The Semantic Web is an effort to interchange unstructured data over the Web into a structured format that is processable not only by human beings but also computers. The key backbones of Semantic Web are ontologies and annotations that provide semantics for data. Ontologies are usually created before actual data is populated. Subsequently, they can be incomplete and they often do not provide all aspects that are required for specific domains of knowledge. Additionally, Semantic Web-based ontologies usually suffer from a considerable amount of faulty facts which are known as Semantic Web data quality issues. Due to the complexity of relationships, Semantic Web data quality issues are continuously growing. This paper follows two main objectives. Firstly, it concentrates on a specific Semantic Web data quality issue that indicates incorrect assignment between instances and classes in the ontology. Secondly, the paper shows how to discover new classes which are not defined in the ontology and how to place them in the hierarchical structure of the ontology. To make ends meet, an entropy-based approach called ACE (Automated Class Corrector and Enricher) is proposed that not only evaluates the correctness and incorrectness of relationships between instances and classes but also generates new classes to enrich ontologies. The contributions of ACE have been also explained throughout the paper. Initial experiments conducted on a Semantic Web dataset demonstrate the effectiveness of the ACE.

语义Web旨在将Web上的非结构化数据交换为结构化格式，该结构化格式不仅可以由人类处理，而且可以由计算机处理。语义Web的关键骨干是提供数据语义的本体和注释。通常在填充实际数据之前创建本体。随后，它们可能是不完整的，并且通常不能提供特定知识领域所需的所有方面。另外，基于语义Web的本体通常遭受大量错误事实的困扰，这些事实被称为语义Web数据质量问题。由于关系的复杂性，语义Web数据质量问题不断增长。本文遵循两个主要目标。首先，它着重于一个特定的语义Web数据质量问题，该问题表明本体中的实例和类之间的分配不正确。其次，本文展示了如何发现本体中未定义的新类，以及如何将它们放置在本体的层次结构中。为了达到收支平衡，提出了一种基于熵的方法，称为ACE（自动类校正器和扩展器），该方法不仅评估实例与类之间关系的正确性和不正确性，还生成了新的类以丰富本体。ACE的贡献在整个论文中也得到了解释。在语义Web数据集上进行的初步实验证明了ACE的有效性。本文展示了如何发现本体中未定义的新类，以及如何将它们放置在本体的层次结构中。为了达到收支平衡，提出了一种基于熵的方法，称为ACE（自动类校正器和扩展器），该方法不仅评估实例与类之间关系的正确性和不正确性，还生成了新的类以丰富本体。ACE的贡献在整个论文中也得到了解释。在语义Web数据集上进行的初步实验证明了ACE的有效性。本文展示了如何发现本体中未定义的新类，以及如何将它们放置在本体的层次结构中。为了达到收支平衡，提出了一种基于熵的方法，称为ACE（自动类校正器和扩展器），该方法不仅评估实例与类之间关系的正确性和不正确性，还生成了新的类以丰富本体。ACE的贡献在整个论文中也得到了解释。在语义Web数据集上进行的初步实验证明了ACE的有效性。提出了一种基于熵的方法，称为ACE（自动类校正器和扩展器），该方法不仅可以评估实例与类之间关系的正确性和不正确性，还可以生成新的类来丰富本体。ACE的贡献在整个论文中也得到了解释。在语义Web数据集上进行的初步实验证明了ACE的有效性。提出了一种基于熵的方法，称为ACE（自动类校正器和扩展器），该方法不仅可以评估实例与类之间关系的正确性和不正确性，还可以生成新的类来丰富本体。ACE的贡献在整个论文中也得到了解释。在语义Web数据集上进行的初步实验证明了ACE的有效性。