From Knowledge Representation to Knowledge Organization and Back

要約

知識表現 (KR) とファセット分析的知識組織 (KO) は、それぞれ人工知能コミュニティと情報科学コミュニティにおけるデータと知識モデリングの 2 つの最も著名な方法論です。
KR は、知識モデリングをサポートする堅牢かつスケーラブルなテクノロジーのエコシステムを誇っていますが、そのモデル (およびモデルベースのデータ) の品質はあまり重視されていません。
一方、KO はテクノロジー主導型ではありませんが、モデリング (およびモデルベースのデータ) の品質を確保するための指導原則 (規範) の堅牢なフレームワークを開発しました。
このペーパーでは、KR とファセット分析 KO の両方の方法論を詳細に説明し、それらの間の機能的なマッピングを提供します。
この論文では、マッピングのうち、KR 方法論のすべての標準コンポーネントに加え、KO によって提供されるモデリング品質の指針を備えた、統合された KO 強化型 KR 方法論を提案しています。
方法論的統合の実際的な利点は、KR ベースの画像アノテーション演習の著名なケーススタディを通じて例示されています。

要約(オリジナル)

Knowledge Representation (KR) and facet-analytical Knowledge Organization (KO) have been the two most prominent methodologies of data and knowledge modelling in the Artificial Intelligence community and the Information Science community, respectively. KR boasts of a robust and scalable ecosystem of technologies to support knowledge modelling while, often, underemphasizing the quality of its models (and model-based data). KO, on the other hand, is less technology-driven but has developed a robust framework of guiding principles (canons) for ensuring modelling (and model-based data) quality. This paper elucidates both the KR and facet-analytical KO methodologies in detail and provides a functional mapping between them. Out of the mapping, the paper proposes an integrated KO-enriched KR methodology with all the standard components of a KR methodology plus the guiding canons of modelling quality provided by KO. The practical benefits of the methodological integration has been exemplified through a prominent case study of KR-based image annotation exercise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google