Describing and Organizing Semantic Web and Machine Learning Systems in the SWeMLS-KG

要約

学習とシンボリック コンポーネントを組み合わせたインテリジェント システムを作成する人工知能研究の一般的な傾向に沿って、機械学習 (ML) コンポーネントとセマンティック Web (SW) コミュニティによって開発された技術の組み合わせに焦点を当てた新しいサブエリアが出現しました –
セマンティック Web 機械学習 (略して SWeML)。
過去 20 年間の急速な成長といくつかのコミュニティへの影響により、これらの SWeML システムのスペース、その特性、および傾向をよりよく理解する必要があります。
しかし、原則的で偏りのないアプローチを採用する調査はありません。
このギャップを埋めるために、体系的な調査を実施し、この分野で過去 10 年間に発行された約 500 の論文を分析しました。そこでは、アーキテクチャおよびアプリケーション固有の機能の評価に焦点を当てました。
私たちの分析では、SWeML システムへの関心が急速に高まっており、いくつかのアプリケーション ドメインやタスクに大きな影響を与えていることがわかりました。
この急速な成長の触媒は、ディープ ラーニングとナレッジ グラフ テクノロジのアプリケーションの増加です。
この研究を通じて得られたこの分野の深い理解を活用することにより、この論文のさらなる重要な貢献は、オントロジーとして公開する SWeML システムの分類システムです。

要約(オリジナル)

In line with the general trend in artificial intelligence research to create intelligent systems that combine learning and symbolic components, a new sub-area has emerged that focuses on combining machine learning (ML) components with techniques developed by the Semantic Web (SW) community – Semantic Web Machine Learning (SWeML for short). Due to its rapid growth and impact on several communities in the last two decades, there is a need to better understand the space of these SWeML Systems, their characteristics, and trends. Yet, surveys that adopt principled and unbiased approaches are missing. To fill this gap, we performed a systematic study and analyzed nearly 500 papers published in the last decade in this area, where we focused on evaluating architectural, and application-specific features. Our analysis identified a rapidly growing interest in SWeML Systems, with a high impact on several application domains and tasks. Catalysts for this rapid growth are the increased application of deep learning and knowledge graph technologies. By leveraging the in-depth understanding of this area acquired through this study, a further key contribution of this paper is a classification system for SWeML Systems which we publish as ontology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google