Gehalten an der TH Wildau im Rahmen des 2018er http://bibliothekssymposium.de

1. Von Textwüsten zu
Forschungsdaten-
infrastrukturen
mit Text Mining
Dr. Ricardo Usbeck
Data Science, Universität Paderborn

2. Immer mehr Daten...

3. Immer mehr Daten...
Quelle: http://arxiv.org

4. ...immer weniger Wissen.

5. Das Problem - Maschinelles Verstehen

6. Knowledge Graphs - Linked Data/RDF
Quelle: https://5stardata.info/en/

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

22. 2. Idee: Automatische Zusammenfassungen
Quelle: https://s2.exynize.com/ ScholarBrew

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

25. 3. Idee: Argumente sammeln (lassen)
Quelle: Katarzyna (Kasia) Budzynska & Serena Villata,
http://www.i3s.unice.fr/~villata/tutorialIJCAI2016.html

26. 3. Idee: Argumente sammeln (lassen)
Quelle: Katarzyna (Kasia) Budzynska & Serena Villata,
http://www.i3s.unice.fr/~villata/tutorialIJCAI2016.html

27. 3. Idee: Argumente sammeln (lassen)
Quelle: Katarzyna (Kasia) Budzynska & Serena Villata,
http://www.i3s.unice.fr/~villata/tutorialIJCAI2016.html

28. 3. Idee: Argumente sammeln (lassen)
Quelle: http://args.me

29. 3. Idee: Argumente sammeln (lassen)
Quelle: http://www.research.ibm.com/artificial-intelligence/project-debater/

30. 4. Idee: Suchen
Quelle: https://scholar.google.de/scholar?hl=de&as_sdt=0%2C5&q=CRISPR

31. 4. Idee: Suchen Finden
Quelle: Auer et al., 2018, Towards an Open Research Knowledge Graph

32. 4. Idee: Suchen Finden
Quelle: Dennis Diefenbach, http://wdaqua.eu/qa

33. 4. Idee: Suchen Finden
Quelle: Athreya & Usbeck, http://chat.dbpedia.org/

34. Realitätscheck

35. Realitätscheck - Daten besser finden
Quelle: https://www.blog.google/products/search/making-it-easier-discover-datasets/

36. Realitätscheck - Verknüpftes Wissen
Quelle: http://researchgraph.org/

37. Realitätscheck- Verknüpftes Wissen
Quelle: http://researchgraph.org/

38. Realitätscheck- Zitatbewertung
Quelle: https://twitter.com/verumanalytics

40. Welche Fragen haben Sie?
DILS conference @ TIB Hannover,
20-21. November 2018,
https://events.tib.eu/dils2018/progra
mme/post-conference/
http://dice.cs.uni-paderborn.de/
https://github.com/dice-group/
http://dice-research.org/