استخراج معنایی داده های کلان جغرافیایی از جدول های وب

با افزایش رو به رشد نمایی اطلاعات و حجم بزرگی از آنها که به وجود می آید، روز به روز نیاز به پردازش و تحلیل این داده های حجیم بیشتر و بیشتر می شود. مشکل این دادههای کلان به وجود آمده این است که زمان محدودی برای پردازش آنها داریم که این کار با یک ماشین یا غیرممکن است یا نیاز به زمانی فراتر از زمان انتظار دارد. میلیون ها جدول وب با داده جغرافیایی وجود دارد که مربوط به یکپارچگی داده کلان با دامنه های کاربردی متنوعی است، مانند شبکه های انتقال، سلامت عمومی و غیره که این جدول ها ساختار، مفاهیم و متادیتای ناهمگنی دارند. یکز از چالش های استخراج معنایی داده جغرافیایی برای حل این مشکل ناهمگنی این است که احتیاج است تا سلسله مراتب مفهمی، مفهومی، متادیتای در ارتباط با نمونه ها و اطلاعات جغرافیایی را کشف کند که این ها به ترتیب به آنتولوژی ها، عناصری که ما آنها را ویژگی می نامیم و مقادیر سلولی که می تواند به این منظور استفاده شود که مختصات جغرافیایی را مشخص می کند، مربوط می شوند. در این مقاله، یک معماری یا متدی ارائه می کنیم که 1-جدول های وب با ویژگی غنی را استخراج می کند. 2-ویژگی ها را مشخص می کند. 3-یک schema و نمونه هایی را با استفاده از RDF می سازد. 4-Geocoding که روشی برای تهیه یک صفحه گرافیکی اطلاعات در رابطه با یک ناحیه جغرافیایی است را اجرا می کند. آزمایش های انجام گرفته نشان از این دارد که در تشخیص جدول و نامگذاری ویژگی حتی با مقایسه نسبت به ارزیابی دستی از دقت بالاتری برخوردار می باشد.