Einführung in die intelligente Suche in MassendatenBDK-Fachtagung"Auswertungvon Massendaten" 
Martin VoigtOktober 2014 
1 ...
Wer ich bin. 
(Wiss. Mitarbeiter &) Doktorand @ TU Dresden 
 Komposite Webanwendungen / Mashups 
 Semantische Technolog...
Wer ist Ontos. 
3 
3 
DoW – CTI Project 
Ontos Group 
Key Facts 
- Established 2001 
- 15+ employees 
- Share in Eventos R...
Agenda 
Probleme heutiger Suchtechnologien 
Things, not Strings: Semantik! 
Intelligente, semantische Suche 
Zusammenf...
HeutigeSuchtechnologien… 
… und derenProbleme 
5
Daten, Daten, Daten, … 
6 
http://www.csc.com/insights/flxwd/78931-big_data_growth_just_beginning_to_explode
Daten, Daten, Daten, … 
7 
http://www.emc.com/leadership/digital-universe/2014iview/executive-summary.htm
Daten, Daten, Daten, … 
Problememit den Daten („4 Vs”) 
Datenmenge (Volumen) 
Datenvielfalt / -heterogenität (Variety) ...
Daten, Daten, Daten, … 
Problememit den Daten („4 Vs”) 
Datenmenge (Volumen) 
Datenvielfalt / -heterogenität (Variety) ...
Daten, Daten, Daten, … 
Problememit den Daten („4 Vs”) 
Datenmenge (Volumen) 
Datenvielfalt / -heterogenität (Variety) ...
Daten, Daten, Daten, … 
… und der Mensch? 
11 
Key et al: VizDeck: self-organizing dashboards for visual analytics. Procs...
Suchmaschinen! 
Desktop, Web, Intranet, Smartphone, … 
12
Klassisches Information Retrieval 
Ziel: Erzeugung einer gewichteten Ergebnisliste unter Verwendung versch. Algorithmen (...
Klassisches Information Retrieval 
Funktionsweise von IR 
14 
Suchanfrage Dokumente 
Index 
Suchterme Schlüsselwörter 
Er...
Klassisches Information Retrieval 
15 
Dominik Kuropka: ModellezurRepräsentationnatürlichsprachlicherDokumente. Ontologie-...
Suchmaschinen im Web 
3 wesentliche Aufgaben 
Crawlen 
Verarbeiten der Suchanfrage (IR + Rangfolge) 
Darstellung der E...
Multimedia Daten 
17 
Folieaushttp://de.slideshare.net/lysander07/semantic-analysis-of-video-data-to-enable-exploratory-se...
Multimedia Daten 
18 
Folieaushttp://de.slideshare.net/lysander07/semantic-analysis-of-video-data-to-enable-exploratory-se...
Probleme der Suche 
Stichwortsuchestatt semantische Fragen 
Menschen verlernen das Fragen! 
19
Probleme der Suche 
Verschiedene Sprachen 
20
Probleme der Suche 
Homonyme, z.B. Bank & Bank 
21
Probleme der Suche 
Synonyme, z.B. Franz Beckenbauer & Kaiser 
22
Probleme der Suche 
Subjektivitätder Suche 
23
Zusammenfassung 
Grundproblem: 4 „V“ der Daten 
Information Retrievaletabliert 
Maschinelles Lernen hunderter von Dimen...
Things, not Strings! 
WieSemantikdie Sucheverbessert… 
25
Das Verständnisproblem 
26 
<html> 
… 
<b>Dr. Mark Smith</b> 
<i>Physician</i> 
Main St. 14 
Smalltown 
Mon-Fri9-11 am 
We...
Das Verständnisproblem 
Volltextsuche mit klassischem IR 
„Mark Smith“ 
„Physician in Smalltown“ 
„Doctor in Smalltown...
Lösungsansatz: Semantic Web 
VieleNamen… 
Semantic Web 
Web of Data 
Data Web 
Web 3.0 
Linked Data 
Linked Data We...
Lösungsansatz: Semantic Web 
Zweiwesentliche Sichten 
1) Explizite Links zwischen Datenim WWW  Semantic Web als „Web de...
Grundlagen / Prinzipien 
HTTP URIs als Bezeichner für „Dinge“, so dass man nachschauen kann Ressourcen 
http://www.bbc....
Grundlagen / Prinzipien 
Verknüpfe Ressourcen untereinander Triple Schaffung von Kontext 
31 
http://www.bbc.co.uk/natu...
Grundlagen / Prinzipien 
Verknüpfe externe Datenquellen  Zusatzinformationen integrieren 
32
Linked Open DatenCloud 
33 
http://lod-cloud.net/
LOD Knowledge Graphs 
LOD in Zahlen(2014) 
http://linkeddatacatalog.dws.informatik.uni-mannheim.de/state/ 
1014 Datens...
Intelligente, semantischeSuche 
35
SemantischeSuche 
„Semantic search over documents is about finding information that is not based just on the presence of ...
Suchprozess im Überblick 
37 
Query 
Construction 
Query 
Processing 
Result 
Presentation 
Query 
Refinement 
 Keywords ...
Basis: Entity Linking 
Wechselseitige Verknüpfung von „Ressourcen“ mit ihrer semantischer Repräsentation 
NamedEntity Re...
Basis: Entity Linking 
auch in Metadaten von Multimedia 
39 
Folieaushttp://de.slideshare.net/lysander07/semantic-analysi...
Suchprozess im Überblick 
40 
Query 
Construction 
Query 
Processing 
Result 
Presentation 
Query 
Refinement 
 Keywords ...
Anfragen & Semantik 
Stichwortsuche (Keywords) 
Paradigma der „Single Search Box“ 
vom Stil eher telegraphisch, z.B. ke...
Anfragen & Semantik 
Erweiterte Stichwortsuche (Keywords ++) 
Amazon Stichworterweiterung & Facetten 
42
Anfragen & Semantik 
Erweiterte Stichwortsuche (Keywords ++) 
Ontos: Facettierungbei Suche in Spezifikationen 
43
Anfragen & Semantik 
NatürlichsprachigeAnfragen 
Eingabe geschriebener und gesprochener Sprache 
Ziel: „menschlichere“ ...
Anfragen & Semantik 
gesprocheneAnfragen 
„On-the-go“ Suche zwingt freie Hände 
ca. 30% der Autofahrer lesen/schreiben ...
Anfragen & Semantik 
NatürlichsprachigeAnfragen, z.B. 
Apple‘sSiri(http://searchengineland.com) 
47
Suchprozess im Überblick 
48 
Query 
Construction 
Query 
Processing 
Result 
Presentation 
Query 
Refinement 
 Keywords ...
Verarbeitung & Semantik 
Entitätensind wichtig für Anfragen: 
ca. 70%mit NamedEntitys (NE) (entitymentionqueries), z. B....
Verarbeitung & Semantik 
Ziel: Entity Linking der Query Abgleich mit Entitäten in den Dokumenten 
Gutes Tutorial: http:...
Verarbeitung & Semantik 
Vorgehen 
2) Identifikation, RangfolgeundSelektionvon Links 
51 
„Deutschland“ 
„Golf“
Verarbeitung & Semantik 
Vorgehen 
3) Disambiguierungdurch Kontext (optional) 
52
Verarbeitung & Semantik 
Vorgehen 
3) Disambiguierungdurch Kontext (optional) 
53
Suchprozess im Überblick 
54 
Query 
Construction 
Query 
Processing 
Result 
Presentation 
Query 
Refinement 
 Keywords ...
Präsentation & Semantik 
Ziele: 1) Anfragevisualisieren, 2) Ergebnisse& Zusatzinformationenpräsentierenund ggf. 3) Zusamm...
Präsentation & Semantik 
Rich ResultPages:Google Knowledge Graph 
56
Präsentation & Semantik 
Rich ResultPages:Google Knowledge Graph 
57
Präsentation & Semantik 
Rich ResultPages: Ontos für „Cash“-Magazin 
58
Präsentation & Semantik 
DirectDisplay:Google Knowledge Graph 
59
Präsentation & Semantik 
DirectDisplay: WolframAlpha 
60 
http://www.wolframalpha.com/input/?i=oranienburg
Präsentation & Semantik 
Künftige UIs: „getInspired“ 
61 
Keck et al. -Visual Innovations for Product Search Interfaces. ...
SemantischeSuche@ Ontos 
62 
Eventos(IR) 
-Information Retrieval(Algebra) 
-Clustering & Summarization 
-Identifikation vo...
SemantischeSuche@ Ontos 
63
Beispiel: IBM Watson 
Ziel: CognitiveComputing 
Open Domain Frage-Antwort-System 
Fragen verstehen & antworten 
Wahrsc...
Beispiel: IBM Watson 
65 
http://de.slideshare.net/knoesis/knoesis2013
Beispiel: Google Glass 
Head MountedDisplays (HMD) sind Realität! 
Augmentierungder Realität Informieren statt Suchen 
...
Beispiel: Google Glass 
67
AktuelleF&E-Fragen 
kaum Lokale Entitäten Erweiterung der LOD notwendig 
(Erläuterung) der Herkunft der Informationen 
...
OffeneF&E-Fragen 
Aktualität semantischer Daten 
69
Offene F&E-Fragen 
Automatische Zusammenfassung von 
Ergebnissen zu „Stories“  „Robot Journalism“ 
70 
Merge 
Analyse 
L...
Zusammenfassung 
71
Was nehme ich mit? 
Information Retrievaletabliert 
Verbesserung der Suche nur durch Modellierung menschlicher Wahrnehmu...
Was nehme ich mit? 
“When we started Google 15 years ago my vision was that information would come to you as you need it. ...
Q&A 
Martin Voigt 
Ontos AG / GmbH 
Nidau(CH) / Leipzig (DE) 
T:+49 341 21559-10 
M:+49 178 40 222 58 
E: martin.voigt@ont...
Nächste SlideShare
Wird geladen in …5
×

Einführung in die semantische Suche in Massendaten

624 Aufrufe

Veröffentlicht am

German only!
Meine Folien des Einführungsvortrags für Nicht-Informatiker bei der BDK-Fachtagung "Auswertung von Massendaten" zum Thema semantische Suche an der Polizei Fachhochschule Brandenburg. Inhalte: 1) Probleme heutiger Suchtechnologien, 2) Überblick zu semantischen Technologien, 3) Verbesserung des Information Retrieval durch Semantik

https://www.bdk.de/der-bdk/aktuelles/bdk-fachtagung-auswertung-von-massendaten

Veröffentlicht in: Software
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
624
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
14
Aktionen
Geteilt
0
Downloads
8
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Einführung in die semantische Suche in Massendaten

  1. 1. Einführung in die intelligente Suche in MassendatenBDK-Fachtagung"Auswertungvon Massendaten" Martin VoigtOktober 2014 1 Query ConstructionQueryProcessingResult PresentationQueryRefinement  Keywords  Keywords ++  Natural Language  Formal Query Languages  IR-based Matching & Ranking  KB-based Matching & Iinferencing  Query Visualization  Document & Data Presentation  Summarization  Implicit Feedback  Explicit Feedback  IncentivesSemantic Models Real World Resources
  2. 2. Wer ich bin. (Wiss. Mitarbeiter &) Doktorand @ TU Dresden  Komposite Webanwendungen / Mashups  Semantische Technologien, NLP, Topic Mining  Informationsvisualisierung & HCI Sen. Researcher & Projektleiter @ Ontos  Linked Data Anwendungen für Endnutzer 2 Data Upload & Augmentation Data Pre- Selection Data & Vis Selection Visualization Configuration Interpretation & Internalization Data Augmentation Visualization Recommendation Visualization Integration Knowledge Externalization Data Reduction System User Human Action System Action 1 3 5 7 9 2 4 6 8 10 Interaction
  3. 3. Wer ist Ontos. 3 3 DoW – CTI Project Ontos Group Key Facts - Established 2001 - 15+ employees - Share in Eventos RU (30 people) - 5± Mio CHF turnover Industry - Media/News - Law Enforcement - Government - Switzerland - (Russia)
  4. 4. Agenda Probleme heutiger Suchtechnologien Things, not Strings: Semantik! Intelligente, semantische Suche Zusammenfassung 4
  5. 5. HeutigeSuchtechnologien… … und derenProbleme 5
  6. 6. Daten, Daten, Daten, … 6 http://www.csc.com/insights/flxwd/78931-big_data_growth_just_beginning_to_explode
  7. 7. Daten, Daten, Daten, … 7 http://www.emc.com/leadership/digital-universe/2014iview/executive-summary.htm
  8. 8. Daten, Daten, Daten, … Problememit den Daten („4 Vs”) Datenmenge (Volumen) Datenvielfalt / -heterogenität (Variety) 8 http://www.ibmbigdatahub.com/infographic/four-vs-big-data
  9. 9. Daten, Daten, Daten, … Problememit den Daten („4 Vs”) Datenmenge (Volumen) Datenvielfalt / -heterogenität (Variety) Geschwindigkeit (Velocity) 9 http://www.ibmbigdatahub.com/infographic/four-vs-big-data
  10. 10. Daten, Daten, Daten, … Problememit den Daten („4 Vs”) Datenmenge (Volumen) Datenvielfalt / -heterogenität (Variety) Geschwindigkeit (Velocity) Datenqualität (Veracity) 10 http://www.ibmbigdatahub.com/infographic/four-vs-big-data
  11. 11. Daten, Daten, Daten, … … und der Mensch? 11 Key et al: VizDeck: self-organizing dashboards for visual analytics. Procs. of the 2012 ACM SIGMOD International Conference on Management of Data, ACM, 2012.
  12. 12. Suchmaschinen! Desktop, Web, Intranet, Smartphone, … 12
  13. 13. Klassisches Information Retrieval Ziel: Erzeugung einer gewichteten Ergebnisliste unter Verwendung versch. Algorithmen (TFIDF, PageRank, …) ggf. Nutzung von Personalisierung Facettierung multimediale Ergebnisse 13 http://www.photocase.de/foto/187761
  14. 14. Klassisches Information Retrieval Funktionsweise von IR 14 Suchanfrage Dokumente Index Suchterme Schlüsselwörter Ergebnisse http://www.photocase.de/foto/140872 http://www.photocase.de/foto/109526
  15. 15. Klassisches Information Retrieval 15 Dominik Kuropka: ModellezurRepräsentationnatürlichsprachlicherDokumente. Ontologie-basiertesInformation-Filtering und –Retrieval mitrelationalenDatenbanken. In Advances in Information Systems and Management Science, Bd.10, 2004, 3-8325-0514-8
  16. 16. Suchmaschinen im Web 3 wesentliche Aufgaben Crawlen Verarbeiten der Suchanfrage (IR + Rangfolge) Darstellung der Ergebnisse 16 http://www.photocase.de/stock-fotos/118186 http://www.photocase.de/stock-fotos/184687
  17. 17. Multimedia Daten 17 Folieaushttp://de.slideshare.net/lysander07/semantic-analysis-of-video-data-to-enable-exploratory-search
  18. 18. Multimedia Daten 18 Folieaushttp://de.slideshare.net/lysander07/semantic-analysis-of-video-data-to-enable-exploratory-search
  19. 19. Probleme der Suche Stichwortsuchestatt semantische Fragen Menschen verlernen das Fragen! 19
  20. 20. Probleme der Suche Verschiedene Sprachen 20
  21. 21. Probleme der Suche Homonyme, z.B. Bank & Bank 21
  22. 22. Probleme der Suche Synonyme, z.B. Franz Beckenbauer & Kaiser 22
  23. 23. Probleme der Suche Subjektivitätder Suche 23
  24. 24. Zusammenfassung Grundproblem: 4 „V“ der Daten Information Retrievaletabliert Maschinelles Lernen hunderter von Dimensionen über ca. 45 Mrd. Dokumente (http://www.worldwidewebsize.com/) große Investitionen in Rechenkraft Bleibende Herausforderungen beziehen sich insbesondere auf die Modellierung menschlicher Wahrnehmung 24
  25. 25. Things, not Strings! WieSemantikdie Sucheverbessert… 25
  26. 26. Das Verständnisproblem 26 <html> … <b>Dr. Mark Smith</b> <i>Physician</i> Main St. 14 Smalltown Mon-Fri9-11 am Wed3-6 pm … </html> Dr. Mark Smith Physician Main St. 14 Smalltown Mon-Fri9-11 am Wed3-6 pm Print in bold: „hmf298hmhudsa“ Print in italics: „mj2i9ji0“ Print normal: „fdsah 02hfadsh0um2m0adsmf0ihm2mjpoimjiofdpmsajiomjm“ http://www.photocase.de/stock-fotos/279931
  27. 27. Das Verständnisproblem Volltextsuche mit klassischem IR „Mark Smith“ „Physician in Smalltown“ „Doctor in Smalltown“ „Physician in Smalltownwith opening hours on Wednesday afternoon“ Informationen nicht„maschinenverstehbar“ 27 <html> … <b>Dr. Mark Smith</b> <i>Physician</i> Main St. 14 Smalltown Mon-Fri9-11 am Wed3-6 pm … </html>
  28. 28. Lösungsansatz: Semantic Web VieleNamen… Semantic Web Web of Data Data Web Web 3.0 Linked Data Linked Data Web Linked Open Data Semantic Data … 28 http://geekandpoke.typepad.com/geekandpoke/
  29. 29. Lösungsansatz: Semantic Web Zweiwesentliche Sichten 1) Explizite Links zwischen Datenim WWW  Semantic Web als „Web der Daten“ 2) Familie standardisierter Technologien, die gut zusammenspielen, u.a. flexibles Datenmodel (RDF), Ontologiesprachen(RDFS, OWL), Anfragesprache (SPARQL), … Fazit: neue Lösungen/Anwendungen, die vorher nicht möglichen oder praktikabel waren (http://www.thefigtrees.net/lee/blog/2011/08/why_semantic_web_technologies) 29
  30. 30. Grundlagen / Prinzipien HTTP URIs als Bezeichner für „Dinge“, so dass man nachschauen kann Ressourcen http://www.bbc.co.uk/nature/life/Gray_Wolf 30
  31. 31. Grundlagen / Prinzipien Verknüpfe Ressourcen untereinander Triple Schaffung von Kontext 31 http://www.bbc.co.uk/nature/life/Gray_Wolf http://www.bbc.co.uk/nature/life/Mammal http://www.bbc.co.uk/nature/habitats/ Temperate_broadleaf_and_mixed_forests is a lives in
  32. 32. Grundlagen / Prinzipien Verknüpfe externe Datenquellen  Zusatzinformationen integrieren 32
  33. 33. Linked Open DatenCloud 33 http://lod-cloud.net/
  34. 34. LOD Knowledge Graphs LOD in Zahlen(2014) http://linkeddatacatalog.dws.informatik.uni-mannheim.de/state/ 1014 Datensätze in RDF aber nur ca. 8%mit Lizenz! DBpediaals „Herz“ (http://blog.dbpedia.org/category/dataset-releases/) 4,58 Mio„Dinge“ und ca. 3 Mrd. Triple LOD als Basis für Wissensgraphen „Knowledge Graph“ (Google, Yahoo), Satori(Bing) 34 http://lod-cloud.net/
  35. 35. Intelligente, semantischeSuche 35
  36. 36. SemantischeSuche „Semantic search over documents is about finding information that is not based just on the presence of words, but also on their meaning“ (http://link.springer.com/chapter/10.1007%2F978-3-642-54798-0_2) Kombination von Text mit „Wissensstrukturen“ Entität-zentrierte Suche Kombination verschiedener Techniken Information Retrieval(IR) Natural Language Processing (NLP) Semantic Web (SW) 36
  37. 37. Suchprozess im Überblick 37 Query Construction Query Processing Result Presentation Query Refinement  Keywords  Keywords ++  Natural Language  Formal Query Languages  IR-based Matching & Ranking  KB-based Matching & Iinferencing  Query Visualization  Document & Data Presentation  Summarization  Implicit Feedback  Explicit Feedback  Incentives Semantic Models Real World Resources
  38. 38. Basis: Entity Linking Wechselseitige Verknüpfung von „Ressourcen“ mit ihrer semantischer Repräsentation NamedEntity Recognition(NER) Entweder basierend auf Regeln, Statistikenoder Wörterbüchern(oder Kombination) NamedEntity Disambiguation(NED) Nutzung des Kontextes im Vektorraum und/oder im Wissensgraphen Relatedness 38
  39. 39. Basis: Entity Linking auch in Metadaten von Multimedia 39 Folieaushttp://de.slideshare.net/lysander07/semantic-analysis-of-video-data-to-enable-exploratory-search
  40. 40. Suchprozess im Überblick 40 Query Construction Query Processing Result Presentation Query Refinement  Keywords  Keywords ++  Natural Language  Formal Query Languages  IR-based Matching & Ranking  KB-based Matching & Iinferencing  Query Visualization  Document & Data Presentation  Summarization  Implicit Feedback  Explicit Feedback  Incentives Semantic Models Real World Resources
  41. 41. Anfragen & Semantik Stichwortsuche (Keywords) Paradigma der „Single Search Box“ vom Stil eher telegraphisch, z.B. keine Grammatik wie aus der Einleitung Erweiterte Stichwortsuche (Keywords ++) Stichwort mit Kontext Bsp.: typisierte Formularfelder Facettierte Suche Ortsauswahl in Karte 41 http://www.ebay.de
  42. 42. Anfragen & Semantik Erweiterte Stichwortsuche (Keywords ++) Amazon Stichworterweiterung & Facetten 42
  43. 43. Anfragen & Semantik Erweiterte Stichwortsuche (Keywords ++) Ontos: Facettierungbei Suche in Spezifikationen 43
  44. 44. Anfragen & Semantik NatürlichsprachigeAnfragen Eingabe geschriebener und gesprochener Sprache Ziel: „menschlichere“ Suche Beispiele für geschriebeneAnfrage Google 45
  45. 45. Anfragen & Semantik gesprocheneAnfragen „On-the-go“ Suche zwingt freie Hände ca. 30% der Autofahrer lesen/schreiben Textnachrichten beim Fahren! (http://www.cdc.gov/mmwr/preview/mmwrhtml/mm6210a1.htm) 46 http://enterprisematters.blogs.xerox.com http://grist.org/ http://waz.m.derwesten.de
  46. 46. Anfragen & Semantik NatürlichsprachigeAnfragen, z.B. Apple‘sSiri(http://searchengineland.com) 47
  47. 47. Suchprozess im Überblick 48 Query Construction Query Processing Result Presentation Query Refinement  Keywords  Keywords ++  Natural Language  Formal Query Languages  IR-based Matching & Ranking  KB-based Matching & Iinferencing  Query Visualization  Document & Data Presentation  Summarization  Implicit Feedback  Explicit Feedback  Incentives Semantic Models Real World Resources
  48. 48. Verarbeitung & Semantik Entitätensind wichtig für Anfragen: ca. 70%mit NamedEntitys (NE) (entitymentionqueries), z. B. “bradpittKatie holmes” ca. 50%mit Fokus auf eine NE (entityseekingqueries), z. B. “bradpittattackedbyfans” ca. 10%suchen nach Klassen von NEs, z. B. “bradpittmovies” 49 •Jeffrey Pound, Peter Mika, Hugo Zaragoza: Ad-hoc object retrieval in the web of data. WWW 2010: 771-780 •Thomas Lin, Patrick Pantel, Michael Gamon, AnithaKannan, Ariel Fuxman: Active objects: actions for entity-centric search. WWW 2012: 589-598
  49. 49. Verarbeitung & Semantik Ziel: Entity Linking der Query Abgleich mit Entitäten in den Dokumenten Gutes Tutorial: http://ejmeij.github.io/entity-linking- and-retrieval-tutorial/ Vorgehen 1) „Linkbare“ Phrasen identifizieren 50 „Golfvergleichen Deutschland“
  50. 50. Verarbeitung & Semantik Vorgehen 2) Identifikation, RangfolgeundSelektionvon Links 51 „Deutschland“ „Golf“
  51. 51. Verarbeitung & Semantik Vorgehen 3) Disambiguierungdurch Kontext (optional) 52
  52. 52. Verarbeitung & Semantik Vorgehen 3) Disambiguierungdurch Kontext (optional) 53
  53. 53. Suchprozess im Überblick 54 Query Construction Query Processing Result Presentation Query Refinement  Keywords  Keywords ++  Natural Language  Formal Query Languages  IR-based Matching & Ranking  KB-based Matching & Iinferencing  Query Visualization  Document & Data Presentation  Summarization  Implicit Feedback  Explicit Feedback  Incentives Semantic Models Real World Resources
  54. 54. Präsentation & Semantik Ziele: 1) Anfragevisualisieren, 2) Ergebnisse& Zusatzinformationenpräsentierenund ggf. 3) Zusammenfassungenerstellen User Interfaces Rich ResultPages DirectDisplay neuartige User Interfaces 55
  55. 55. Präsentation & Semantik Rich ResultPages:Google Knowledge Graph 56
  56. 56. Präsentation & Semantik Rich ResultPages:Google Knowledge Graph 57
  57. 57. Präsentation & Semantik Rich ResultPages: Ontos für „Cash“-Magazin 58
  58. 58. Präsentation & Semantik DirectDisplay:Google Knowledge Graph 59
  59. 59. Präsentation & Semantik DirectDisplay: WolframAlpha 60 http://www.wolframalpha.com/input/?i=oranienburg
  60. 60. Präsentation & Semantik Künftige UIs: „getInspired“ 61 Keck et al. -Visual Innovations for Product Search Interfaces. Informatik2014. http://www.visea-projekt.de/
  61. 61. SemantischeSuche@ Ontos 62 Eventos(IR) -Information Retrieval(Algebra) -Clustering & Summarization -Identifikation von „Story Lines“ OntosMiner(NLP) -Entity Linking -Regel-& Wörterbuch-basiert -Semantische Annotation (RDF) OntoQUAD -RDF / Graph Store (Unix, Android) -Triple & Quadruple -SPARQL 1.1
  62. 62. SemantischeSuche@ Ontos 63
  63. 63. Beispiel: IBM Watson Ziel: CognitiveComputing Open Domain Frage-Antwort-System Fragen verstehen & antworten Wahrscheinlichkeiten für Antworten Erläuterung warum Antwort korrekt Schnell: Antwort in < 3s Evaluation: Jeopardygegen die Besten 64 http://de.slideshare.net/knoesis/knoesis2013
  64. 64. Beispiel: IBM Watson 65 http://de.slideshare.net/knoesis/knoesis2013
  65. 65. Beispiel: Google Glass Head MountedDisplays (HMD) sind Realität! Augmentierungder Realität Informieren statt Suchen Infos: https://www.google.com/glass/start/ 66
  66. 66. Beispiel: Google Glass 67
  67. 67. AktuelleF&E-Fragen kaum Lokale Entitäten Erweiterung der LOD notwendig (Erläuterung) der Herkunft der Informationen 68
  68. 68. OffeneF&E-Fragen Aktualität semantischer Daten 69
  69. 69. Offene F&E-Fragen Automatische Zusammenfassung von Ergebnissen zu „Stories“  „Robot Journalism“ 70 Merge Analyse Linked Data Set Features Phrase Selection Phrase Template Inclusion First Text NL Generation & Cleaning Text http://www.slate.com/blogs/future_tense/2014/03/17/ quakebot_los_angeles_times_robot_journalist_writes_article_on_la_earthquake.html
  70. 70. Zusammenfassung 71
  71. 71. Was nehme ich mit? Information Retrievaletabliert Verbesserung der Suche nur durch Modellierung menschlicher Wahrnehmung Nutzung semantischer Technologien und Wissenbasenvielversprechend Trend zur „natürlichen Kommunikation“ mit Maschine 72
  72. 72. Was nehme ich mit? “When we started Google 15 years ago my vision was that information would come to you as you need it. You wouldn’t have to search query at all.” Sergey Brin, Google 73 http://blog.ted.com/2013/02/27/sergey-brin-with-google-glass-at-ted2013/
  73. 73. Q&A Martin Voigt Ontos AG / GmbH Nidau(CH) / Leipzig (DE) T:+49 341 21559-10 M:+49 178 40 222 58 E: martin.voigt@ontos.com 74 https://twitter.com/m_a_r_t_i_nhttps://www.xing.com/profile/Martin_Voigt12http://de.linkedin.com/pub/martin-voigt/9/3a0/64b/

×