This HTML5 document contains 289 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n85https://web.archive.org/web/20120629052702/http:/inxightfedsys.com/products/sdks/tf/
n72https://web.archive.org/web/20160304121216/http:/neon-toolkit.org/wiki/
n46http://turing.cs.washington.edu/papers/
n49http://metamorphoses.sourceforge.net/
n21https://dandelion.eu/products/datatxt/nex/demo/
n23http://sourceforge.net/projects/rdote/
n12https://dandelion.eu/
n20https://code.google.com/p/text2onto/
n51http://ieg.ifs.tuwien.ac.at/projects/
dbpprophttp://dbpedia.org/property/
n44http://www.extractiv.com/
n25http://www.cs.toronto.edu/semanticweb/maponto/
n15https://global.dbpedia.org/id/
n39http://spotlight.dbpedia.org/rest/
n66https://web.archive.org/web/20120719171047/http:/thewikimachine.fbk.eu/html/
n45http://texttoonto.sourceforge.net/
n38http://rhizomik.net/html/redefer/
dbpedia-owlhttp://dbpedia.org/ontology/
n37http://wwwusers.di.uniroma1.it/~velardi/
n41http://poolparty.biz/products/poolparty-extractor/
foafhttp://xmlns.com/foaf/0.1/
voidhttp://rdfs.org/ns/void#
n27http://www.semantic-web.at/de/
n35http://dbpedia.org/resource/Knowledge_extraction#
categoryhttp://dbpedia.org/resource/Category:
n18http://sk.dbpedia.org/resource/
n28http://wit.istc.cnr.it/stlab-tools/fred/
n74http://pt.dbpedia.org/resource/
n34https://capsenta.com/
n71https://web.archive.org/web/20170718122006/https:/kwarc.info/projects/krextor/
n17http://uk.dbpedia.org/resource/
n78http://de.dbpedia.org/resource/
n68https://web.archive.org/web/20120711232021/http:/www.attensity.com/products/technology/semantic-server/exhaustive-extraction/
xsdhhttp://www.w3.org/2001/XMLSchema#
n13http://poolparty.biz/demozone/
n79http://ko.dbpedia.org/resource/
n89https://github.com/acoli-repo/
n30http://www.rosoka.com/
n63http://ebiquity.umbc.edu/paper/html/id/480/
n7http://xmlns.com/foaf/spec/
n77http://cs.dbpedia.org/resource/
n83https://web.archive.org/web/20090428013624/http:/ccnt.zju.edu.cn/projects/dartgrid/
n31http://www.insiders-technologies.de/produkte/smart-produkte/smart-fix/
n82https://web.archive.org/web/20110717074012/http:/www.topquadrant.com/products/
dctermshttp://purl.org/dc/terms/
wdrshttp://www.w3.org/2007/05/powder-s#
provhttp://www.w3.org/ns/prov#
n61http://example.org/
n84https://web.archive.org/web/20120621115715/http:/lab.linkeddata.deri.ie/2010/grefine-rdf-extension/
n32http://www.netowl.com/
n67https://web.archive.org/web/20130514044520/http:/www.cn.ntua.gr/~nkons/
n80http://fr.dbpedia.org/resource/
schemahttp://schema.org/
n76http://www.wikidata.org/entity/
n60http://www4.wiwiss.fu-berlin.de/bizer/d2r-server/
n36http://www.thatneedle.com/
n26http://www2003.org/cdrom/papers/refereed/p831/
n86https://web.archive.org/web/20110723042155/http:/protege.cim3.net/cgi-bin/
n19http://sourceforge.net/projects/relational-owl/
n10http://dbpedia.org/resource/Template:
n54http://demo.openlinksw.com/about/id/entity/http/dbpedia.org/resource/
dbpediahttp://dbpedia.org/resource/
fbasehttp://rdf.freebase.com/ns/
n62http://www.w3.org/TR/rdb-direct-mapping/
n75https://demo.openlinksw.com/about/id/entity/http/dbpedia.org/resource/
n70https://web.archive.org/web/20160816225339/http:/tao-project.eu/researchanddevelopment/demosanddownloads/
rdfshttp://www.w3.org/2000/01/rdf-schema#
n81https://web.archive.org/web/20110630083409/http:/publishing-statistical-data.googlecode.com/svn/trunk/specs/src/main/html/
yagohttp://dbpedia.org/class/yago/
n40http://en.wikipedia.org/wiki/
n42http://protegewiki.stanford.edu/wiki/
n22http://ar.dbpedia.org/resource/
owlhttp://www.w3.org/2002/07/owl#
n58http://demo.openlinksw.com/sparql/
n87https://web.archive.org/web/20110724231333/http:/aksw.org/Projects/
n52http://dbpedia.org/resource/Template:N/
n56http://www.mindswap.org/~mhgrove/ConvertToRDF/
n11http://wwwusers.di.uniroma1.it/~navigli/pubs/
n88https://github.com/benjamin-adrian/
n24http://ru.dbpedia.org/resource/
n33http://xlwrap.sourceforge.net/
n43http://www-ai.ijs.si/~ilpnet2/systems/
n69https://web.archive.org/web/20120712015122/http:/dbpedia.org/
n50http://gate.ac.uk/sale/tao/splitch6.html%23chap:
n65http://demo.openlinksw.com/about/id/entity/https/dbpedia.org/data/
n47http://dandelion.eu/datatxt/
n48http://logd.tw.rpi.edu/technology/
n8http://
n16http://rhizomik.net/html/redefer/xml2rdf/
n73https://web.archive.org/web/20160513114853/http:/www.alchemyapi.com/
n64http://ebiquity.umbc.edu/project/html/id/82/
n29http://www.opencalais.com/

Statements

Subject Item
dbpedia:Knowledge_extraction
rdf:type
owl:Thing schema:CreativeWork
rdfs:label
Extração de conhecimento 지식 추출 Выделение знаний Knowledge Discovery in Databases Extraction de connaissances استخراج المعرفة Видобуток знань Knowledge extraction Dobývání znalostí z databází
rdfs:comment
Knowledge extraction is the creation of knowledge from structured (relational databases, XML) and unstructured (text, documents, images) sources. The resulting knowledge needs to be in a machine-readable and machine-interpretable format and must represent knowledge in a manner that facilitates inferencing. Although it is methodically similar to information extraction (NLP) and ETL (data warehouse), the main criteria is that the extraction result goes beyond the creation of structured information or the transformation into a relational schema. It requires either the reuse of existing formal knowledge (reusing identifiers or ontologies) or the generation of a schema based on the source data. Выделение знаний (англ. Knowledge extraction) — это создание знаний из структурированных (реляционных баз данных, XML) и неструктурированных источников (тексты, документы, изображения). Полученное знание должно иметь формат, позволяющий компьютерный ввод, и должно представлять знания так, чтобы облегчить логические выводы. Хотя по методике процесс подобен извлечению информации (обработке естественного языка, англ. Natural language processing, NLP) и процессу «Извлечения, Преобразования, Загрузки» (англ. Extract, Transform, Load, ETL, для хранилищ данных), главный критерий результата — создание структурированной информации или преобразование в реляционную схему. Это требует либо преобразования существующего формального знания (повторного использования идентификаторов или онтологий), либо ге Видобуток знань є створення знань зі структурованих (реляційних баз даних, XML) і неструктурованих (тексти, документи, зображення) джерел. Отримане знання повинно бути збережене у форматі придатному для автоматичного читання та інтерпретації, також знання повинні бути представлені таким чином, щоб полегшити логічний висновок. Попри те, що це методично схоже на видобуток інформації (NLP) і ETL (зберігання даних), основними критеріями є те, що результат видобутку виходить за рамки створення структурованої інформації або перетворення її в реляційну схему. Це вимагає або повторного використання наявних формальних знань (повторне використання ідентифікаторів або онтологій) або генерацію схеми на основі вихідних даних. Extração de conhecimento (também conhecido como processo KDD, do inglês knowledge-discovery in databases) é um processo de extração de informações de base de dados, que cria relações de interesse que não são observadas pelo especialista no assunto, bem como auxilia a validação de conhecimento extraído. O produto esperado da extração de conhecimento é uma informação relevante para ser utilizada pelos tomadores de decisão. Alguns autores, porém, defendem o ponto de vista de que o conhecimento descoberto não precisa necessariamente ser incorporado a um sistema de apoio à decisão (SAD). استخراج المعرفة هو إنشاء المعرفة من مصادر ( قواعد البيانات العلائقية ، XML ) ومصادر ( نص ، وثائق ، صور ) غير منظمة. يجب أن تكون المعرفة الناتجة بتنسيق يمكن قراءته آليًا وتفسيره آليًا ويجب أن تمثل المعرفة بطريقة تسهل الاستنتاج. على الرغم من أنها تشبه بشكل منهجي استخراج المعلومات ( NLP ) و ETL (مستودع البيانات) ، إلا أن المعيار الرئيسي هو أن نتيجة الاستخراج تتجاوز إنشاء المعلومات المهيكلة أو التحول إلى مخطط علائقي . يتطلب إما إعادة استخدام المعرفة الرسمية الحالية (إعادة استخدام المعرفات أو الأنطولوجيات ) أو إنشاء مخطط بناءً على البيانات المصدر. ويمكن لكل شخص استخراج البيانات ومعرفة قيمتها من خلال دراسة المحتوى العميق. L'extraction de connaissances est le processus de création de connaissances à partir d'informations structurées (bases de données relationnelles, XML) ou non structurées (textes, documents, images). Le résultat doit être dans un format lisible par les ordinateurs. Le groupe RDB2RDF W3C est en cours de standardisation d'un langage d'extraction de connaissances au format RDF à partir de bases de données. En français on parle d'« extraction de connaissances à partir des données » (ECD). Dobývání znalostí z databází (KDD, Knowledge Discovery in Databases). Tento pojem definovat Usama Fayyad jako proces netriviálního objevování implicitních, dopředu neznámých a potenciálně použitelných znalostí v datech. Podle této definice se někteří jedinci mohou mylně domnívat, že KDD je synonymum pro Data mining ovšem není tomu tak. Data mining je pouze jedním krokem z celkového procesu dobývání znalostí z databází. 지식 추출은 구조화된 자료에서 지식을 생성하는 것을 의미한다. Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und . Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Die Teilschritte des KDD-Prozesses sind:
owl:sameAs
n15:aEDB n17:Видобуток_знань n18:Objavovanie_znalostí_v_databázach n22:استخراج_المعرفة n24:Выделение_знаний n35:this fbase:m.0gg4sx5 n74:Extração_de_conhecimento n76:Q1582085 n77:Dobývání_znalostí_z_databází dbpedia:Knowledge_extraction n78:Knowledge_Discovery_in_Databases n79:지식_추출 n80:Extraction_de_connaissances
dbpprop:date
February 2020
foaf:topic
dbpedia:Joseph_G._Davis dbpedia:Industrial_big_data dbpedia:Linguistic_Linked_Open_Data dbpedia:Natural_language_processing dbpedia:Software_mining dbpedia:Shojiro_Nishio dbpedia:Semantic_Scholar dbpedia:Semantic_knowledge_extraction dbpedia:Rules_extraction_system_family dbpedia:Scientific_workflow_system dbpedia:Tutte_Institute_for_Mathematics_and_Computing dbpedia:Vladimir_Gorodetski dbpedia:Translational_bioinformatics n40:Knowledge_extraction dbpedia:Group_method_of_data_handling dbpedia:Knowledge_Engineering_and_Machine_Learning_Group dbpedia:Hitlab_Music_Company dbpedia:Granular_computing dbpedia:Fintan dbpedia:Evolutionary_data_mining dbpedia:Explainable_artificial_intelligence dbpedia:Information_extraction dbpedia:Knowledge_Discovery_Metamodel dbpedia:Knowledge_discovery dbpedia:Intracortical_encephalogram_signal_analysis dbpedia:Jain_Pei dbpedia:Information_discovery dbpedia:Hui_Xiong dbpedia:IDEF5 dbpedia:Machine_learning_in_bioinformatics dbpedia:Chris_Wallace_(computer_scientist) dbpedia:List_of_tools_for_knowledge_extraction dbpedia:Literature-based_discovery dbpedia:Link_analysis dbpedia:List_of_knowledge_extraction_tools dbpedia:Learning_classifier_system dbpedia:Creative_computing dbpedia:Ontology-based_information_extraction dbpedia:Nanoinformatics dbpedia:NetOwl dbpedia:Mycin dbpedia:Artificial_intelligence_in_industry dbpedia:Big_Data_to_Knowledge dbpedia:Alexey_Ivakhnenko dbpedia:Data_archaeology dbpedia:Data_pre-processing dbpedia:Data_analysis_techniques_for_fraud_detection dbpedia:ECML_PKDD dbpedia:Dominance-based_rough_set_approach dbpedia:Named_entity dbpedia:Data_stream_mining dbpedia:Citation_analysis dbpedia:Cluster_analysis dbpedia:Glossary_of_artificial_intelligence dbpedia:Extraction dbpedia:Inxight dbpedia:Knowledge_retrieval dbpedia:Academic_studies_about_Wikipedia dbpedia:Named-entity_recognition dbpedia:Yolanda_Gil dbpedia:Machine_learning dbpedia:Outline_of_knowledge dbpedia:Ontology_engineering dbpedia:Web_scraping
wdrs:describedby
n54:Information_extraction n54:DBpedia n65:Tim_Berners-Lee.rdf n54:Virtuoso_Universal_Server n75:Tim_Berners-Lee n54:FOAF_(ontology)
dcterms:subject
category:Knowledge
foaf:isPrimaryTopicOf
n40:Knowledge_extraction
schema:url
dbpedia:Knowledge_extraction
schema:mainEntity
n54:Knowledge_extraction
void:sparqlEndpoint
n58:
dbpprop:bot
InternetArchiveBot
dbpprop:fixAttempted
yes
dbpedia-owl:abstract
Выделение знаний (англ. Knowledge extraction) — это создание знаний из структурированных (реляционных баз данных, XML) и неструктурированных источников (тексты, документы, изображения). Полученное знание должно иметь формат, позволяющий компьютерный ввод, и должно представлять знания так, чтобы облегчить логические выводы. Хотя по методике процесс подобен извлечению информации (обработке естественного языка, англ. Natural language processing, NLP) и процессу «Извлечения, Преобразования, Загрузки» (англ. Extract, Transform, Load, ETL, для хранилищ данных), главный критерий результата — создание структурированной информации или преобразование в реляционную схему. Это требует либо преобразования существующего формального знания (повторного использования идентификаторов или онтологий), либо генерацией схемы, основанной на исходных данных. Группа RDB2RDF W3C занимается стандартизацией языка для извлечения среды описания ресурса (англ. resource description frameworks, RDF) из реляционной базы данных. Другой популярный пример извлечения знаний — преобразование Википедии в структурированные данные и отображение в существующее знание (см. DBpedia и Freebase). Knowledge extraction is the creation of knowledge from structured (relational databases, XML) and unstructured (text, documents, images) sources. The resulting knowledge needs to be in a machine-readable and machine-interpretable format and must represent knowledge in a manner that facilitates inferencing. Although it is methodically similar to information extraction (NLP) and ETL (data warehouse), the main criteria is that the extraction result goes beyond the creation of structured information or the transformation into a relational schema. It requires either the reuse of existing formal knowledge (reusing identifiers or ontologies) or the generation of a schema based on the source data. The RDB2RDF W3C group is currently standardizing a language for extraction of resource description frameworks (RDF) from relational databases. Another popular example for knowledge extraction is the transformation of Wikipedia into structured data and also the mapping to existing knowledge (see DBpedia and Freebase). Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und . Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Der Begriff KDD wurde in wissenschaftlichen Kreisen von geprägt, während in der Praxis der Begriff Data-Mining geläufiger ist, der in der Statistik jedoch traditionell negativ besetzt ist. Die Teilschritte des KDD-Prozesses sind: 1. * Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich 2. * Definition der Ziele der Wissensfindung 3. * Datenauswahl 4. * Datenbereinigung 5. * Datenreduktion (z. B. durch Transformationen) 6. * Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll 7. * Data-Mining, die eigentliche Datenanalyse 8. * Interpretation der gewonnenen Erkenntnisse Üblicherweise werden diese Schritte mehrfach durchlaufen. Ein verbreitetes Vorgehensmodell ist der Cross-Industry Standard Process for Data-Mining (CRISP-DM). Extração de conhecimento (também conhecido como processo KDD, do inglês knowledge-discovery in databases) é um processo de extração de informações de base de dados, que cria relações de interesse que não são observadas pelo especialista no assunto, bem como auxilia a validação de conhecimento extraído. O crescimento rápido do volume das bases de dados em tamanho e dimensionalidade criou a necessidade e a oportunidade para extrair conhecimento destas. Neste contexto, surge no final da década de 1980, um novo ramo da computação, a extração de conhecimento, com o objetivo principal de encontrar uma maneira automatizada de explorar essas bases de dados e reconhecer os padrões existentes através da modelagem de fenômenos do mundo real. A extração de conhecimento refere-se às etapas que produzem conhecimentos a partir de dados relacionados, e sua principal característica é a extração não-trivial de informações implicitamente contidas em uma base de dados. Essas informações são de difícil detecção por métodos tradicionais de análise e devem ser potencialmente úteis para tomada de decisão. Enquanto os métodos tradicionais são capazes de tratar apenas as informações explícitas, a extração de conhecimento é capaz de detectar informações implícitas armazenadas nos bancos de dados. O processo é iterativo e, embora apresente uma definição semelhante também ao mineração de dados, deve ser composto de uma série de etapas seqüenciais, podendo haver retorno a etapas anteriores, isto é, as descobertas realizadas (ou a falta delas). Eventualmente, este processo conduz a novas hipóteses e descobertas. Neste caso, o usuário pode decidir pela retomada dos processos de mineração, ou uma nova seleção de atributos, por exemplo, para validar as hipóteses que surgiram ao longo do processo. O produto esperado da extração de conhecimento é uma informação relevante para ser utilizada pelos tomadores de decisão. Alguns autores, porém, defendem o ponto de vista de que o conhecimento descoberto não precisa necessariamente ser incorporado a um sistema de apoio à decisão (SAD). O campo de estudo é de interesse comum a diversas áreas, e as primeiras contribuições científicas e técnicas foram apresentadas por pesquisadores de áreas como: aprendizado de máquinas; banco de dados inteligente; computação de alto desempenho; estatística; inteligência artificial; visualização de dados; reconhecimento de padrões e sistemas especialistas. Foram desenvolvidas aplicações também para astronomia, biologia, seguros, marketing, medicina, entre outros. Dobývání znalostí z databází (KDD, Knowledge Discovery in Databases). Tento pojem definovat Usama Fayyad jako proces netriviálního objevování implicitních, dopředu neznámých a potenciálně použitelných znalostí v datech. Podle této definice se někteří jedinci mohou mylně domnívat, že KDD je synonymum pro Data mining ovšem není tomu tak. Data mining je pouze jedním krokem z celkového procesu dobývání znalostí z databází. Видобуток знань є створення знань зі структурованих (реляційних баз даних, XML) і неструктурованих (тексти, документи, зображення) джерел. Отримане знання повинно бути збережене у форматі придатному для автоматичного читання та інтерпретації, також знання повинні бути представлені таким чином, щоб полегшити логічний висновок. Попри те, що це методично схоже на видобуток інформації (NLP) і ETL (зберігання даних), основними критеріями є те, що результат видобутку виходить за рамки створення структурованої інформації або перетворення її в реляційну схему. Це вимагає або повторного використання наявних формальних знань (повторне використання ідентифікаторів або онтологій) або генерацію схеми на основі вихідних даних. Група RDB2RDF W3C в даний час стандартизує мову для видобутку RDF (англ. Resource Description Framework) з реляційних баз даних. Ще одним популярним прикладом видобутку знань є перетворення Вікіпедії в структуровані данні, а також відображення до наявних знань (див. DBpedia і Freebase). L'extraction de connaissances est le processus de création de connaissances à partir d'informations structurées (bases de données relationnelles, XML) ou non structurées (textes, documents, images). Le résultat doit être dans un format lisible par les ordinateurs. Le groupe RDB2RDF W3C est en cours de standardisation d'un langage d'extraction de connaissances au format RDF à partir de bases de données. En français on parle d'« extraction de connaissances à partir des données » (ECD). استخراج المعرفة هو إنشاء المعرفة من مصادر ( قواعد البيانات العلائقية ، XML ) ومصادر ( نص ، وثائق ، صور ) غير منظمة. يجب أن تكون المعرفة الناتجة بتنسيق يمكن قراءته آليًا وتفسيره آليًا ويجب أن تمثل المعرفة بطريقة تسهل الاستنتاج. على الرغم من أنها تشبه بشكل منهجي استخراج المعلومات ( NLP ) و ETL (مستودع البيانات) ، إلا أن المعيار الرئيسي هو أن نتيجة الاستخراج تتجاوز إنشاء المعلومات المهيكلة أو التحول إلى مخطط علائقي . يتطلب إما إعادة استخدام المعرفة الرسمية الحالية (إعادة استخدام المعرفات أو الأنطولوجيات ) أو إنشاء مخطط بناءً على البيانات المصدر. ويمكن لكل شخص استخراج البيانات ومعرفة قيمتها من خلال دراسة المحتوى العميق. تقوم مجموعة RDB2RDF W3C حاليًا بتوحيد لغة لاستخراج أطر وصف الموارد (RDF) من قواعد البيانات العلائقية . مثال شائع آخر لاستخراج المعرفة هو تحويل ويكيبيديا إلى بيانات منظمة وأيضًا رسم الخرائط للمعرفة الحالية (انظر DBpedia و Freebase ). 지식 추출은 구조화된 자료에서 지식을 생성하는 것을 의미한다.
dbpedia-owl:wikiPageExternalLink
n7:%23term_homepage dbpedia:United_States_Congress n8:www.rocketsoftware.com n7:%23term_Person yago:PresidentsOfTheUnitedStates n11:IJCAI_2011_Navigli_Velardi_Faralli.pdf n12: n13:%3Furl=http%3A%2F%2Fen.wikipedia.org%2Fw%2Findex.php%3Ftitle%3DKnowledge_extraction%26printable%3Dyes&domain=ssw n16: n8:ontogen.ijs.si n8:triplify.org n8:entityclassifier.eu n8:idocument.opendfki.de n19: n20: n21:%3Fexec=true%23results n23: n25: n26:p831-dill.html n27:poolparty-extractor n28: n29: n30: n31: n32: n33: n34:%23section-ultrawrap n36:nlp-api.html n37:CL.pdf n38:%23XML2RDF n39:annotate%3Ftext=President%20Obama%20called%20Wednesday%20on%20Congress%20to%20extend%20a%20tax%20break%20for%20students%20included%20in%20last%20year%27s%20economic%20stimulus%20package,%20arguing%20that%20the%20policy%20provides%20more%20generous%20assistance.&confidence=0.2&support=20 n41: n42:DataMaster n43:asium.html n44:demo.html n45: n46:iswc2006McDowell-final.pdf n47: dbpedia:Barack_Obama n48:csv2rdf4lod n49: n50:annie n51:ontox n8:virtuoso.openlinksw.com n56: n60: n61:Claus_page n62: n63:T2LD-An-automatic-framework-for-extracting-interpreting-and-representing-tables-as-Linked-Data n64:RDF123 n61:Peters_page n61:Peters_page%3E n66:index.html n67:essays_en.html%23t n68: n69:spotlight n70:RDBToOnto.html n71: n72:ODEMapster n73:api foaf:Person n81:cube.html n82:TB_Composer.html n83: n84: n85: n86:wiki.pl%3FMappingMaster n87:Stats2RDF n88:scoobie n89:conll-rdf
dbpedia-owl:wikiPageID
31002435
dbpedia-owl:wikiPageLength
53767
dbpedia-owl:wikiPageRevisionID
980025450
dbpedia-owl:wikiPageWikiLink
dbpedia:Relational_data_mining dbpedia:Coreference dbpedia:Data_mining dbpedia:Object–relational_impedance_mismatch dbpedia:Freebase_(database) dbpedia:XSLT dbpedia:Business_rule dbpedia:Business_value dbpedia:Build_automation dbpedia:Business_Process_Model_and_Notation dbpedia:Data_archaeology dbpedia:Linked_data dbpedia:Configuration_file dbpedia:XML dbpedia:Relational_database dbpedia:Resource_Description_Framework dbpedia:Database_schema dbpedia:Document_warehouse dbpedia:Data_stream_mining dbpedia:Data_warehouse dbpedia:Entity–relationship_model dbpedia:Domain_driven_data_mining dbpedia:Metadata dbpedia:Source_code dbpedia:Terminology_extraction dbpedia:Anaphora_(linguistics) dbpedia:Unstructured_data dbpedia:Abstraction dbpedia:DBpedia dbpedia:Machine_learning dbpedia:Ontology_learning dbpedia:Tim_Berners-Lee dbpedia:Ontology_alignment dbpedia:Semantic_parsing dbpedia:Machine-readable_data dbpedia:Record_linkage dbpedia:Knowledge_extraction dbpedia:Tag_(metadata) dbpedia:Cluster_analysis dbpedia:Knowledge_representation_and_reasoning dbpedia:Information_extraction dbpedia:Semantic_reasoner dbpedia:Natural_language_processing dbpedia:Web_annotation dbpedia:Knowledge dbpedia:Reverse_engineering dbpedia:Data_model dbpedia:Domain_knowledge dbpedia:Entity_linking dbpedia:Sentiment_analysis dbpedia:Name_resolution_(semantics_and_text_extraction) dbpedia:Named-entity_recognition dbpedia:Software_metric dbpedia:Software_mining dbpedia:Sequential_pattern_mining dbpedia:Text_mining dbpedia:Text_(literary_theory) dbpedia:Software_modernization dbpedia:Structure_mining dbpedia:RDFa dbpedia:Calais_(Reuters_product) dbpedia:Web_mining dbpedia:Triplify dbpedia:Database category:Knowledge dbpedia:Ontology_(information_science) dbpedia:Web_Ontology_Language dbpedia:YAGO_(database) dbpedia:Extract,_transform,_load dbpedia:Ontology dbpedia:Virtuoso_Universal_Server dbpedia:FOAF_(ontology) dbpedia:Frame_semantics_(linguistics) dbpedia:Data dbpedia:Intermediate_representation dbpedia:Image dbpedia:Knowledge_Discovery_Metamodel dbpedia:Concept_drift dbpedia:Data_set dbpedia:Language_identification dbpedia:Metamodeling dbpedia:Object_Management_Group dbpedia:Concept_mining dbpedia:Molecule_mining dbpedia:Concept dbpedia:R2RML
prov:wasDerivedFrom
n40:Knowledge_extraction?oldid=980025450&ns=0
dbpprop:wikiPageUsesTemplate
n10:CNone n10:Dead_link n10:Computable_knowledge n10:Semantic_Web n52:A n10:Authority_control n10:Reflist n10:Main