Published paper:

  • Sooksawasdee Nattawuttisit and Sasiporn Usanavasin, "Ontology Mapping Based on Pattern Recognition with Back Propagation Method," International Conference on Computational Techniques and Mobile Computing (ICCTMC'2012), ISBN:978-93-82242-14-7, pp.221-225,2012, Planetary Scientific Research Center, Singapore.
  • Sooksawasdee Nattawuttisit and Sasiporn Usanavasin, " Ontology Mapping Based on Machine Learner," International Journal of Research in Enginnering and Technology (IJRET) Vol.1, No.6, 2012 ISSN 2277-4378.
  • Sooksawasdee Nattawuttisit and Sasiporn Usanavasin, " Ontology Mapping using Neural Network with Indexing Technique," International Journal of Research in Enginnering and Technology (IJRET) Vol.2, No.1, 2013 ISSN 2277-4378.
 
 

Research Interests:

  • Ontology
  • Semantic web
 
 

Dissertation Title:

การจับคู่ออนโทโลยีด้วยเทคนิคเชิงกฎเกณฑ์แบบหลากหลายและนิวรอลเน็ตเวอร์คที่มีการปรับรูโครงสร้าง
Ontology Mapping using Multiple Rules and Neural Networks with Pruning Technique

  Advisor: ดร.ศศิพร อุษณวศิน
 

 

บทคัดย่อ

วิทยานิพนธ์ฉบับนี้มีวัตถุประสงค์เพื่อวิจัยและลดข้อผิดพลาดในผลการจับคู่รวมทั้งแก้ไขความล่าช้าที่เกิดขึ้นระหว่างกระบวนการสอนภายในนิวรอลเน็ตเวิร์ค โดยผู้วิจัยได้นำเสนอเทคนิคเชิงกฎเกณฑ์แบบหลากหลายและนิวรอลเน็ตเวิร์คที่มีการปรับรูปโครงสร้างมาใช้พัฒนาเป็นขั้นตอนวิธีใหม่ เพื่อให้ได้ค่าผลลัพธ์การจับคู่ที่ถูกต้องแม่นยำขึ้น จากการศึกษาในงานวิจัยที่เกี่ยวข้องพบว่าระบบจับคู่ออนโทโลยีที่ใช้นิวรอลเน็ตเวิร์คจะมีความยุ่งยากเรื่องการกำหนดจำนวนนิวรอลในชั้นซ่อนที่มีผลทำให้กระบวนการสอนเกิดความล่าช้าและผลลัพธ์ที่ได้จากการประมวลผลขาดความถูกต้อง ดังนั้นเพื่อแก้ไขปัญหาดังกล่าวเหล่านี้ ผู้วิจัยจึงได้ออกแบบขั้นตอนวิธีขึ้นใหม่โดยให้ระบบมีการคำนวณจำนวนนิวรอลในชั้นซ่อนที่เหมาะสมอย่างอัตโนมัติ โดยผู้ใช้งานไม่ต้องอาศัยทักษะความชำนาญเรื่องนิวรอลเน็ตเวิร์คก็สามารถเข้าใจระบบได้โดยง่ายและลดโอกาสเกิดข้อผิดพลาดต่างๆระหว่างการใช้งานลง นอกจากนี้ผู้วิจัยได้นำเกณฑ์การทดสอบระบบจาก Ontology Alignment Evaluation Initiative Campaign (OAEI 2011) มาใช้ตรวจสอบและวัดผลระบบ โดยผลจากการทดลองพบว่าระบบที่ได้รับการพัฒนาครั้งนี้สามารถให้ผลลัพธ์ที่ถูกต้องสูงขึ้นจากระบบที่นำมาเปรียบเทียบ (งานวิจัยของ Mao และคณะ) คือ ได้ค่าความเที่ยง = 88.9%, ค่าเรียกคืน = 94.4%และ ค่า F-Measure = 91.6% และพบว่าเปอร์เซ็นต์การวนรอบระหว่างกระบวนการสอนสามารถลดลงได้สูงสุดถึง 30.45% (วัดจากแบบทดสอบที่ 101ในกลุ่ม Anatomy) จึงสรุปได้ว่าขั้นตอนวิธีการปรับลดโครงสร้างนิวรอลเน็ตเวิร์คใหม่ที่ได้จากงานวิจัยครั้งนี้สามารถนา ไปใช้ประยุกต์กับระบบการจับคู่ออนโทโลยีได้เป็นอย่างดี

 

 

ABSTRACT

This thesis aims to solve the mapping result errors and slow training process in a traditional ontology mapping with artificial neural networks technique. The researcher proposes a new approach of ontology mapping using multiple rules and neural networks with pruning technique. From literature reviews, the researcher discovers that it is difficult to determine optimal sizes of hidden structures inside this black box system. For example, if they assign inappropriate ones, then it results in long recurrent training. In this thesis, the researcher particularly designed a new dynamic model using new enhancing algorithms to overcome the above limitations. Finally, it will be easier for any user to understand and operate this new system with higher accuracy results. To evaluate and measure the effectiveness of our new approach, the researcher adopts and
follows OAEI 2011 benchmarks with previous work’s comparisons (Moa et al, 2010). The experimental results illustrate in higher precision, recall, and F-Measure achievements at 88.9%, 94.4%, and 91.6% respectively, as well as the maximum of iteration reduction percentage from test case Anatomy number 101 is 30.45%. Therefore, it can be proved that our new approach can solve the traditional problems, and can be applicable for future implementation.