LOD Link Discovery - Lernbasierte, skalierbare Link Discovery für das Daten-Web

In dem Kooperationsprojekt sollen fortgeschrittene Ansätze zur effektiven und skalierbaren Identifikation von Links zwischen Linked-Data-Quellen untersucht und evaluiert werden. Die damit erreichbare semantische Verknüpfung der Datenquellen ist eine wesentliche Voraussetzung zur Datenintegration und weiteren Nutzungsformen von Linked Open Data (LOD). Im Rahmen des Fortsetzungsantrags sollen kontextbasierte sowie holistische Ansätze zur Link Discovery entwickelt werden, welche vorliegende Beziehungen und Linking-Ergebnisse nutzen und nicht auf die Verknüpfung von je zwei Datenquellen beschränkt sind. Dazu soll das in der ersten Projektphase aufgebaute Web-Repository LinkLion zur Speicherung und Bereitstellung bereits berechneter Links genutzt und ausgebaut werden. Um die Nutzung komplexer Strategien zur Link Discovery zu vereinfachen, werden die in der ersten Projektphase entwickelten lernbasierten Ansätze weiterentwickelt, insbesondere mit Methoden des statistischen relationalen Lernens. Zudem solldie Qualität berechneter Links umfassend analysiert und durch verschiedene Methoden verbessert werden. Für eine effiziente und skalierbare Link Discovery werden Techniken zur Parallelverarbeitung auf Grafikprozessoren (GPUs) und auf Hadoop-Clustern entwickelt.

DFG-Verfahren Sachbeihilfen

Antragsteller Professor Dr. Axel-Cyrille Ngonga Ngomo; Professor Dr.-Ing. Erhard Rahm