Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Joint Embedding Method for Entity Alignment of Knowledge Bases Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Object Clustering in Linked Data Using Centrality

verfasst von : Xiang Zhang, Yulian Lv, Erjing Lin

Erschienen in: Knowledge Graph and Semantic Computing: Semantic, Knowledge, and Linked Big Data

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Large-scale linked data is becoming a challenge to many Semantic Web tasks. While clustering of graphs has been deeply researched in network science and machine learning, not many researches are carried on clustering in linked data. To identify meta-structures in large-scale linked data, the scalability of clustering should be considered. In this paper, we propose a scalable approach of centrality-based clustering, which works on a model of Object Graph derived from RDF graph. Centrality of objects is calculated as indicators for clustering. Both relational and linguistic closeness between objects are considered in clustering to produce coherent clusters.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel LD2LD: Integrating, Enriching and Republishing Library Data as Linked Data
Nächstes Kapitel Research on Knowledge Fusion Connotation and Process Model
Fußnoten
Literatur
1.
Hartig, O., Bizer, C., Freytag, J.-C.: Executing SPARQL queries over the web of linked data. In: Bernstein, A., Karger, D.R., Heath, T., Feigenbaum, L., Maynard, D., Motta, E., Thirunarayan, K. (eds.) ISWC 2009. LNCS, vol. 5823, pp. 293–309. Springer, Heidelberg (2009). doi:10.​1007/​978-3-642-04930-9_​19 CrossRef
2.
Paulheim, H.: Exploiting linked open data as background knowledge in data mining. In: Proceedings of International Workshop on Data Mining on Linked Data, with Linked Data Mining Challenge Collocated with ECMLPKDD 2013, pp. 1–10 (2013)
3.
Qu, Y., Hu, W., Cheng, G.: Constructing virtual documents for ontology matching. In: Proceedings of 15th International Conference on World Wide Web (WWW 2006), pp. 23–31 (2006)
4.
Newman, M.E.J.: A measure of betweenness centrality based on random walks. Soc. Netw. 27, 39–54 (2005)CrossRef
5.
Zhang, X., Cheng, G., Qu, Y.: Ontology summarization based on RDF sentence graph. In: Proceedings of 16th International Conference on World Wide Web – WWW 2007, p. 707 (2007)
6.
Page, L., Brin, S., Motwani, R., Winograd, T.: The PageRank citation ranking: bringing order to the web. Technical report, Stanford Digital Library Technologies Project (1998)
7.
8.
Lempel, R., Moran, S.: Stochastic approach for link-structure analysis (SALSA) and the TKC effect. Comput. Netw. 33, 387–401 (2000)CrossRef
9.
Sheskin, D.J.: Handbook of parametric and nonparametric statistical procedures. Technometrics 46, 1193 (2004)MATH
10.
Schlicht, A., Stuckenschmidt, H.: Towards structural criteria for ontology modularization. In: CEUR Workshop Proceedings (2006)
11.
Grimnes, G.A.A, Edwards, P., Preece, A.: Instance based clustering of semantic web resources. In: Proceedings of 5th European Semantic Web Conference on the Semantic Web: Research and Applications, pp. 303–317 (2008)
12.
Yan, Y., Wang, C., Zhou, A., Qian, W., Ma, L., Pan, Y.: Efficient indices using graph partitioning in RDF triple stores. In: Proceedings - International Conference on Data Engineering, pp. 1263–1266 (2009)
13.
Aluç, G., Özsu, M.T., Daudjee, K.: Clustering RDF databases using tunable-LSH. pp. 1–13, CoRR, abs/1504.02523 (2015)
14.
Tabrizi, S.A., Shakery, A., Asadpour, M., Abbasi, M., Tavallaie, M.A.: Personalized PageRank clustering: a graph clustering algorithm based on random walks. Phys. A Stat. Mech. Appl. 392, 5772–5785 (2013)MathSciNetCrossRef
Metadaten
Titel
Object Clustering in Linked Data Using Centrality
verfasst von
Xiang Zhang
Yulian Lv
Erjing Lin
Copyright-Jahr
2016
Verlag
Springer Singapore
Buch
Knowledge Graph and Semantic Computing: Semantic, Knowledge, and Linked Big Data

Print ISBN: 978-981-10-3167-0

Electronic ISBN: 978-981-10-3168-7

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-981-10-3168-7_17