Drawing upon the extant literature,

Drawing upon the extant literature, we propose a classification schema of ontology learning techniques, as shown in '그림 3'. The top-level consists of three categories: statistics-based, rule-based, and hybrid techniques. The majority of ontology learning techniques are unsupervised because training data annotated with ontological knowledge are commonly not available. As a result, statistical techniques have been often applied in ontology learning. A statistical model is typically represented as a probabilistic network that indicates the probabilistic dependencies between random variables. The statistical information computed from observed frequencies or joint distributions of the terms is used to determine concepts and their relations. Different approaches vary in how this probabilistic network is generated and which method is applied to combine individual distributions. Maximum Likelihood Estimation and Bayesian approaches are typical examples. Rule-based approaches require matching to pre-defined r es or heuristic patterns in order to extract terms and relations. A rule-based model is typically represented as a set of rules consisting of condition testing and action execution, such as dependency relation analysis and anaphoric resolution. Hybrid approaches leverage the strengths of both statistics-based and rulebased approaches.

결과 (한국어) 1:

현존 문헌에 따라 그리기, 우리 제안 온톨로지의 분류 스키마 학습 기법에서와 같이 ' 그림 3'. 세 가지 범주는 최상위 구성: 통계, 규칙 기반 및 하이브리드 기술. 대부분 온톨로지 기술을 학습의 존재론적 지식으로 주석이 지정 된 학습 데이터는 일반적으로 사용할 수 없습니다 때문에 감독 없습니다. 그 결과, 통계적 기법 자주 적용 된 온톨로지 학습에. 통계 모델 랜덤 변수 간의 확률적 의존성을 나타내는 확률 네트워크로 일반적으로 표현 됩니다. 관찰 된 주파수 또는 공동 분배 조건에서 계산 된 통계 정보는 개념과 관계를 결정 하는 데 사용 됩니다. 다른 접근 다 어떻게이 확률 네트워크 생성 되 고 어떤 방법은 개별 분포를 결합에 적용 됩니다. 최대 가능성 추정 그리고 베이스 정리 접근은 일반적인 예입니다. 규칙 기반 접근 약관과 관계를 추출 하기 위해 미리 정의 된 r es 또는 추론 패턴을 일치 해야 합니다. 규칙 기반 모델은 일반적으로 규칙 종속성 관계 분석 및 anaphoric 해상도 등 조건 테스트 및 액션 실행의 구성 된 집합으로 표시 됩니다. 하이브리드 접근 방식을 활용 하 여 통계에 기초를 둔 둘 다의 강점 및 rulebased 접근.

결과 (한국어) 2:

'그림 3'에 도시 된 바와 같이 현존하는 문헌에 그리기, 우리는 온톨로지 학습 기술 분류 스키마를 제안한다. 최상위 세 개의 카테고리로 구성되어 통계를 기반으로하면서, 규칙을 기반으로 한 하이브리드 기술. 존재 론적 지식 주석 훈련 데이터는 일반적으로 사용할 수 없기 때문에 온톨로지 학습 기술의 대부분은 감독없이하고 있습니다. 결과적으로, 통계적 기법들은 온톨로지 학습에 적용되었다. 통계 모델은 일반적으로 확률 변수의 확률 적 의존성을 나타내는 확률 적 네트워크로 표시됩니다. 관측 주파수 또는 관절면의 분포로부터 계산 된 통계 정보는 개념과의 관계를 결정하는 데 사용된다. 다른 접근법이 확률 네트워크가 생성되는 방식으로 변화하고있는 방법은 개별적 분포를 결합하기 위해 적용된다. 최대 우도 추정 베이지안 접근법은 전형적인 예이다. 규칙 기반 접근 방식은 용어와 관계를 추출하기 위해하는 미리 정의 R 말이지 또는 휴리스틱 패턴 일치가 필요합니다. 규칙 기반 모델은 통상적으로 의존 관계 분석 및 anaphoric 해상도 조건 테스트와 행위 실행 이루어진 일련의 규칙으로 표현된다. 하이브리드는 모두 통계 기반 및 rulebased 접근 방식의 장점을 활용하여 접근한다.

결과 (한국어) 3:

현존하는 문헌 따라 우리 제기했다 본체 기술을 배우다 분류 모드 하나 같다 "그 그림 3.상위 세 종류로 나눌: 기반 통계의 으로 규칙에 기초를 및 혼합 기술.본체 기술을 배우다 대부분 감독 으로 훈련 데이터 주석을 본체의 지식 대개 사용할 수 없다.으로서 결과통계 기술은 이미 다른 응용 실체 공부하다.통계적 모델 보통 표시 하나 확률 네트워크 위해 표시 우연량 사이의 확률 의존 관계.통계 는 관찰할 주파수 또는 조건을 결합 분포 계산은 데 확실히 개념 및 상호 관계.다른 방법이 다르다, 이 방법은 이런 확률 네트워크 생기는 및 응용 결합 사람의 분포.최대 似然 평가 및 贝叶斯 방법 전형적인 실례.기초 방법을 필요로 일치하는 미리 정의된 R ES 또는 계발식 모델 은 추출 용어 및 관계 규칙.하나 는 규칙에 기초를 모델 보통 기 위해 한 팀 구성 테스트 조건 및 동작을 실행할 규칙 같은 의존 관계 분석 및 잘 해상도.혼합 방법 충분히 이용하다 쌍방의 강점 및 기반 규칙 방법은 기반 통계.