Intelligente Datenauswertung mit Linked Open Data

  • Heiko Paulheim
  • Axel Schulz
  • Frederik Janssen
  • Petar Ristoski
  • Immanuel Schweizer
Chapter
Part of the X.media.press book series (XMEDIAP)

Zusammenfassung

Linked Open Data ist eine große Sammlung von Datensets, die Semantic-Web-Prinzipien implementieren. Sie ermöglichen die Entwicklung intelligenter Anwendungen. In diesem Kapitel zeigen wir anhand von zwei Fallstudien, wie Daten mit Hintergrundwissen aus Linked Open Data besser ausgewertet werden können. In der ersten Studie werden Statistiken über Arbeitslosenzahlen analysiert und automatisiert nach Gründen für Regionen mit hoher Arbeitslosigkeit gesucht. In der zweiten Studie werden mit Mobiltelefonen gesammelte Lärmmessdaten zusammengeführt und mit Hintergrundinformationen aus Linked Open Data verknüpft, um Lärmquellen zu identifizieren und mögliche Maßnahmen zur Lärmbekämpfung simulieren zu können. Es wird gezeigt, dass Daten aus dem Semantic Web in der Datenauswertung einen deutlichen Mehrwert bieten und automatisierte Analysen ermöglichen, die sonst nur mit erheblichem Mehraufwand bzw. höheren Kosten zu bewerkstelligen wären.

Literatur

  1. 1.
    Schulz, Axel, Heiko Paulheim, und Florian Probst. 2012. Crisis information management in the Web 3.0 Age. 9th International Conference on information systems for crisis response and management, Vancuover.Google Scholar
  2. 2.
    Schulz, Axel, Petar Ristoski, und Heiko Paulheim. 2013. I see a car crash: Real-time detection of small scale incidents in microblogs. In Lecture notes in computer science, The Semantic Web: ESWC 2013 Satellite Events, no. 7955, Hrsg. C. Philipp, M. Fernández, V. Lopez, S. Schlobach, und J. Völker, 2–33. Berlin: Springer.Google Scholar
  3. 3.
    Suchanek, Fabian M., Gjergji Kasneci, und Gerhard Weikum. 2007. YAGO: A core of semantic knowledge. Proceedings of the 16th International Conference on World Wide Web, WWW ’07, 697–706, ACM, New York.Google Scholar
  4. 4.
    Paulheim, Heiko. 2012. Generating possible interpretations for statistics from linked open data. In 9th Extended Semantic Web Conference, ESWC 2012; 560–574. Berlin: Springer.Google Scholar
  5. 5.
    Paulheim, Heiko. 2013. Exploiting linked open data as background knowledge in data mining. Workshop on data mining on linked open data, University of Mannheim, GermanyGoogle Scholar
  6. 6.
    Paulheim, Heiko, und Johannes Fümkranz. 2012. Unsupervised generation of data mining features from linked open data. Proceedings of the 2nd International Conference on Web Intelligence, Mining and semantics, New York.Google Scholar
  7. 7.
    Immanuel Schweizer, Roman Bärtl, Axel Schulz, Forian Probst, Max Mühläuser, NoiseMap–Real-time participatory noise maps, in: PhoneSense 2011 – Second International Workshop on Sensing Applications on Mobile Phones, November 1, 2011, Held at ACM SenSys 2011, Seattle, WA, USA, November 1–4, 2011.Google Scholar
  8. 8.
    Jens Lehmann, Robert Isele, Max Jakob, Anja Jentzsch, Dimitris Kontokostas, Pablo N. Mendes, Sebastian Hellmann, Mohamed Morsey, Patrick van Kleef, Sören Auer, Christian Bizer. DBpedia - A Large-scale, Multilingual Knowledge Base Extracted from Wikipedia. Semantic Web Journal, Vol. 6 No. 2, pp 167–195, 2015Google Scholar
  9. 9.
    Mendes, P. N., M. Jakob, A. García-Silva, und C. Bizer. 2011. DBpedia spotlight: Shedding light on the web of documents. The Proceedings of the 7th International Conference on Semantic Systems (I-Semantics), Graz.Google Scholar
  10. 10.
    Ristoski, Petar, und Heiko Paulheim. 2013. Analyzing statistics with background knowledge from linked open data. First International Workshop on Semantic Statistics (SemStats 2013).Google Scholar
  11. 11.
    Ristoski, Petar, und Heiko Paulheim. 2014. Feature selection in hierarchical feature spaces. Discovery Science, Lecture Notes in Computer Science Volume 8777, pp 288–300, Springer.Google Scholar
  12. 12.
    Ristoski, Petar, Eneldo Loza Mencía, und Heiko Paulheim. 2014. A hybrid multi-strategy recommender system using linked open data. in: Proceedings of the Semantic Web Evaluation Challenge held at ESWC 2014, Communications in Computer and Information Science Volume 475, pp 150–156, Springer.Google Scholar
  13. 13.
    Schowe, Benjamin. 2011. Feature selection for high-dimensional data with RapidMiner. Proceedings of the 2nd RapidMiner Community Meeting And Conference (RCOMM 2011), Aachen.Google Scholar
  14. 14.
    Auer, Sören, Jens Lehmann, und Sebastian Hellmann. 2009. LinkedGeoData: Adding a spatial dimension to the web of data. The Semantic Web-ISWC 2009, 731–746. Berlin: Springer.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  • Heiko Paulheim
    • 1
  • Axel Schulz
    • 2
  • Frederik Janssen
    • 3
  • Petar Ristoski
    • 1
  • Immanuel Schweizer
    • 2
  1. 1.Data and Web Science GroupUniversität MannheimMannheimDeutschland
  2. 2.Telecooperation GroupTechnische Universität DarmstadtDarmstadtDeutschland
  3. 3.Knowledge Engineering GroupTechnische Universität DarmstadtDarmstadtDeutschland

Personalised recommendations