10、可适应数据集搜索排名模型与 owl:sameAs 语句的研究

可适应数据集搜索排名模型与 owl:sameAs 语句的研究

在数据处理与语义网络的领域中，数据集的搜索排名以及身份关系的处理是至关重要的。下面将分别介绍数据集搜索排名模型的实证分析和 owl:sameAs 语句的相关研究。

数据集搜索排名模型的实证分析

在数据集搜索中，知名数据集虽然可靠，但可能会忽略实体互连的重要机会。而文中讨论的数据集排名技术能极大地促进这一任务，因为它们可以减少搜索链接和发现重要数据集的计算量。

通过对几种排名模型的实证比较，得出了以下结论：
- 适用于人机交互的最佳排名模型 ：在与数据集搜索工具进行人机交互时，就归一化折损累积增益（nDCG）而言，基于贝叶斯分类器和 JRip 的排名模型表现最佳。当已知链接集时，贝叶斯分类器更优，其 nDCG 至少能高出 5%；否则，JRip 是最佳选择。
- 可避免社交网络方法的相似度计算 ：由于贝叶斯和 JRip 的性能相似，因此可以避免社交网络方法中的相似度计算。
- 带有 JRip 分类器和主题类别的模型 ：当需要自动扫描排名时，带有 JRip 分类器和主题类别的模型总是值得考虑的。除了在召回率（recall@k）方面表现更好（达到 90%召回率时，所需数据集减少 13%），该模型的优势还在于它不依赖于所有数据集都有已知链接集的假设，而仅依赖于主题类别的存在，而主题类别通常可以在数据集中找到。
- 不同召回率对应的排名遍历大小 ：实验还指出了达到每个期望召回率水平所需遍历的排名大小，这些结果可作为搜索的输入。具体如下表所示：