{"id":{"repo_id":"corvinus","oai_identifier":"oai:phd.lib.uni-corvinus.hu:1242"},"canonical_url":"https://search.dev.ndltd.org/etd/corvinus/oai:phd.lib.uni-corvinus.hu:1242","repository":{"repo_id":"corvinus","name":"Corvinus University of Budapest","base_url":"http://phd.lib.uni-corvinus.hu/cgi/oai2"},"display":{"title":"Szemantikus web technológiák alkalmazási lehetőségei az „exploratory” OLAP-ban","abstract":"Az utóbbi évtizedben a strukturálatlan adatok (pl. szövegek) mennyisége sokkal nagyobb mértékben nőtt, mint a strukturált adatoké. Ez nem kis mértékben a közösségi médiának és az okos eszközök elterjedésének köszönhető. A nagy mennyiségű adat tárolása egyelőre nem okoz gondot, mivel a tároló eszközök ára az utóbbi időben jelentősen csökkent, kapacitásuk viszont közben növekedett. A strukturálatlan adatok feldolgozásával viszont más a helyzet. A nagy adatmennyiség miatt sokszor reménytelen, hogy hasonló feladatokat manuálisan végezzünk el. Ezért manapság különösen fontos, hogy olyan számítógépes eljárásokat dolgozzunk ki, amely lehetővé teszi a strukturálatlan – többnyire szöveges - adatok feldolgozását és elemzését. A strukturálatlan adatok feldolgozása, mint probléma sok részterületet érint, többek között a tudásreprezentáció, a szemantikus technológiák, az adat-, web-, és szövegbányászatot, a mesterséges intelligencia részterületeit ezen belül a tanuló algoritmusok témáját is. A struktúra alkotás fontos eszközei a szemantikus technológiák, ezek közül az ontológiák, amelyek egy adott terület fogalmi leírását adják meg. Segítségükkel egy adott területre jellemző fogalmak és a közöttük lévő kapcsolatok definiálhatók. Kutatási témám a szemantikus technológiák (elsősorban ontológiák) adattárházakban való felhasználásával kapcsolatos. Olyan megoldásokat vizsgálok, amelyek lehetővé teszik a strukturált és nem strukturált adatok együttes elemzését az adattárház/üzleti intelligencia rendszerekben. Az ilyen rendszereket a szakirodalomban exploratory OLAP rendszereknek is nevezik. Az exploratory OLAP rendszerek területe meglehetősen új, a legelső modellek a szakirodalomban alig több, mint tíz éve jelentek meg. Fontos megjegyezni, hogy a legtöbb ilyen modell megmaradt koncepcionális szinten. Néhány esetben készült ugyan prototípus, viszont azok általános alkalmazhatósága még nem igazolt. Kutatásom során a következő kérdések megválaszolását tűztem ki célul: • Hogyan tehető szemantikussá a hagyományos OLAP és az adattárház, vagyis hogyan lehet megtervezni a szemantikus réteg integrációját az adattárházba? • Hogyan lehet a megtervezett modellt a gyakorlatban megvalósítani egy prototípus segítségével? • Mi lehet egy hatékony validálási módszer az „exploratory OLAP” modell esetében? A kutatás elvégzéséhez többféle módszert is alkalmaztam. A módszerek közé tartozik a design science, az adatgyűjtés és adatelemzés, az ontológia fejlesztési és értékelési módszertan, valamint a prototípus készítése során alkalmazott fejlesztési módszertan. A kutatás fontosabb eredményei a következők: • A helpdesk/ticketing ontológia elkészítése. Erre nem találtam meglévő releváns példát a szakirodalomban. Az általam készített változat nem fedi le az egész ticketing területet, elsősorban a hibabejelentésekre (incidensek) fókuszál. A ticketing ontológiákból két verziót is készítettem. Az első verzió egy kétszintű taxonómia, amely elősegíti a szemantikus keresést az incidensekben. Az ontológia második (továbbfejlesztett) verziója jobban írja le a ticketing rendszer működését, azon belül is az incidensek kezelését. További jellemzője, hogy ebben az osztály-alosztály kapcsolaton kívül más kapcsolatok, illetve az osztály tulajdonságok is megjelenjenek. • Exploratory OLAP prototípusok elkészítése. Az exploratory OLAP prototípusok közül nagyon kevés működő változat van a gyakorlatban. A kutatás során általam létrehozott prototípusok felhasználnak meglévő modelleket (Prasad, Abello), de azokat átalakítva, és a szükséges mértékig leegyszerűsítve. A prototípusok értékelésére egy validálási rendszert is kidolgoztam és alkalmaztam.","abstract_html":"Az utóbbi évtizedben a strukturálatlan adatok (pl. szövegek) mennyisége sokkal nagyobb mértékben nőtt, mint a strukturált adatoké. Ez nem kis mértékben a közösségi médiának és az okos eszközök elterjedésének köszönhető. A nagy mennyiségű adat tárolása egyelőre nem okoz gondot, mivel a tároló eszközök ára az utóbbi időben jelentősen csökkent, kapacitásuk viszont közben növekedett. A strukturálatlan adatok feldolgozásával viszont más a helyzet. A nagy adatmennyiség miatt sokszor reménytelen, hogy hasonló feladatokat manuálisan végezzünk el. Ezért manapság különösen fontos, hogy olyan számítógépes eljárásokat dolgozzunk ki, amely lehetővé teszi a strukturálatlan – többnyire szöveges - adatok feldolgozását és elemzését. A strukturálatlan adatok feldolgozása, mint probléma sok részterületet érint, többek között a tudásreprezentáció, a szemantikus technológiák, az adat-, web-, és szövegbányászatot, a mesterséges intelligencia részterületeit ezen belül a tanuló algoritmusok témáját is. A struktúra alkotás fontos eszközei a szemantikus technológiák, ezek közül az ontológiák, amelyek egy adott terület fogalmi leírását adják meg. Segítségükkel egy adott területre jellemző fogalmak és a közöttük lévő kapcsolatok definiálhatók. Kutatási témám a szemantikus technológiák (elsősorban ontológiák) adattárházakban való felhasználásával kapcsolatos. Olyan megoldásokat vizsgálok, amelyek lehetővé teszik a strukturált és nem strukturált adatok együttes elemzését az adattárház/üzleti intelligencia rendszerekben. Az ilyen rendszereket a szakirodalomban exploratory OLAP rendszereknek is nevezik. Az exploratory OLAP rendszerek területe meglehetősen új, a legelső modellek a szakirodalomban alig több, mint tíz éve jelentek meg. Fontos megjegyezni, hogy a legtöbb ilyen modell megmaradt koncepcionális szinten. Néhány esetben készült ugyan prototípus, viszont azok általános alkalmazhatósága még nem igazolt. Kutatásom során a következő kérdések megválaszolását tűztem ki célul: • Hogyan tehető szemantikussá a hagyományos OLAP és az adattárház, vagyis hogyan lehet megtervezni a szemantikus réteg integrációját az adattárházba? • Hogyan lehet a megtervezett modellt a gyakorlatban megvalósítani egy prototípus segítségével? • Mi lehet egy hatékony validálási módszer az „exploratory OLAP” modell esetében? A kutatás elvégzéséhez többféle módszert is alkalmaztam. A módszerek közé tartozik a design science, az adatgyűjtés és adatelemzés, az ontológia fejlesztési és értékelési módszertan, valamint a prototípus készítése során alkalmazott fejlesztési módszertan. A kutatás fontosabb eredményei a következők: • A helpdesk/ticketing ontológia elkészítése. Erre nem találtam meglévő releváns példát a szakirodalomban. Az általam készített változat nem fedi le az egész ticketing területet, elsősorban a hibabejelentésekre (incidensek) fókuszál. A ticketing ontológiákból két verziót is készítettem. Az első verzió egy kétszintű taxonómia, amely elősegíti a szemantikus keresést az incidensekben. Az ontológia második (továbbfejlesztett) verziója jobban írja le a ticketing rendszer működését, azon belül is az incidensek kezelését. További jellemzője, hogy ebben az osztály-alosztály kapcsolaton kívül más kapcsolatok, illetve az osztály tulajdonságok is megjelenjenek. • Exploratory OLAP prototípusok elkészítése. Az exploratory OLAP prototípusok közül nagyon kevés működő változat van a gyakorlatban. A kutatás során általam létrehozott prototípusok felhasználnak meglévő modelleket (Prasad, Abello), de azokat átalakítva, és a szükséges mértékig leegyszerűsítve. A prototípusok értékelésére egy validálási rendszert is kidolgoztam és alkalmaztam.","abstract_has_math":false,"creators":["Molnár, Géza Gábor"],"institution":"Budapesti Corvinus Egyetem","degree_name":"phd","degree_level":"doctoral","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022-10","date_published":"2022-10","updated_at":"2026-07-24T01:49:42Z","subjects":["Innováció, tudásgazdaság","Számítástechnika"],"languages":["hu","en"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Molnár, Géza Gábor"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022-10-07"]},{"key":"dc:date.issued","label":"Date","values":["2022-10"]},{"key":"dc:publisher.department","label":"Dc Publisher Department","values":["Közgazdasági és Gazdaságinformatikai Doktori Iskola"]},{"key":"dc:publisher.institution","label":"Dc Publisher Institution","values":["Budapesti Corvinus Egyetem"]},{"key":"dc:relation.isreferencedby","label":"Dc Relation Isreferencedby","values":["https://phd.lib.uni-corvinus.hu/1242/"]},{"key":"dc:relation.isreferencedby.uri","label":"Dc Relation Isreferencedby URI","values":["https://doi.org/10.14267/phd.2022062"]},{"key":"dc:type","label":"Dc Type","values":["Disszertáció"]},{"key":"dc:type.qualificationlevel","label":"Dc Type Qualificationlevel","values":["doctoral"]},{"key":"dc:type.qualificationname","label":"Dc Type Qualificationname","values":["phd"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Innováció, tudásgazdaság","Számítástechnika"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["hu","en"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://phd.lib.uni-corvinus.hu/1242/1/Molnar_Geza_dhu.pdf","https://phd.lib.uni-corvinus.hu/1242/2/Molnar_Geza_thu.pdf","https://phd.lib.uni-corvinus.hu/1242/8/Molnar_Geza_ten.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Az utóbbi évtizedben a strukturálatlan adatok (pl. szövegek) mennyisége sokkal nagyobb mértékben nőtt, mint a strukturált adatoké. Ez nem kis mértékben a közösségi médiának és az okos eszközök elterjedésének köszönhető. A nagy mennyiségű adat tárolása egyelőre nem okoz gondot, mivel a tároló eszközök ára az utóbbi időben jelentősen csökkent, kapacitásuk viszont közben növekedett. A strukturálatlan adatok feldolgozásával viszont más a helyzet. A nagy adatmennyiség miatt sokszor reménytelen, hogy hasonló feladatokat manuálisan végezzünk el. Ezért manapság különösen fontos, hogy olyan számítógépes eljárásokat dolgozzunk ki, amely lehetővé teszi a strukturálatlan – többnyire szöveges - adatok feldolgozását és elemzését. A strukturálatlan adatok feldolgozása, mint probléma sok részterületet érint, többek között a tudásreprezentáció, a szemantikus technológiák, az adat-, web-, és szövegbányászatot, a mesterséges intelligencia részterületeit ezen belül a tanuló algoritmusok témáját is. A struktúra alkotás fontos eszközei a szemantikus technológiák, ezek közül az ontológiák, amelyek egy adott terület fogalmi leírását adják meg. Segítségükkel egy adott területre jellemző fogalmak és a közöttük lévő kapcsolatok definiálhatók. Kutatási témám a szemantikus technológiák (elsősorban ontológiák) adattárházakban való felhasználásával kapcsolatos. Olyan megoldásokat vizsgálok, amelyek lehetővé teszik a strukturált és nem strukturált adatok együttes elemzését az adattárház/üzleti intelligencia rendszerekben. Az ilyen rendszereket a szakirodalomban exploratory OLAP rendszereknek is nevezik. Az exploratory OLAP rendszerek területe meglehetősen új, a legelső modellek a szakirodalomban alig több, mint tíz éve jelentek meg. Fontos megjegyezni, hogy a legtöbb ilyen modell megmaradt koncepcionális szinten. Néhány esetben készült ugyan prototípus, viszont azok általános alkalmazhatósága még nem igazolt. Kutatásom során a következő kérdések megválaszolását tűztem ki célul: • Hogyan tehető szemantikussá a hagyományos OLAP és az adattárház, vagyis hogyan lehet megtervezni a szemantikus réteg integrációját az adattárházba? • Hogyan lehet a megtervezett modellt a gyakorlatban megvalósítani egy prototípus segítségével? • Mi lehet egy hatékony validálási módszer az „exploratory OLAP” modell esetében? A kutatás elvégzéséhez többféle módszert is alkalmaztam. A módszerek közé tartozik a design science, az adatgyűjtés és adatelemzés, az ontológia fejlesztési és értékelési módszertan, valamint a prototípus készítése során alkalmazott fejlesztési módszertan. A kutatás fontosabb eredményei a következők: • A helpdesk/ticketing ontológia elkészítése. Erre nem találtam meglévő releváns példát a szakirodalomban. Az általam készített változat nem fedi le az egész ticketing területet, elsősorban a hibabejelentésekre (incidensek) fókuszál. A ticketing ontológiákból két verziót is készítettem. Az első verzió egy kétszintű taxonómia, amely elősegíti a szemantikus keresést az incidensekben. Az ontológia második (továbbfejlesztett) verziója jobban írja le a ticketing rendszer működését, azon belül is az incidensek kezelését. További jellemzője, hogy ebben az osztály-alosztály kapcsolaton kívül más kapcsolatok, illetve az osztály tulajdonságok is megjelenjenek. • Exploratory OLAP prototípusok elkészítése. Az exploratory OLAP prototípusok közül nagyon kevés működő változat van a gyakorlatban. A kutatás során általam létrehozott prototípusok felhasználnak meglévő modelleket (Prasad, Abello), de azokat átalakítva, és a szükséges mértékig leegyszerűsítve. A prototípusok értékelésére egy validálási rendszert is kidolgoztam és alkalmaztam."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Szemantikus web technológiák alkalmazási lehetőségei az „exploratory” OLAP-ban"]}]}],"canonical_facts":{"dc:creator":["Molnár, Géza Gábor"],"dc:date":["2022-10-07"],"dc:date.issued":["2022-10"],"dc:description.abstract":["Az utóbbi évtizedben a strukturálatlan adatok (pl. szövegek) mennyisége sokkal nagyobb mértékben nőtt, mint a strukturált adatoké. Ez nem kis mértékben a közösségi médiának és az okos eszközök elterjedésének köszönhető. A nagy mennyiségű adat tárolása egyelőre nem okoz gondot, mivel a tároló eszközök ára az utóbbi időben jelentősen csökkent, kapacitásuk viszont közben növekedett. A strukturálatlan adatok feldolgozásával viszont más a helyzet. A nagy adatmennyiség miatt sokszor reménytelen, hogy hasonló feladatokat manuálisan végezzünk el. Ezért manapság különösen fontos, hogy olyan számítógépes eljárásokat dolgozzunk ki, amely lehetővé teszi a strukturálatlan – többnyire szöveges - adatok feldolgozását és elemzését. A strukturálatlan adatok feldolgozása, mint probléma sok részterületet érint, többek között a tudásreprezentáció, a szemantikus technológiák, az adat-, web-, és szövegbányászatot, a mesterséges intelligencia részterületeit ezen belül a tanuló algoritmusok témáját is. A struktúra alkotás fontos eszközei a szemantikus technológiák, ezek közül az ontológiák, amelyek egy adott terület fogalmi leírását adják meg. Segítségükkel egy adott területre jellemző fogalmak és a közöttük lévő kapcsolatok definiálhatók. Kutatási témám a szemantikus technológiák (elsősorban ontológiák) adattárházakban való felhasználásával kapcsolatos. Olyan megoldásokat vizsgálok, amelyek lehetővé teszik a strukturált és nem strukturált adatok együttes elemzését az adattárház/üzleti intelligencia rendszerekben. Az ilyen rendszereket a szakirodalomban exploratory OLAP rendszereknek is nevezik. Az exploratory OLAP rendszerek területe meglehetősen új, a legelső modellek a szakirodalomban alig több, mint tíz éve jelentek meg. Fontos megjegyezni, hogy a legtöbb ilyen modell megmaradt koncepcionális szinten. Néhány esetben készült ugyan prototípus, viszont azok általános alkalmazhatósága még nem igazolt. Kutatásom során a következő kérdések megválaszolását tűztem ki célul: • Hogyan tehető szemantikussá a hagyományos OLAP és az adattárház, vagyis hogyan lehet megtervezni a szemantikus réteg integrációját az adattárházba? • Hogyan lehet a megtervezett modellt a gyakorlatban megvalósítani egy prototípus segítségével? • Mi lehet egy hatékony validálási módszer az „exploratory OLAP” modell esetében? A kutatás elvégzéséhez többféle módszert is alkalmaztam. A módszerek közé tartozik a design science, az adatgyűjtés és adatelemzés, az ontológia fejlesztési és értékelési módszertan, valamint a prototípus készítése során alkalmazott fejlesztési módszertan. A kutatás fontosabb eredményei a következők: • A helpdesk/ticketing ontológia elkészítése. Erre nem találtam meglévő releváns példát a szakirodalomban. Az általam készített változat nem fedi le az egész ticketing területet, elsősorban a hibabejelentésekre (incidensek) fókuszál. A ticketing ontológiákból két verziót is készítettem. Az első verzió egy kétszintű taxonómia, amely elősegíti a szemantikus keresést az incidensekben. Az ontológia második (továbbfejlesztett) verziója jobban írja le a ticketing rendszer működését, azon belül is az incidensek kezelését. További jellemzője, hogy ebben az osztály-alosztály kapcsolaton kívül más kapcsolatok, illetve az osztály tulajdonságok is megjelenjenek. • Exploratory OLAP prototípusok elkészítése. Az exploratory OLAP prototípusok közül nagyon kevés működő változat van a gyakorlatban. A kutatás során általam létrehozott prototípusok felhasználnak meglévő modelleket (Prasad, Abello), de azokat átalakítva, és a szükséges mértékig leegyszerűsítve. A prototípusok értékelésére egy validálási rendszert is kidolgoztam és alkalmaztam."],"dc:format":["application/pdf"],"dc:identifier.uri":["https://phd.lib.uni-corvinus.hu/1242/1/Molnar_Geza_dhu.pdf","https://phd.lib.uni-corvinus.hu/1242/2/Molnar_Geza_thu.pdf","https://phd.lib.uni-corvinus.hu/1242/8/Molnar_Geza_ten.pdf"],"dc:language":["hu","en"],"dc:publisher.department":["Közgazdasági és Gazdaságinformatikai Doktori Iskola"],"dc:publisher.institution":["Budapesti Corvinus Egyetem"],"dc:relation.isreferencedby":["https://phd.lib.uni-corvinus.hu/1242/"],"dc:relation.isreferencedby.uri":["https://doi.org/10.14267/phd.2022062"],"dc:subject":["Innováció, tudásgazdaság","Számítástechnika"],"dc:title":["Szemantikus web technológiák alkalmazási lehetőségei az „exploratory” OLAP-ban"],"dc:type":["Disszertáció"],"dc:type.qualificationlevel":["doctoral"],"dc:type.qualificationname":["phd"]},"updated_at":"2026-07-24T01:49:42Z"}