• 1 Обзор
• 2 Примеры
  • 2.1 Связывание именованных сущностей
  • 2.2 Преобразование реляционной базы данных в RDF
• 3 Извлечение из структурированных источников в RDF
  • 3.1 Отображение 1:1 из таблиц/представлений реляционной базы данных в RDF сущности/атрибуты/значения
  • 3.2 Сложные отображения реляционных баз данных в RDF
  • 3.3 XML
  • 3.4 Обзор методов / средств
• 4 Извлечение из естественного языкового источника
  • 4.1 Традиционное извлечение информации
  • 4.2 Извлечение информации на основе онтологий
  • 4.3 Обучение онтологий
  • 4.4 Семантическое аннотирование
  • 4.5 Средства
• 5 Обнаружение знаний
  • 5.1 Ввод данных
  • 5.2 Форматы вывода
• 6 См. также
• 7 Примечания
• 8 Литература

1. DBpedia Spotlight, OpenCalais^[англ.], Dandelion dataTXT, Zemanta API, Extractiv и PoolParty Extractor анализируют произвольный текст с помощью распознавания именованных сущностей^[англ.], а затем разрешения неоднозначностей путём разрешения имён^[англ.] и связывания найденных сущностей в депозитарий знаний DBpedia^[3] (Dandelion dataTXT demo, или DBpedia Spotlight web demo, или PoolParty Extractor Demo).

Так как Президент Обама связан в DBpedia с ресурсом LinkedData, дальнейшая информация может быть извлечена автоматически и Семантический механизм рассуждений может, например, сделать вывод, что упомянутая сущность является неким типом личности (используя FOAF) и президентом США (используя YAGO^[англ.]). Контрпримеры: Методы, которые только распознают сущности и не связывают со статьями в Википедии или другими объектами, не обеспечивают извлечение дальнейших структурированных данных и формального знания.

1. Triplify, D2R Server, Ultrawrap и Virtuoso^[англ.] прредставления RDF являются средствами, которые преобразуют реляционную базу данных в RDF. В течение это процесса эти средства позволяют повторное использование словарей и онтологии в процессе преобразования. Когда преобразуется типичная реляционная таблица с названием users, один столбец (например, name) или группа столбцов (например, first_name и last_name) должны обеспечивать унифицированный идентификатор создаваемой сущности. Обычно используется главный ключ. Любой другой столбец может быть извлечён как связанный с этой сущностью^[4]. Затем используются (и повторно используются) свойства с формально определённой семантикой для интерпретации информации. Например, столбец таблицы user, названный marriedTo (женат на/замужем за) может быть определён как семантическое отношение, а столбец homepage (домашняя страница) может быть преобразован в свойство из словаря FOAF с названием foaf: homepage, тем самым квалифицируя его как обратную функциональность. Тогда каждый вход таблицы user может быть сделан экземпляром класса foaf:Person (онтология Население). Кроме того, предметная область (в виде онтологии) может быть создана из status_id путём вручную созданных правил (если status_id равен 2, строка таблицы принадлежит классу Учитель) или (полу-)автоматическими методами (Обучение онтологий^[англ.]). Ниже приведён пример преобразования:

 :Peter :marriedTo :Mary .  
 :marriedTo OWL:SymmetricProperty .  
 :Peter foaf:homepage  <http://example.org/Peters_page> .  
 :Peter foaf:Person (Физическое лицо).   
 :Peter :Student (Студент).  
 :Claus :Teacher (Учитель).

• Каждый столбец в таблице является свойством (то есть предикатом)
• Каждое значение в столбце является свойством атрибута (то есть является объектом)
• Каждый ключ строки представляет ID сущности (то есть субъектом)
• Каждая строка представляет экземпляр сущности
• Каждая строка (экземпляр сущности) представляется в RDF коллекцией кортежей с общим субъектом (ID сущности).

1. создаём схему RDF (RDFS) класса для каждой таблицы
2. преобразуем все главные ключи и внешние ключи в IRI идентификаторы
3. назначаем IRI предикат каждому столбцу
4. назначаем rdf: type предикат каждой строке, связывая его с IRI идентификатором RDFS класса
5. Для каждого столбца, не являющегося ни частью главного ключа, ни частью внешнего ключа, строим тройку, содержащую IRI главного ключа в качестве субъекта (подлежащего), IRI столбца в качестве предиката и значения столбца в качестве объекта.

• Распознавание именованных сущностей^[англ.] (англ. Named entity recognition, NER)
• Разрешение кореференции(англ. Coreference resolution, CO)
• Построение элементов шаблона (ПЭ, англ. Template element construction, TE) (или Добавление атрибутов к сущностям)
• Выявление связей между сущностями (ВС, англ. Template relation construction, TR)
• Построение полного описания события (ППО, англ. Template scenario production, ST)

1. Извлечение терминологии
2. Связывание именованных сущностей

• Базы данных
  • Реляционные данные^[англ.]
  • База данных
  • Хранилище документов^[англ.]
  • Хранилище данных
• Программное обеспечение^[англ.]
  • Исходный код
  • Конфигурационные файлы
  • Скрипты сборки
• Текст
  • Извлечения понятий^[англ.]
• Графы^[англ.]
  • Интеллектуальный анализ молекул^[англ.]
• Последовательности^[англ.]
  • Интеллектуальный анализ потока данных^[англ.]
  • Дрейф концепции^[англ.]
• Web

• Модель данных
• Метаданные
• Метамодели
• Онтология
• Представление знаний
• Тег (метаданные)
• Деловые правила^[англ.]
• Метамодель обнаружения знаний^[англ.]
• Нотация и модель бизнес-процессов
• Промежуточное представление
• Среда описания ресурса
• Метрики программного обеспечения

• Кластерный анализ
• Археология данных

1. RDB2RDF Working Group, Website: http://www.w3.org/2001/sw/rdb2rdf/ Архивная копия от 11 мая 2016 на Wayback Machine, charter: http://www.w3.org/2009/08/rdb2rdf-charter Архивная копия от 20 марта 2016 на Wayback Machine, R2RML: RDB в RDF Mapping Language: http://www.w3.org/TR/r2rml/ Архивная копия от 10 октября 2021 на Wayback Machine
2. LOD2 EU (недоступная ссылка) Deliverable 3.1.1 Knowledge Extraction from Structured Sources
3. Calais Release 4, 2009.
4. ^{1 2} Berners-Lee, 1998.
5. Hu, Qu, 2007, с. 225238.
6. Ghawi, Cullot, 2007.
7. Li, Du, Wang, 2005, с. 209—220.
8. Tirmizi, Miranker, Sequeda, 2008.
9. Cerbah, 2008.
10. RDQL = RDF Query Language
11. ^{1 2} Wimalasuriya, Dou, 2010, с. 306 – 323.
12. Не путать с MS IE = Интернет эксплорер компании Микрософт!
13. Cunningham, 2005, с. 665–677.
14. Erdmann, Maedche, Schnurr, Staab, 2000.
15. Rao, McNamee, Dredze, 2011, с. 93—115.
16. Rocket Software, Inc. (2012). «technology for extracting intelligence from text»
17. Orchestr8 (2012): «AlchemyAPI Overview»
18. The University of Sheffield (2011). «ANNIE: a Nearly-New Information Extraction System»
19. Mendes, Jakob, Garcia-Slva, Bizer, 2011, с. 1 – 8.
20. Gangemi, Presutti, Recupero и др., 2016.
21. Adrian, Maus, Dengel, 2009.
22. SRA International, Inc. (2012). «NetOwl Extractor»
23. Fortuna, Grobelnik, Mladenic, 2007, с. 309–318.
24. Missikoff, Navigli, Velardi, 2002, с. 60 – 63.
25. McDowell, Cafarella, 2006, с. 428 – 444.
26. Yildiz, Miksch, 2007, с. 660 – 673.
27. Dill, Eiron, Gibson и др., 2003, с. 178 – 186.
28. Uren, Cimiano, Iria и др., 2006, с. 14 – 28.
29. Cimiano, Vlker, 2005.
30. Maedche, Volz, 2001.
31. Machine Linking. «We connect to the Linked Open Data cloud»
32. Inxight ThingFinder and ThingFinder Professional  (неопр.). Inxight Federal Systems (2008). Дата обращения: 18 июня 2012. Архивировано из оригинала 29 июня 2012 года.
33. Frawley, Piatetsky-Shapiro, Matheus, 1992, с. 57—70.
34. Fayyad, Piatetsky-Shapiro, Smyth, 1996, с. 37—54.
35. Cao, 2010, с. 755–769.

• Cao L. Domain driven data mining: challenges and prospects // IEEE Trans. on Knowledge and Data Engineering. — 2010. — Т. 22, вып. 6. — doi:10.1109/tkde.2010.32.
• Life in the Linked Data Cloud // www.opencalais.com. — 2009. Архивировано из оригинала 24 ноября 2009 года. Выдержка: Википедия имеет двойника с именем DBpedia. DBpedia имеет ту же структурированную информацию, что и Википедия, но преобразованную в понимаемый машинами формат.
• Benjamin Adrian, Heiko Maus, Andreas Dengel. iDocument: Using Ontologies for Extracting Information from Text. — 2009.
• William J. Frawley, Gregory Piatetsky-Shapiro, Christopher J. Matheus. Knowledge Discovery in Databases: An Overview // AI Magazine. — 1992. — Т. 13, № 3. — С. 57—70. Архивировано из оригинала 4 марта 2016 года.
• Usama M. Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth. From Data Mining to Knowledge Discovery in Databases // AI Magazine. — 1996. — Т. 17, № 3. — С. 37—54. Архивировано 4 мая 2016 года.
• Tim Berners-Lee. Relational Databases on the Semantic Web. — 1998.
• Farid Cerbah. Learning Highly Structured Semantic Repositories from Relational Databases // The Semantic Web: Research and Applications. — Berlin / Heidelberg: Springer, 2008. — Т. 5021. — (Lecture Notes in Computer Science). Архивировано 20 июля 2011 года.
• Aldo Gangemi, Valentina Presutti, Diego Reforgiato Recupero, Andrea Giovanni Nuzzolese, Francesco Draicchio, Misael Mongiov. Semantic Web Machine Reading with FRED // Semantic Web Journal. — 2016. — doi:10.3233/SW-160240.
• Michele Missikoff, Roberto Navigli, Paola Velardi. Integrated Approach to Web Ontology Learning and Engineering // Computer. — 2002. — Т. 35, вып. 11. — С. 60 – 63.
• Victoria Uren, Philipp Cimiano, Jos Iria, Siegfried Handschuh, Maria Vargas-Vera, Enrico Motta, Fabio Ciravegna. Semantic annotation for knowledge management: Requirements and a survey of the state of the art (недоступная ссылка — история) // Web Semantics: Science, Services and Agents on the World Wide Web. — 2006. — Т. 4, вып. 1. — С. 14 – 28.
• Daya C. Wimalasuriya, Dejing Dou. Ontology-based information extraction: An introduction and a survey of current approaches // Journal of Information Science. — 2010. — Т. 36, вып. 3. — С. 306 – 323.