Data Mining mit Linked Open Data (Mine@LOD)

• Antragsteller: Professor Dr. Heiko Paulheim
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2013 bis 2018
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 238007641

Data Mining beschäftigt sich mit dem Auffinden von Mustern und Regelmäßigkeiten in großen Datenbeständen. Klassischerweise wird hier davon ausgegangen, dass das gesamte Datenmaterial in einer Datenbank oder Data Warehouse vorliegt, die dann mit Hilfe von Methoden des maschinellen Lernens oder des Data Minings nach auffälligen Mustern durchsucht wird. Mit fortschreitender Entwicklung des Semantischen Netzes und der weiten Verfügbarkeit von öffentlich zugänglichen, vernetzten Datenquellen, stellt sich die Frage, wie diese Quellen für Data-Mining-Prozesse genutzt werden können. In vielen realen Fällen wird weiteres Hintergrundwissen benötigt, um relevante und interessante Muster zu finden. So können zum Beispiel bessere Erklärungen für die Verkaufszahlen von Büchern in unterschiedlichen Filialen gefunden werden, je mehr Detailinformation sowohl über die Bücher (z.B. das Genre) als auch über die Stadtteile, in denen sich die Filialen befinden (z.B. die Bevölkerungszusammensetzung), vorhanden sind. Da solche Hintergrundinformation nur sehr aufwändig für alle Fälle vorgehalten werden kann, werden im Projekt Mine@LOD Verfahren untersucht, die eine vollautomatische Anreicherung mit relevantem Hintergrundwissen aus Linked Open Data ermöglicht. Auf diese Weise können bestehende Data-Mining-Verfahren stark verbessert werden. Hierzu müssen einerseits möglicherweise passende Datenquellen gefunden werden, relevante Informationen in diesen Datenquellen identifiziert werden, und bestehende Lern-Algorithmen dahingehend verbessert werden, dass sie im Kontext von zahlreichen, schwach relevanten Datenquellen befriedigende Ergebnisse liefern.

• DFG-Verfahren: Sachbeihilfen