Web 3.0 & Semantic Web - HMD - Praxis der Wirtschaftsinformatik 271
von: Urs Hengartner, Andreas Meier
dpunkt, 2011
ISBN: 9783864910005
Sprache: Deutsch
129 Seiten, Download: 3827 KB
Format: EPUB, PDF, auch als Online-Lesen
Inhalt | 2 | ||
Editorial | 4 | ||
Semantic Web 3.0 | 5 | ||
Web 3.0 – wohin geht es mit dem World Wide Web? | 7 | ||
Inhaltsübersicht | 7 | ||
1 Vom Web 2.0 zum Web 3.0 | 7 | ||
2 DieStrukturvonRessourcenimWeb3.0 | 8 | ||
3 Soziale Webanwendungen | 10 | ||
4 Probleme | 11 | ||
5 Kritische Würdigung und persönliche Einschätzung | 12 | ||
6 Literatur | 12 | ||
Semantische Suche | 14 | ||
Inhaltsübersicht | 14 | ||
1 Suchmaschinen im Vormarsch | 14 | ||
2 Grenzen des traditionellen Information Retrieval im WWW | 15 | ||
3 Semantische Suche | 17 | ||
4 yovisto.com – eine semantische, akademische Videosuchmaschine | 23 | ||
5 Ausblick | 24 | ||
6 Literatur | 26 | ||
Social Tagging: Semantische Informationsverarbei-tung am Beispiel der Profildaten des XING-Netzwerks | 27 | ||
Inhaltsübersicht | 27 | ||
1 Definition und Bezugsrahmen | 27 | ||
2 Materialisierte Sichten | 29 | ||
3 Semantische Tag-Graphen | 30 | ||
4 Tag-Empfehlungen | 33 | ||
5 Evaluation | 34 | ||
6 Ausblick | 34 | ||
7 Literatur | 35 | ||
Text-Mining-Methoden im Semantic Web | 36 | ||
Inhaltsübersicht | 36 | ||
1 Annotierungsaufwand für das Semantic Web | 36 | ||
2 Methoden des Text Mining für das Semantic Web | 37 | ||
3 Hintergrundfragen | 42 | ||
4 Beispiele aus der Praxis | 43 | ||
5 Schlussfolgerungen und Ausblick | 46 | ||
6 Literatur | 47 | ||
Publikationsmanagement mit BibSonomy – ein Social-Bookmarking-System für Wissenschaftler | 48 | ||
Inhaltsübersicht | 48 | ||
1 Social Bookmarking | 48 | ||
2 BibSonomy | 50 | ||
3 Publikationsverwaltung mit kooperativen Verschlagwortungs-systemen am Beispiel BibSonomy | 53 | ||
4 Forschung | 55 | ||
5 Ausblick | 58 | ||
6 Literatur | 58 | ||
Semantische Mashups auf Basis des Linked Data Web | 60 | ||
Inhaltsübersicht | 60 | ||
1 Fragmentierung des Web in isolierte Datensilos | 60 | ||
2 Linked Data | 61 | ||
3 Das Linked Data Web | 62 | ||
4 Semantische Mashups | 65 | ||
5 Ausblick | 68 | ||
6 Literatur | 69 | ||
Wie man mit der Wikipedia semantische Verfahren verbessern kann | 71 | ||
Inhaltsübersicht | 71 | ||
1 Automatische Zuordnung von Themen | 71 | ||
2 Nutzen der Wikipedia-Strukturen | 72 | ||
Fazit | 74 | ||
3 WMTrans-Produkte | 74 | ||
Fazit | 75 | ||
4 TF-IDF | 76 | ||
Fazit | 76 | ||
5 Semantische Kategorisierung und themenbasierte Verschlagwortung von Dokumenten mit der Wikipedia | 77 | ||
Fazit | 78 | ||
6 Schlussbetrachtung und Ausblick | 80 | ||
7 Literatur | 81 | ||
Extraktion und kartografische Visualisierung von Informationen aus Weblogs | 82 | ||
Inhaltsübersicht | 82 | ||
1 Perspektiven im Web | 82 | ||
2 Praxisbeispiel | 87 | ||
3 Fazit und Ausblick | 90 | ||
4 Literatur | 91 | ||
Unstrukturierte Daten im Business Intelligence – Vorgehen, Ergebnisse und Erfahrungen in der praktischen Umsetzung | 92 | ||
Inhaltsübersicht | 92 | ||
1 UnstrukturierteDatenimBusiness Intelligence–fachlicheAnforderungen | 92 | ||
2 Auswertung von Störmeldungen in einem Customer Service Center | 94 | ||
3 Automatische Klassifikation von RSS-Feeds für ein Unternehmen der Energiewirtschaft | 98 | ||
4 Unstrukturierte Daten im BI – Technologie und Standards | 100 | ||
5 Literatur | 101 | ||
Augmented und Blended Learning: Potenzial hybrider Lernumgebungen | 103 | ||
Inhaltsübersicht | 103 | ||
1 ElektronischeInfrastrukturenfür LerneninvirtuellenLernumgebungen: eLearningundVirtualLearning | 103 | ||
2 Hybride Lernformen: Blended und Augmented Learning | 106 | ||
3 Potenzial einer Kombination von Blended Learning und Augmented Learning | 112 | ||
4 Literatur | 113 | ||
Notizen | 118 | ||
Bücher | 120 | ||
Vorschau | 126 | ||
Stichwortverzeichnis | 128 | ||
Impressum | 129 |
Kategorien
Kategorien
Empfehlungen
Service
Info/Kontakt