηρεσίες εμπλουτισμού πηγών για χρήση από τεχνικές Μηχανικής Μάθησης καθώς και τεχνικές για ∆ιανυσματικές Αναπαστάσεις Γράφων Γνώσης (Knowledge Graph Embeddings) και δείχνουμε ότι ο εμπλουτισμός αυτός βελτιώνει τις προβλέψεις σε προβλήματα μηχανικής μάθησης.

show abstract

Linking science: approaches for linking scientific publications across different LOD repositories

Cited by 8 publications

References 0 publications

Visual Search in Digital Libraries and the Usage of External Terms

Visual Search in Digital Libraries and the Usage of External Terms

Federating Scholarly Infrastructures with GraphQL

Services for connecting and integrating big number of linked datasets

Contact Info

Product

Resources

About