7. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (Subjekt, Prädikat, Objekt)
https://www.
th-wildau.de/
8. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (subject, predicate, object)
TH_Wildau
9. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (subject, predicate, object)
TH_Wildau
http://dbpedia.org/ontology/
veranstaltet
10. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (subject, predicate, object)
TH_Wildau
veranstaltet
11. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (subject, predicate, object)
Wildauer
Bibliothekssymposium
TH_Wildau
veranstaltet
12. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (subject, predicate, object)
Wildauer
Bibliothekssymposium
TH_Wildau
Ricardo Usbeck
Alexander Mühle
Matthias Razum
veranstaltet
trägt vor
13. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (subject, predicate, object)
Wildauer
Bibliothekssymposium
TH_Wildau
wikidata:Wildau
veranstaltet
befindet sich
trägt vor
https://orcid.org/0000-0002-019
1-7211
wikipedia:TextMining
orcidID
diskutiert
Ricardo Usbeck
Alexander Mühle
Matthias Razum
14. Knowledge Graphs - Linked Data/RDF
1. Graph-basiertes RDF-Model besteht aus Triplen (subject, predicate, object)
2. Publikation im Web oder in einem Intranet für 5-Sterne-Level
Wildauer
Bibliothekssymposium
TH_Wildau
wikidata:Wildau
veranstaltet
befindet sich
trägt vor
https://orcid.org/0000-0002-019
1-7211
wikipedia:TextMining
orcidID
diskutiert
Ricardo Usbeck
Alexander Mühle
Matthias Razum
15. Knowledge Graphs - Für Forschungsdaten
Quelle: Auer et al., 2018, Towards an Open Research Knowledge Graph
16. 1. Idee: Eine Maschine, die für uns liest
Quelle: http://aksw.org/Projects/AGDISTIS.html
17. 1. Idee: Eine Maschine, die für uns liest
Quelle: http://aksw.org/Projects/AGDISTIS.html
18. 1. Idee: Eine Maschine, die für uns liest
Quelle: http://aksw.org/Projects/AGDISTIS.html
19. 1. Idee: Eine Maschine, die für uns liest
Quelle: http://aksw.org/Projects/AGDISTIS.html
20. 1. Idee: Eine Maschine, die für uns liest
Quelle: http://aksw.org/Projects/AGDISTIS.html
21. 1. Idee: Eine Maschine, die für uns liest
Quelle: http://aksw.org/Projects/AGDISTIS.html
23. 2. Idee: Automatische Zusammenfassungen
1. Extraktive Zusammenfassungen - Der Textmarker
Computing semantic relatedness for natural language processing (NLP) tasks, e.g. Entity
Linking (EL) and Question Answering (QA) using Semantic Web data. We pre-compute
semantic relatedness between the instances, relations, and classes of an ontology.
Quelle: https://s2.exynize.com/ ScholarBrew
24. 2. Idee: Automatische Zusammenfassungen
2. Abstractive Zusammenfassungen - Der Bleistift
In 2016, the authors described an approach for calculating semantic relatedness using
Semantic Web data for resources, properties and classes to be used in real-time. They see
applications in areas such as Entity Linking or Question Answering.
Quelle: https://s2.exynize.com/ ScholarBrew