Dolování pravidel nad propojenými daty

Učení pravidel je jeden ze způsobů získávání znalostí z databází. S rostoucím množstvím strojově čitelných a propojených dat publikovaných na webu vznikají nové možnosti dolování dat, a to přímo ze znalostních grafů, do kterých jsou propojená data sdružována. Pro učení pravidel z propojených dat však nelze běžně použít konvenční přístupy s ohledem na vlastnosti znalostních grafů. Znalostní grafy můžou obsahovat milióny výroků, popisují různé entity v různých kontextech, mají vysokou míru propojenosti, jsou považovány za neúplné a tedy jsou otevřeny pro další rozšiřování. Jedním z algoritmů schopných efektivně a rychle dolovat pravidla ze znalostních grafů je AMIE. Tento algoritmus kombinuje techniky z oboru induktivního logického programování a dolování asociačních pravidel. Tato práce je primárně zaměřena na výkonnostní vylepšení AMIE algoritmu a na vývoj nových přístupů rozšiřující algoritmus o metody předzpracování dat a zpracování získaných pravidel, které poskytují komplexnější pokrytí procesu dolování propojených dat oproti původní AMIE implementaci. Na základě navržených přístupů byl implementován nástroj s názvem RDFRules schopný pojmout mnoho znalostních grafů, propojit je a analyzovat vstupní data, dolovat pravidla dle AMIE přístupu, zpracovat výstupní pravidla a použít je pro prediktivní či deskriptivní účely. Provedené evaluace ukazují, že navržená vylepšení AMIE algoritmu snižují čas dolování až o několik řádů. Dále bylo ukázáno, že na základě nově navržených metod předzpracování dat a zpracování pravidel bylo možné odhalit další znalosti a poskytnout lepší prediktivní schopnost sestavených modelů než v případě jiných běžných přístupů.