Yeni bir veri kümesiyle karşılaşıldığında çoğu uygulayıcı, verilerdeki ilginç kalıpları ve özellikleri öğrenmek için “keşif amaçlı veri analizi” yaparak işe başlar. İlişkilendirme kuralı madenciliği ve temel bileşen analizi gibi işlemler genellikle verilerin nitelikleri arasındaki ilişkileri ortaya çıkarmak için uygulanır. Ancak ilişkilendirme kuralları, kural tabanlı makine öğrenimi kullanımları nedeniyle öncelikle ikili veya kategorik verilerde kullanılmak üzere tasarlanmıştır. Gerçek dünya verilerinin büyük bir kısmı doğası gereği süreklidir ve bu tür verilerin ayrıklığı, yanlış ve daha az bilgilendirici ilişkilendirme kurallarına yol açar.
Ontoloji, bilgi mühendisliği, yapay zeka, bilgi erişimi, heterojen bilgi süreci, semantik web madenciliği gibi alanlarda yaygın olarak kullanılmaktadır. Ontolojinin hedefi, ilgili alanların içerdiği bilgiyi ve ifadeyi yakalamak, alan bilgisinin ortak bir anlayışını sağlamak, alanda ortak anlayış için kelime dağarcığı belirlemek ve farklı hiyerarşilerden oluşan biçimsel modellerden bu kelime dağarcığı ve bunların ilişkileri için net bir tanım vermektir.
Ontoloji inşası verimliliği artırmak ve veriyi anlamak için çok önemli bir görev haline gelmiştir. Ancak manuel ontoloji inşası karmaşık ve yanıltıcı bir çalışmadır ve ontoloji inşası süresinin uzun ve maliyetin yüksek olmasına neden olur.
Bu eksiklerin giderilmesi vizyonu ile tasarladığımız LinkUS, Ontoloji inşasının verimliliğini artırmak için var olan veri tabanı kaynaklarından otomatik olarak ontoloji oluşturmak ve verilerin özetinin çıkarılarak ontolojide tanımlanan ilişkilere en uygun veri gruplarının bulunması için kullanılmaktadır.
