此篇論文建置一個性化智能推薦及關聯性測試平台(Personalized Intelligent Recommender and
Annotator TEStbed簡稱PIRATES)，利用結合知識庫來將使用者所訂定之tag作分類，並搭配domain-ontologies作一個關聯性檢索，並推薦tags。
由於以往folksonomy的標籤系統，大多有下列缺點：
1. Ambiguity：語義歧異、拼寫錯誤等
2.Undistinguished concerns：無法明確辨識之標籤，像是個人備註等等。
3.Independence of terms：無法提供關聯推論之標籤，如重量單位、長度單位等。
4.Effort：對類似的網路資源標註大量標籤是一件繁瑣且累人的事情。
此論文主要針對第1及第4點作出貢獻，由系統統一推薦tag，並自動執行，降低標籤歧異度以及減少人力成本及時間。
此論文所建置平台之主要架構：
其系統主要分為三個部分：1.Cognitive Filtering Tools -- 主要搭配使用者喜好過濾篩選文件。
2.Automatic Tagger -- 搭配KPEM選取文章中之關鍵字，並載入doamin-ontology做推論。
3.Knowledge Base -- 歸屬關鍵字及ontology中class之關係。
執行流程：
先選取欲推薦之文件及tag所屬領域之domain-ontology，利用KPEM挑選出此文件之關鍵字，並透過知識庫來對照這些關鍵字對應到所選取的domain-ontology下的class，並藉由這些被對應到的class往上追朔同樣屬性的super-class，並將這些class作為tag推薦給使用者。
心得：
此論文雖提供一系統解決歧義及自動化功能，但仍有部分缺陷，如知識庫的建立成本、缺少ontology間的水平關係...等等，未來仍有許多發展空間。
