استدلال معنایی در ابزارهای اینترنت اشیا آگاه به محیط

Semantic Reasoning for Context-aware Internet of Things Applications

Abstract

Acquiring knowledge from continuous and heterogeneous data streams is a prerequisite for IoT applications. Semantic technologies provide comprehensive tools and applicable methods for representing, integrating, and acquiring knowledge. However, resource-constraints, dynamics, mobility, scalability, and real-time requirements introduce challenges for applying these methods in IoT environments. We study how to utilize semantic IoT data for reasoning of actionable knowledge by applying state-of-the-art semantic technologies. For performing these studies, we have developed a semantic reasoning system operating in a realistic IoT environment. We evaluate the scalability of different reasoning approaches, including a single reasoner, distributed reasoners, mobile reasoners, and a hybrid of them. We evaluate latencies of reasoning introduced by different semantic data formats. We verify the capabilities of promising semantic technologies for IoT applications through comparing the scalability and real-time response of different reasoning approaches with various semantic data formats. Moreover, we evaluate different data aggregation strategies for integrating distributed IoT data for reasoning processes.

1 Introduction

ADVANCES in ICT are bringing into reality the vision of Internet of Things (IoT) where a large number of uniquely identifiable, interconnected objects and things gather information from diverse physical environments and deliver the information to a variety of intelligent applications and services. These sensing objects and things form the IoT that can improve energy and cost efficiency and automation in many different industry fields such as transportation and logistics, health care and manufacturing, and facilitate our everyday lives as well. IoT applications rely on real-time context data and allow sending information for driving the behaviors of users in intelligent environments. Current IoT solutions are mostly tailored for vertical applications and systems, utilizing knowledge only from some particular domain. To realize the full potential of IoT, these disparate silos of expert systems need to be replaced with horizontal collaborative systems, and harnessed by knowledge acquisition and sharing capabilities. [1] Large integrated IoT systems with interoperable nodes are challenging to be built due to the heterogeneity of protocols, data formats, data schemes, and service interfaces. Realtime and scalability requirements, resource-constraints, and device mobility introduce additional challenges in building such systems. To minimize the need for human intervention, these networks and devices should possess auto-connecting, self-healing, and self-organizing capabilities. Device coupling, message routing and integration of information are important issues in open IoT environments, where networks can be unreliable, and devices may be unavailable, connections are typically non-persistent and decoupled IoT nodes are common. These challenges need to be tackled before developing a general IoT infrastructure that enables horizontal IoT systems spanning over various application domains [1]. In this article, we focus on knowledge sharing and integration, that is, on providing and acquiring knowledge in IoT environments. Smart IoT applications and systems demand machine-interpretable data for decision making, and to adapt to different situations and contexts. Shared understanding (i.e. ontologies) is required as well. Semantic Web technologies provide these features and have been noted as essential enablers for IoT as they facilitate reasoning of actionable knowledge from multiple heterogeneous information sources, and disparate knowledge domains, and foster interoperability amongst a variety of applications and systems [2]. Knowledge sharing and integration calls for common representations and knowledge acquisition, in turn, for reasoning actionable knowledge from IoT data. In this article, we study Semantic Web technologies that can facilitate contextawareness, interoperability, and reasoning on IoT. We carry out experiments by evaluating the whole process of delivering real IoT data, aggregating this data, and reasoning from it with different system configurations, based on a real-world scenario. We also study the effect of data aggregation strategies on system performance. These reasoning and data aggregation experiments and their evaluations are our main contributions. Specifically, we do not target developing a general architecture or a platform for IoT systems, but rather evaluate different data provisioning approaches and reasoning in a realistic IoT environment. We study the scalability, latency, and resource usage of reasoning with different system configurations and with semantic data formats that can be supported by IoT devices. We have designed and implemented an IoT system with centralized, distributed, mobile, and hybrid reasoning configurations for carrying out these studies. This article is an extended version of [3] with a more de-tailed literature study, a novel mobile reasoner implementation, and a deeper analysis. The reminder of this article is organized as follows: Section II presents background and related work. Section III describes the scenario and the system architectures and set-ups. Section IV presents the evaluation results. Section V contains discussion, and finally, we conclude our work with suggestions for future work in Section VI.

رتبه بندی وب سایت تجارت الکترونیکی با استفاده از کاوش وب معنایی و محاسبات عصبی

E-commerce Website Ranking Using Semantic Web Mining and Neural Computing

چکیده
با شتاب گرفتن عصر اینترنت، صنعت تجارت الکترونیکی به سرعت رشد کرده است و یک وب سایت خوب تجارت الکترونیک برای هر سازمان مبتنی بر تجارت ضروری به نظر می رسد. با این حال صنعت تجارت الکترونیکی در کشورهای در حال توسعه مانند هند هنوز هم برای برآوردن نیازهای چالش برانگیز و پویای مصرف کنندگان، عقب مانده است. شرکت ها استراتژی های جدیدی را برای حفظ و یا بازسازی روابط با مشتریان قدیمی خود توسعه می دهند و مصرانه بر مشتریان جدید متمرکز می شوند. با در نظر داشتن ایده ی ترکیب کاوش وب هوشمند با تجارت الکترونیکی، این کار تحقیقاتی طراحی یک الگوریتم رتبه بندی صفحه مبتنی بر معنایی و عصبی تجارت الکترونیکی، با نام الگوریتم رتبه بندی صفحه SNEC را مورد بحث قرار می دهد و پیاده سازی آن در قالب ابزار رتبه بندی وب سایت که ممکن است به خوبی برای رتبه بندی وب سایت های تجارت الکترونیکی برای کمک به مشتریان با پیدا کردن وب سایت های مرتبط در بالا در طول جستجوی شان برای خرید یک محصول خاص استفاده شود و همچنین برای کسب و کارها برای مقایسه نقاط قوت و ضعف شان با رقبا استفاده شود و بنابراین سود خود را با ارائه محصول مرتبط با قیمت رقابتی با سرویس های متناسب با مشتریان توسط ساختار بهتر وب سایت های تجارت الکترونیکی خود، بهبود بخشند.

Abstract

With the acceleration of Internet era, E-commerce industry has grown rapidly and a good E-Commerce website has become indispensable for every commerce based organization. However E-Commerce industry in developing countries like India is still lagging behind to satisfy the challenging and dynamic needs of consumers. Enterprises are deploying new strategies to retain or rebuild relations with their old customers and persistently focusing on new customers. Keeping in mind the thought of blending intelligent web mining with E-Commerce, this research work discusses the design of a Semantic and Neural based E Commerce page ranking algorithm, named SNEC page ranking algorithm and its implementation in the form of website ranking tool that may be well utilized for ranking of E- Commerce websites to assist the customers by finding relevant web sites on the top during their search for buying a specific product as well as businesses to compare their strengths and weaknesses with competitors and hence to improve their profits by providing relevant product at competitive price with consumer friendly services to the customers by better structuring their E Commerce websites.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1- مقدمه
بازیابی ، دستکاری و نمایش اطلاعات خودکار هوشمند می تواند معرف سرعت پیشرفت در بخش زیادی از کار فناوری پیشرفته امروزی باشد . در جهانی که اطلاعات در قلب فعالیت های ان قرار دارد ، هر نوع بهبودی مورد استقبال قرار می گیردکه می تواند حتی به مقادیر انبوه دستکاری داده ضروری کمک نماید . ماشین ها در نظر بعضی ها در زمینه وب معنایی در مرحله مرکزی قرار دارند و این بر اساس دانش عمیق تر داده هایی می باشد که آنها دستکاری می کنند . انجام چنین کاری مستلزم فراداده هایی می باشد ( داده مربوط به داده ) . هوشمند تر کردن ماشین ها در وظایفی نظیر بازیابی اطلاعات مرتبط در زمان های مربوطه به طور خودکار از مجموعه گسترده حتی در هارد درایو های لپ تاپ متوسط امروزی به ابر داده بسیار بیشتر نسبت به آنچه در زمان حال برای این داده در دسترس می باشد ، نیاز دارد .
ابر داده دقیق را می توان تنها از درک محتوی استخراج نمود ؛ دسته بندی عکس ها مطابق با آنچه آنها ترسیم می کنند به بهترین نحو از طریق شناخت هویت ها در آنها ، شرایط نور ، آب و هوا ، ماده اولیه فیلم ، انواع لنز های بکار رفته و غیره انجام گرفته است . تالیف ابر داده برای تصاویر با دست در ادامه این مثال یک تعهد غیر ممکن خواهد بود حتی اگر ما ابرداده ها را برای پدیده های سطحی نظیر اشیای اصلی منظور شده در تصویر محدود می سازیم چون تعدادی از عکس های تولید شده و به اشتراک گذاشته شده توسط افراد به طور فزاینده ای نمایی می باشند . ابزار های قدرت طراحی شده برای خلق ابر داده دستی تنها موقعیت را به طور افزایشی و نه نمایی بهبود خواهند بخشید .
هر چند تحلیل متن تا حدی در مسیر طولانی رخ می دهد و بسیار پیشرفته تر از تحلیل تصویر می باشد ، تکنیک های هوش مصنوعی تجزیه و تحلیل متن و تصاویر برای ادامه مطمن کشف رمز محتوی پچیده نظیر داده دارای مسیر طولانی می باشند . افت قیمت قدرت رایانش می توانست در این جنبه کمک کننده باشد چون تحلیل تصویر متمرکز بر منبع می باشد . این کار کافی نخواهد بود از اینرو تحلیل تصویر هدف عمومی مورد نیاز است تا دامنه کامل تصاویر تولید شده توسط مردم بر اساس محتوی ا تجزیه و تحلیل و دسته بندی نماید . از یک طرف ، رسیدن به پتانسیل کامل وب معنایی یا رها کردن خلق ابر داده با فناوری های AI جاری امکان پذیر نخواهد بود چون این فناوری ها به راحتی به اندازه کافی قدرتمند هستند . این وضعیت امورات ممکن است در دهه آینده به احتمال زیاد فراتر از حد توسعه یابد . از طرف دیگر ، چون رشد آنلاین داده دسترس به طور نمایی در حال ترقی می باشد و می توان انتظار داشت تا برای انجام چنین کاری ادامه یابد ، ورود ابر داده دستی هرگز برای توسعه ضرروی و با هدف اثربخشی به صورت چشمگیر نخواهد بود . ایجاد مجموعه کامل هستی شناسی های دستی که برای دستکاری ماشینی کافی نیاز بوده است ، تلاش بسیار سختی می باشد ؛ انتظار برای هوش ماشینی کافی می توانست وب معنایی را برای چند دهه به تاخیر اندازد .
آیا این بدان معنی است که وب معنایی تا زمانی که ماشین ها به طور چشمگیری هوشمند تر شوند ، تحقق نیافته می باشد ؟ ضرورتا چنین نیست . در حالی که ما باور داریم که هستی شناسی های دستی و تکنیک های هوش مصنوعی جاری به تنهایی نمی توانند به جهش عظیم به سمت وب معنایی دست یابند ، ترکیب هوشمندانه تر این دو می توانست به طور نمایی به بیش از یک بهبود قابل توجه دست یابد . ایده این است که اگر مضای دستی انلاین می توانست تا حدی در چنین روشی تقویت گردد که از دسته بندی خودکار حمایت کرده است ، این کار می توانست به جابجایی مقدار کامل داده برچسب دار معنایی نزدیک تر به هدف 100 درصد کمک می کند و به فرآیند های خودکار کمک می کند تا با دقت 90 درصدی معروف از دیوار آجری بالا بروند .
برای ما یک پرسش وجود دارد که چگونه به دیدگاه وب معنایی دست یابیم : چه نوع چارچوب همکارانه ای به بهترین نحو به ساخت وب معنایی رسیدگی خواهد کرد ؟ اکثر ابزار ها و روش شناسی هایی که برای خودکار سازی هندلینگ داده طراحی شده اند برای استفاده انسان مناسب نیستند – نمایش های اساسی داده برای ماشین ها در روش هایی طراحی می گردند که برای استفاده توسط انسان بی معنی هستند . فرمت های داده نظیر HTML که به طور انحصاری برای استفاده انسانی طراحی شده اند ، برای دستکاری ماشینی مناسب نیستند – داده ساخت نیافته است ، فرآیند کند می باشد ، امکان خطا وجود دارد و بکار گماردن HTML به مقادیر زیاد هوش مصنوعی نیاز دارد که به خوبی فراتر از دسترسی امروزی هستند .
این خط استدلال به رویکرد دو شاخه ما برای خلق وب معنایی منجر شده است : اولا ، ما سیستمی را برای کمک به مردم توسعه می دهیم تا رویکرد ساخت یافته تر را برای خلق ، مدیریت و دستکاری داده اشان بپذیرند و ثانیا ، ما مکانیزم های تحلیل خودکار را توسعه می دهیم که از داده و چارچوب ساخت یافته انسانی استفاده می کنند تا دسته بندی معنایی را فراتر از انچه برای انجام به طور دستی امکان پذیر است ، توسعه دهند . ما از قبل به پیشرفت چشمگیر در مورد بخش اول این رویکرد دست یافته ایم ؛ همچنین دومین بخش در دست انجام می باشد . حلقه فعل و انفعال تکراری بین ورودی اطلاعات کاربر ، توسعه خودکار این کار و پایش بعدی بازخورد در توسعه های ناشی از کاربر در روش ما تسهیل می گردد .
کارت معنایی یا SemCards آنچیزی است که ما نمایش اساسی رویکرد امان می نامیم . SemCard یک فناوری است که خلق هستی شناسی ، مدیریت / کاربرد با واسط کاربر را در روشی ترکیب می کند که به طور همزمان از ( 1) خلق ابرداده انسانی ، دستکاری و مصرف ، (2) خلق کاربر کارشناس و نگهداری هستی شناسی ها و (3) خدمات خودکار سازی پشتیبانی می کند که از طریق مثال های معنی دار انسانی ابر داده و لینک های رابطه معنایی تقویت می شوند که تا حد زیادی کارکرد پذیری و دقت اشان را ارتقاء می بخشند. SemCards هایک سطح بازنمودی هستی شناسانه بیواسطه را فراهم می کنند که به کاربران نهایی اجازه می دهند تا شبکه های معنایی غنی برای حوزه اطلاعات اشان خلق نمایند .
یکی از مشکلات بزرگ خودکار سازی می تواند کیفیت پایین نتایج باشد . در حالی که آمار ها ممکن است به طور منطقی در بعضی موارد به عنوان راه حل برای این مورد بکار آیند ، ” کاربر میانگین ” در غالب اوقات برای هر فرد در چندین ابعاد برای چنین رویکردی متفاوت می باشد که قرار است سودمند باشد . لایه بیواسطه SemCard باعث تشویق کاربران می گردد تا ابر داده و لینک های معنایی را خلق نمایند که خودکار سازی اساسی با مثال های بی نهایت خاص و تشویق کننده کاربر را فراهم می کند . تاثیر شبکه یک افزایش در همکاری احتمالی بین کاربر و ماشین می باشد . فرآیند های نیمه هوشمند را می توان به طور سودمندی بدون پرش های چشمگیر یا بیواسطه در تحقیق IA بکار گرفت .
آنچه ما توسعه داده ایم از چشم انداز کاربران یک پورتال شبکه می باشد که آنها در این پورتال می توانند اطلاعات اشان را برای استفاده شخصی سازماندهی نمایند ، هر نوع اطلاعات از آن را برای هر گروهی منتشر نمایند و اطلاعات به اشتراک گذاشته با آنها توسط دیگران را مدیریت نمایند خواه این اطلاعات به صورت اسناد ، کتاب ها ، موسیقی موارد دیگر باشند یا خیر . فناوری های مبتنی بر هستی شناسی قدرتمند برای سازماندهی کل دسته های داده از جمله مدیریت دسترسی ، لینک های رابطه ای ( معنایی ) و سیاست های ارایه در روشی به صورت پوشش دار وجود دارند که برای کاربر نسبتا شفاف هستند . نتیجه یک سیستمی است که خودکار سازی بهبود یافته و کنترل بر روی مدیریت دسترسی ، سازمادهی اطلاعات و خصیصه های نمایش را ارایه می کند .
ما در اینجا یک سری ایده های فراتر از رویکرد را توضیح می دهیم و بازنگری مختصری از مورد استفاده در وب سایت معنایی Twine.com نشان می دهیم مقاله به صورت زیر سازماندهی می گردد : اولا ما کار مربوطه را بازنگری می کنیم ، سپس در مورد فناوری اساسی SemCard توضیح می دهیم و تشریح می نماییم چگونه استفاده می شوند. سپس ما ما پورتال وب Twine.com را توضیح می دهیم که در انجا ما انواع واسط های کاربر را برای توانمند سازی استفاده از Semcard در چندین روش از جمله غنی تر کردن معنایی نشانه های وب ، یادداشت ها ، بلاگ ها و آپلود های علامت گذاری شده معنایی انجام داده ایم .

بخشی از مقاله انگلیسی:

1 Introduction

Intelligent automated retrieval, manipulation and presentation of information defines the speed of progress in much of today’s high-technology work. In a world where information is at the center, any improvement is welcomed that can help automate even more of the massive amounts of data manipulation necessary. In many people’s vision of the Semantic Web machines take center stage, based on a deeper knowledge of the data they manipulate than currently possible. To do so calls for metadata – data about the data. Making machines smarter at tasks such as retrieving relevant information at relevant times automatically from the vast collection, even on today’s average laptop hard drive, requires much more meta-information than is available at present for this data. Accurate metadata can only be derived from an understanding of content; classifying photographs according to what they depict, for example, is best done by a recognition of the entities in them, lighting conditions, weather, film stock, lens type used, etc. Authoring metadata for images by hand, to continue with this example, will be an impossible undertaking, even if we limited the metadata to surface phenomena such as the basic objects included in the picture, as the number of photographs generated and shared by people is increasing exponentially. Powertools designed for manual metadata creation would only improve the situation incrementally, not exponentially, as needed. Although text analysis has come quite a long way and is much further advanced than image analysis, artificial intelligence techniques for analyzing text and images have a long way to go to reliably decipher the complex content of such data. The falling price of computing power could help in this respect, as image analysis is resource-intensive. This will not be sufficient, however, as generalpurpose image analysis (read: software with “commmon sense”) is needed to analyze and classify the full range of images produced by people based on content. On the one hand, achieving the full potential of a semantic web, leaving metadata creation to current AI technologies, will not be possible as these technologies are simply not powerful enough. This state of affairs may very possibly extend well beyond the next decade. On the other hand, because the growth of data available online is rising exponentially, and can be expected to continue to do so, manual metadata entry will never catch up to the extent necessary for significant effect. Creating the full set of ontologies by hand required for adequate machine manipulation would be a Herculean effort; waiting for the adequate machine intelligence could delay the Semantic Web for decades. Does this mean the semantic web is unrealizable until machines become significantly smarter? Not necessarily. While we believe that neither hand-crafted ontologies nor current (or next wave) artificial intelligence techniques alone can achieve a giant leap towards the Semantic Web, a clever combination of the two could potentially achieve more than a notable improvement. The idea is that if online manual labor could somehow be augmented in such a way that it supported automatic classification, making up for its weak points, this could help move the total amount of semantically-tagged data closer to the 100% mark and help automatic processes get over the well-known “90% accuracy brick wall”. For us the question about how to achieve the vision of the Semantic Web has been, What kind of collaborative framework will best address the building of the Semantic Web? Most tools and methodologies designed for automating data handling are not suitable for human usage – the underlying data representations is designed for machines in ways that are not meant for human consumption. Data formats designed exclusively for human usage, such as e.g. HTML, are not suitable for machine manipulation – the data is unstructured, the process is slow, error prone and ultimately, to make it work, calls for massive amounts of machine intelligence that are well beyond today’s reach. This line of reasoning has resulted in our two-prong approach to the creation of the Semantic Web: First, we develop a system for helping people take a more structured approach to their data creation, management and manipulation and second, we develop automatic analysis mechanisms that use the human-provided structured data and framework to expand the semantic classification beyond what is possible to do by hand. We have already achieved significant progress on the first part of this approach; the second part is also well under way. Our method facilitates an iterative interaction loop between the user’s information input, the automated extension of this work and subsequent monitoring of feedback on the extensions from the user. Semantic Cards, or SemCards, is what we call the underlying representation of our approach. It is a technology that combines ontology creation, management/usage with the user interface in a way that supports simultaneously (a) human metadata creation, manipulation and consumption, (b) expert-user creation and maintenance of ontologies, and (c) automation services that are augmented by human-created meaningful examples of metadata and semantic relationship links, which greatly enhances their functionality and accuracy. SemCards provide an intermediate ontological representational level that allows end-users to create rich semantic networks for their information sphere. One of the big problems with automation is low quality of results. While statistics may work reasonably in some cases as a solution to this, for any single individual the “average user” is all too often too different on too many dimensions for such an approach to be useful. The SemCard intermediate layer encourages users to create metadata and semantic links, which provides underlying automation with highly specific, user-motivated examples. The net effect is an increase in the possible collaboration between the user and the machine. Semi-intelligent processes can be usefully employed without requiring significant or immediate leaps in AI research. From the users’ perspective what we have developed is a network portal where they can organize their own information for personal use, publish any of that information to any group – be it “emails” addressed to a single individual or photo albums shared with the world – and manage the information shared with them from others, whether it is documents, books, music, etc. Under the hood are powerful ontology-driven technologies for organizing all categories of data, including access management, relational (semantic) links and display policies, in a way that is relatively transparent to the user. The result is a system that offers improved automation and control over access management, information organization and display features. Here we describe the ideas behind our approach and give a short overivew of a use-case on the semantic Web site Twine.com. The paper is organized as follows: First we review related work, then we describe the technology underlying SemCards and explain how the are used. We then describe our Web portal Twine.com, where we have implemented various user interfaces for enabling the use of SemCards in a number of ways, including making semantically rich Web bookmarks, notes, blogs and semantically-annotated uploads.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

اخیراً، اهمیت خلاصه سازی داده XML افزایش می‌یابد، اساسا با هدف تعریف ترکیب‌های برای خوشه‌ها با ساختار مشابه است. رویکردها از مدل‌های نمایش مبتنی بر گراف و تطبیق درخت پیشنهادی استفاده می‌کنند. XSketch یک مدل خلاصه اصلاح شده است که مسئله تخمین انتخاب مسیر موجود را در محیط کلی داده XML با گراف ساختاریافته با مقادیر عناصر بررسی می‌کند. ساخت یک خلاصه دقیق بر اساس فرضیات آماری است که فقدان مسیر دقیق و ارزش اطلاعات را در خلاصه جبران می‌کند. به هر حال، ایجاد یک XSketch یک مسئله NP سخت تشریح شده است، بنابراین یک استراتژی پالایش اکتشافی باید استفاده شود.
نیاز برای سازمان دهی داده XML بر طبق ویژگی‌های ساختاری و محتوایی؛ با توجه به افزایش ناهمگونی منابع XML چالش برانگیز شده است. به هر حال، کاووش داده XML از نقطه نظر ترکیب محتوا/ساختار هنوز در مرحله اولیه است، و هیچ رویکردی برای ارائه قابلیت‌های موثر برای خوشه بندی XML معنایی وجود ندارد. اولین تلاش در [6] داده شده است، که اعمال تکنیک خوشه بندی تفکیکی را به اسناد XML نشان داده شده در یک مدل فضای برداری با ویژگی‌های مبتنی بر ‌تگ و متن اعمال می‌کند.
یک نمایش جایگزین، به نام BitCube، در [18] به عنوان شاخص بیت مپ 3 بعدی سه تایی < سند، مسیر عناصر-XML، کلمه> ارائه داده است. شاخص‌های BitCube می‌توانند برای تقسیم اسناد به خوشه ها، با استفاده از فاصله بیتی و سنجش شهرت دستکاری شوند. به منظور افزایش سرعت پاسخ به پرس و جو، عملیات برش/تاس/پیش بینی برای زیر بخش‌های نتیجه شده از فاز خوشه بندی اجرا می‌شود. به هر حال، هیچ تصمیم مهمی توسط مولفین در مورد بهبود ممکن خوشه بندی سند ارائه نشده است. به طور کل، رویکرد از معایب معمولی مدل‌های پیش نمایش بولین، مانند فقدان معیار تطبیق جزیی و سنجش طبیعی رتبه بندی اسناد رنج می‌برد.
تولید ویژگی‌ها برای داده XML در [16] عمیق تر بررسی شده است، جایی که تفسیرها، ساختارها و اطلاعات هستی شناسی با هم ترکیب می‌شوند. به هر حال، در اینجا تمرکز بر ایجاد ویژگی‌های مناسب در راستای اهداف دسته بندی نظارت شده داده XML است.
طرح مقاله. باقی مقاله به شرح زیر سازمان یافته است. بخش 2 اصطلاح شناسی و نمادهای سودمندی، و پیش زمینه ضروری بر مفاهیم تاپل درختی، آیتم، و تراکننش برای دامنه داده XML ارائه می‌دهد. بخش 3 تشریح می‌کند که چگونه ویژگی‌های XML به صورت معنایی به اطلاعات نحوی در آیتم‌های تاپل درختی XML با دانش هستی شناسی واژگان دست می‌یابد. تاکید ویژه این بخش بر روش‌های جدید ابهام زدایی از حس ‌تگ است. بخش 4 فریم ورکی را برای خوشه بندی تراکنش‌های XML ارائه می‌دهد. بخش 5 ارزیابی ‌آزمایش‌های را گزارش می‌دهد که اثربخشی فریم ورک خوشه بندی را گزارش می‌دهد. بخش 6 نتایج برجسته و نکات امیدوار کننده برای پژوهش‌های آینده بیان می‌کند.

2. پیش زمینه
2.1 مسیرها و درخت‌های XML
یک درخت T یک چندتایی است، به مجموعه‌ای از گره‌ها اشاره دارد، ریشه متماییز T است، به مجموعه یال‌های (بدون دور) اشاره دارد، و تابعی از ارتباط یک گره با یک ‌تگ در الفبای است. فرض کنید Tag، Att، و Str الفبایی از نام ‌تگ ها، صفات، و رشته‌ها هستند. در یک درخت XML، XT یک جفت ، به طوریکه : 1) T یک درخت تعریف شده در الفبای است، که نماد برای اشاره به مدل محتوای استفاده می‌شود؛ 2) با توجه به ؛ 3) تابعی از رشته‌های مرتبط با گره برگ T است.
یک مسیر p XML یک توالی از نمادها در است. نماد با نام تگ عنصر ریشه سند متناظر است. یک مسیر XML می‌تواند دو نوع باشد: مسیر تگ ؛ اگر ، یا مسیر کامل باشد، اگر برقرار باشد. به به عنوان مجموعه‌ای از مسیرهای کامل در XT اشاره می‌کنیم.
فرض کنید یک درخت XML است، و یک مسیر XML است. کاربرد p برای XT شناسایی مجموعه گره‌های است به طوری که، برای هر ، دنباله‌ای از گره ها، یا مسیر گره، با ویژگی‌های زیر وجود دارد: 1) و ؛ 2) فرزند ، برای هر ؛ 3) برای هر . است.
علاوه بر این، می‌گوییم که یک مسیر به یک درخت XML یک پاسخ حاصل می‌کند، که بسته به نوع مسیر تعریف می‌شود. در مورد مسیر تگ p، پاسخ p بر XT دقیقاً مجموعه‌ای از شناسه گره است، بنابراین داریم . برای یک مسیر کامل p، پاسخ p بر XT به عنوان مجموعه‌ای از مقادیر رشته‌ای مرتبط با گره‌های برگ شناخته شده با p تعریف می‌شود، به همین ترتیب داریم . برای یک مسیر کامل p، پاسخ p بر XT به عنوان مجموعه‌ای از مقادیر رشته‌ای مرتبط به گره‌های برگ شناخته شده توسط pتعریف می‌شود، .

2.2 تاپل‌های درخت XML.
تاپل‌ها مفهوم تاپل را در یک پایگاه داده رابطه‌ای همانند سازی می‌کنند و بسطی از وابستگی‌های تابعی برای محیط XML پیشنهاد می‌کنند. در یک پایگاه داده رابطه‌ای، یک تاپل یک تابع از هر صفت با مقداری از دامنه متناظر است. برطبق [8]، تعریف‌های زیر را ارائه می‌دهیم:
تعریف 2.1 با توجه به XT از درخت XML، یک تاپل درخت یک زیر درخت ماکسیمال XT است، به طوری که بر هر ( ‌تگ یا کامل) مسیر p در XT، پاسخ حداقل یک عنصر است.
به به عنوان مجموعه‌ای از تاپل‌های درخت از XT اشاره می‌کنیم.
مستقیما، یک تاپل درخت یک نمایش درخت (یا زیر درختی) از مجموعه کاملی از مفاهیم متمایز است که بر طبق معنا شناسی ساختاری درخت اصلی با هم همبسته هستند. علاوه بر این، تاپل‌های درخت استخراج شده از همان درخت، ساختار یکسانی را حفظ می‌کنند، در حالی که روش‌های متفاوتی از محتوای مربوطه ساختاری را منعکس می‌کند که می‌تواند طبیعتآ از درخت اصلی استنباط شده باشد.
مثال 1. درخت XML نشان داده شده در شکل 1 را در نظر بگیرید، که دو مقاله علمی را از آرشیو DBLP نشان می‌دهد. هر گره داخلی دارای ‌تگ منحصربفردی است که به نام ‌تگ اشاره می‌کند،در حالی که هر گره برگ نیز با نام و مقدار یک صفت برچسب خورده است، یا نماد S و رشته مربوطه با مدل محتوای #PCDATA متناظر است. مسیر پاسخ‌ها می‌تواند به سادگی محاسبه شود: برای مثال، مسیر dblp.article.title مجموعه‌ای از شناسه‌های گره را حاصل می‌کند، در حال که مسیر dblp.article.author.S مجموعه رشته {‘Hartmut Liefke’, ‘Dan Suciu’} را کسب می‌کند.
سه تاپل درخت می‌تواند از مثال درخت (شکل 2) استنتاج شود. یک تاپل درختی با شروع از زیررخت راست با ریشه در عنصر dblp استخراج شود. دو تاپل درخت در عوض با شروع از زیردرخت چپ با ریشه در dblp استخراج می‌شود، از آنجایی که در این زیر دخت دو مسیر dblp.article.author وجود دارد، هریک مسیر پاسخ متماییزی را متناظر با نویسنده مقاله کسب می‌کنند.