Semantic Search for Information System Domain Bibliographic Data

Main Article Content

พยุง มีสัจ วาทินี นุ้ยเพียร ผุสดี บุญรอด

Abstract

- Searching through digital information by using keywords usually returns incorrect results and does not reflect user requirements. The researchers have developed semantic search or ontology that increases efficiency of information retrieval. However, one of the problems of semantic search is that development depends on the expert knowledge. To solve the problem above, this research proposes sub class creation via semi-automatic techniques and finding relation of class by association rules. The proposed method is composed of 4 steps: 1) feature selection using Chi-Square and Support Vector Machine Radial basis function (SVMR) in order to reduce phrases and send statistics value into a subclass to aid the semi-automatic ontology, 2) semantic terms mapping using association rule methods, 3) development of Semantic Search for Information System Domain Bibliographic Data, and 4) evaluation of the developed information retrieval system. The result of the proposed method produced precision at 97.07%.

Keywords

Article Details

How to Cite
มีสัจพ., นุ้ยเพียรว., & บุญรอดผ. (2013). Semantic Search for Information System Domain Bibliographic Data. JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY, 4(1), 11-20. https://doi.org/10.14456/jist.2013.2
Section
Research Article: Soft Computing (Detail in Scope of Journal)

References

1. เพ็ญพรรณ อัศวนพเกียรติ, อรินทิพย์ ธรรมชัยพิเนต และกฤษณะ ไวยมัย, “ออนโทโลยีชีวภาพ : ระบบสำหรับสืบคืนและวิเคราะห์ข้อมูลทางด้านชีววิทยา”, Available from: https://pindex.ku.ac.th/file_research/ku1.pdf

2. วิไลพร เลิศมหาเกียรติ, ภูริวัตร คัมภีรภาพพัฒน์ และ อนิราช มิ่งขวัญ, “รูปแบบการแสดงผลการค้นคืนของเครื่องมือการสืบค้นสารนิเทศบนอินเตอร์เน็ต”, วารสารวิชาการพระจอมเกล้าพระนครเหนือ, ปีที่ 18 ฉบับที่ 1, มกราคม–เมษายน 2551, หน้า 89-98

3. สินีนาถ นาคโตและไพลิน เงินประเสริฐ, “การค้นหาเอกสารงานวิจัยเชิงความหมาย”, ปริญญานิพนธ์วิทยาศาสตร์บัณฑิต ภาควิชาวิทยาการคอมพิวเตอร์และสารสนเทศ คณะวิทยาศาสตร์ประยุกต์ สถาบันเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 2549.

4. สิทธา อาภาศิริกุลและสาริน สุภาพึ่ง, “ระบบช่วยเลือกซื้อโทรศัพท์มือถือโดยใช้เว็บเชิงความหมาย”, ปริญญานิพนธ์วิทยาศาสตร์บัณฑิต ภาควิชาวิทยาการคอมพิวเตอร์และสารสนเทศ คณะวิทยาศาสตร์ประยุกต์ สถาบันเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 2549.

5. W3C, “Resource Description Framework”, Available from: http://www.w3.org/XML/Schema

6. W3C, “Resource Description Framework”, Available from: http://www.w3.org/RDF/

7. W3C, “RDF Vocabulary Description Language 1.0: RDF Schema”, Available from: http://www.w3.org/TR/rdf-schema/

8. W3C, “OWL Web Ontology Language, Available from: http://www.w3.org/TR/owl-features/

9. X.H.Wang, et al. “Ontology Based Context Modeling and Reasoning using OWL”, Proceedings of the Second IEEE Annual Conference on Pervasive Computing and Communications Workshops (PERCOMW’04), 2004. pp. 18–22

10. C. Haruechaiyasak, et al. “Implementing News Article Category Browsing Based on Text Categorization Technique”, The 2008 IEEE/WIC/ACM International Conference on Web Intelligence (WI-08) workshop on Intelligent Web Interaction (IWI 2008), 2008. pp. 143-146

11. V. Nuipian, P. Meesad, and P. Boonrawd, “Improve Abstract Data with Feature Selection for Classification Techniques”, Advanced Materials Research, Vol. 403-408, November 2011. pp. 3699-3703

12. K. Thongklin, S. Vanichayobon and W. Wett, “Word Sense Disambiguation and Attribute Selection Using Gain Ratio and RBF Neural Network”, IEEE International Conference Innovation and Vision for the Future in Computing & Communication Technologies (RIVF’ 08), Vaidnam, 2008.


13. P.N. Tan, M. Steinbach, and K. Vipin, Introduction to Data Mining. United State of America : Addison Wesley, 2005.

14. J. R. Quinlan, “Induction of Decision Trees”, Machine Learning, Vol. 1, 1986. pp. 81-106 15. P. Saengsiri, et al. “Comparison of Hybrid Feature Selection Models on Gene Expression Data”, IEEE International Conference on ICT and Knowledge Engineering, 2010. pp.13-18

16. G. L. Bretthorst, “Bayesian Spectrum Analysis and Parameter Estimation in Lecture Notes in Statistics”, New York, Springer-Verlag, 1988.

17. D. Lewis, “Naïve (Bayes) at forty: The independence assumption in information retrieval”, Lecture Notes in Computer Science, 1998. pp. 4-15

18. B. Links, “A Detailed Introduction to K-Nearest Neighbor (KNN) Algorithm”, Available from: http://saravananthirumuruganathan.wordpress.com/2010/05/17/a-detailed-introduction-to-k-nearest-neighbor-knn-algorithm/

19. V. Vapnik, “The Nature of Statistical Learning Theory”, New York, Springer, 1995.

20. C.J. Burges, “A tutorial on support vector machines for pattern recognition”, Data Mining and Knowledge Discovery 2, 1998. pp. 121–167

21. สิริรัตน์ ประกฤติกรชัย, “การสร้างต้นแบบออนโทโลยีของพืชสมุนไพรไทย”, สารนิพนธ์วิทยาศาสตร์มหาบัณฑิต ภาควิชาวิทยาการคอมพิวเตอร์และสารสนเทศ คณะวิทยาศาสตร์ประยุกต์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 2550.

22. วรวิกานต์ ปัณณะรัส, “การประยุกต์เว็บเชิงความหมายในการสืบค้นความเชี่ยวชาญของนักวิจัย”, วิทยานิพนธ์วิทยาศาสตร์มหาบัณฑิต ภาควิชาวิทยาการคอมพิวเตอร์และสารสนเทศ คณะวิทยาศาสตร์ประยุกต์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 2552.

23. W3C, “SPARQL”, Available from: http://www.w3.org/TR/rdf-sparql-query/

24. Association for Computing Machinery : ACM, Available from: http://portal.acm.org/portal.cfm

25. P. Meesad, V. Nuipian and P. Boonrawd, “A Chi-Square-Test for Word Importance Differentiation in Text Classification”, Proceedings of 2011 International Conference on Information and Electronics Engineering (ICIEE 2011), 2011. pp. 110-114

26. G. Cui, et al. “Automatic Acquisition of Attributes for Ontology Construction”, Springer, 2009.

27. Protégé, Available from: http://protege.stanford.edu/