Thema3585
Abschlussarbeitstyp: Master
Betreuer: Benedikt Kämpgen
Forschungsgruppe: Wissensmanagement
Archivierungsnummer: 3585
Abschlussarbeitsstatus: Offen
Beginn: unbekannt
Abgabe: unbekannt
Lust auf exploratives Data Mining im Semantic Web?
Stichworte:
Inhaltsverzeichnis
Motivation
Als Linked Open Data wird die Menge aller Daten bezeichnet, die im Web durch Semantische Technologien mit einer freien Lizenz veröffentlicht worden sind. Beispiele für enthaltene Datensätze sind DBpedia, Freebase, US Census (Für eine Übersicht, siehe the Linking Open Data cloud Diagramm) Seit mehreren Jahren wächst Linked Open Data exponentiell.
Die große und thematisch breite Menge an Linked Open Data verspricht nützliches Wissen zu erzeugen. Data-Mining-Methoden extrahieren interessante Muster aus riesigen Datenmengen.
Online Analytical Processing (OLAP) ist eine explorative Data-Mining-Methode, die sich insbesondere in der Industrie zur Analyse von Statistikdaten bewährt hat.
Vorteile von OLAP sind:
- Bekannte konzeptuelles Modell aus Datenwürfeln (Data Cubes), Dimensionen und Kennzahlen (Measures).
- Bekannte Operationen auf Datenwürfeln, z.B. Slice, Dice, Roll-Up, Drill-Down
- Systematische und automatische Vorverarbeitung von Daten in wiederholbaren ETL-Prozessen
- Optimierungstechniken zur effizienten Ausführung von OLAP-Operationen
In der Arbeit soll OLAP auf Linked Open Data erlaubt werden.
Herausforderungen
Folgende Herausforderungen gibt es beispielsweise beim Anwenden von OLAP auf Linked Open Data:
- Milliarden von Daten.
- Daten sind über Server verteilt.
- Nicht relationale Daten, sondern graph-basierte Daten
- Unsaubere Daten
- Besondere Semantik der Daten (Inferenzen möglich)
- Verschiedene Abstraktionslevel, z.B., Top-Level-Domänen, Domains, Datei, URI
Benachbarte Arbeiten
Ziele der Arbeit