基于Web挖掘的领域本体自动学习

为获取领域本体并量化概念关系的可信度,提出了一种基于Web挖掘的学习模型.通过可扩展的模式集和分布语义模型获取本体主干,使用关联规则发现概念间的一般关系,对候选本体进行修剪和合并.模式可信度、概念语义距离与关联特征决定了概念间关系的可信度.通过"文本分析-本体获取-文本扩充"的迭代过程,优化模型参数和阈值.该模型解决了现有本体学习方法对词典或核心本体的依赖性、以及不能对关系进行可信度量化的问题.实验证明了所提出模型的有效性.     

事件网络模型与应用研究

通过分析关于事件研究的成果,提出事件网络模型.事件网络是一种新的知识表达模型,具有事件单元和概念单元,可以描述现实世界的运动与变化.事件单元由多个角色的概念单元通过语义关系组合而成;每个角色的概念单元的属性间存在偏序关系,通过偏序关系可生成概念层次;每个概念层次都可用资源概念格来表达.因此,多资源概念格可形式化事件网络模型.事件单元以事件个体和事件类来体现,概念单元以实体个体和实体类来体现,因此,可以事件网络为核,通过映射规则,将事件网络映射为事件本体.事件本体是在基于实体类的传统概念本体上,增加事件类而扩展的新型本体.利用事件本体实现的事件知识检索系统,验证了事件网络模型的可行性和有效性.     

基于语言变量的模糊本体模型

为了更有效地表达语义Web中的模糊知识,将模糊概念与关系引入到传统的模型中,提出新的模糊本体:模糊领域本体与模糊顶层本体.模糊顶层本体从语言变量的形式化表示入手,考虑模糊概念间的语义关系:集合关系、序关系与等价关系.用模糊本体对智能交通领域的知识进行建模,通过模糊语言值描述交通概念的属性信息,有效克服现有模型的一些局限.结果表明,该研究有利于语义Web环境下模糊系统的知识共享与重用.     

基于模糊本体的智能交通系统知识建模

为有效处理交通知识建模中的模糊与不确定现象,提出包括领域本体与顶层本体的模糊本体模型.在领域本体中引进模糊概念属性值,并将普通的概念关系扩展为模糊关系与直觉模糊关系.顶层本体基于模糊语言变量的形式化表示,考虑了模糊概念间的实质性语义关系:集合关系、序关系与等价关系.以交通事故分析与预测系统为例,建立交通知识本体模型与基于语义的信息检索系统.该模型可有效进行智能交通系统的知识建模,有利于语义Web环境下智能交通的信息管理与知识管理.     

一种改进的概念相似度计算方法

本体在信息集成、语义网和知识管理等领域中被认为是重要的理论基础.本体映射的目的就是通过计算概念相似度找到本体中概念之间的对应关系,并制定出相应的映射规则.通过研究本体映射方法,设计出一种综合概念相似度计算模型,该模型充分考虑了概念的实例、定义以及结构等信息对相似度计算的影响,可以通过改变3个相似度分量的权值来适应不同本体间的映射,使模型具有通用性.结果表明,该模型能更有效地体现概念间的关系,使本体映射方法更加全面,并有更好的适用性.     

基于数据挖掘的本体关系学习算法

如何确定概念间语义关系的存在性和如何确定概念间的关系类型是本体关系学习的两个基本问题.现有的本体关系学习算法常常区分出不同类型的语义关系,使用不同的策略来获取概念间的各类关系,影响了算法的效率.提出一种基于数据挖掘的本体关系学习算法,运用关联规则挖掘获取概念间的关系,利用聚类分析对概念关系类型进行区分.实验结果证明,算法较好地解决了本体关系学习中的两个基本问题.     

本体结构与复杂网络的特性相似性研究

以茶树本体为研究对象,对茶树本体中的结构特性进行分析.以本体中的概念为节点,概念间的关系为边,形成本体结构拓扑图.计算节点的度、平均路径长度、聚集系数、介数等参数,得出茶树本体在无向网络的意义下具有无标度特性和小世界特性,从而说明本体结构具有复杂网络特性.这给社团划分及重要概念挖掘等以本体为基础的语义网络研究提供了新的研究方法.     

基于地理本体的综合语义相似度算法

顾及到地理领域语义相似度计算模型考虑因素过于单一、主观性较强等问题,针对本体模型的结构特点,提出一种计算节点密度的新方法,并从模型概念间的关系类型、节点密度、节点深度等方面分析本体概念相似度的计算,将其归并为距离因素.基于本体层次网络结构计算语义信息量,该方法不依赖于专家经验,具有客观性.结合语义距离、信息量、属性等影响相似度的因素,提出一种计算概念问语义相似度的综合算法,该算法考虑到不同的影响因子在语义相似度计算中的重要程度不同,从而赋予地理本体关系不同的权值.通过对土地利用分类中实体的语义相似度进行实例验证,表明提出的算法能有效改善语义相似度计算的准确性和有效性,能够获得更符合认知的信息检索结果.     

基于MapReduce计算框架的文档领域本体模型构建

针对传统文档表示模型中语义关系缺失、特征词权重计算单一及海量数据的实时处理等问题,基于领域本体概念间的语义关系,结合MapReduce框架,提出一种特征权重自适应增强的文档领域本体模型(EAS-VSM)构建算法。该算法通过构造概念语义关系矩阵,将领域本体中概念之间的语义关系增强至每一个概念特征词中,从而实现概念特征词权重的自适应增强。实验结果显示,算法的加速比和可扩展性两项指标与数据规模呈明显的线性关系,证实模型的并行算法性能良好,且相较于传统的VSM和LSA模型,EAS-VSM模型计算的结果与专家经验更为接近,更能反映文档间的相似程度。     

语义场模型研究

将场理论引入语义空间,提出语义场模型,利用该模型刻划本体概念间的语义联系及语义分布规律.首先,从势、梯度和场强等多个角度对语义场进行描述,其中,势代表场中某一点的语义,体现语义的分布情况;梯度描述了场中局部位置的语义变化情况;场强则体现了场中语义联系的强弱.然后,分析了场源作用范围,给出了本体概念质量计算方法,讨论了势函数影响因子优选问题.最后,指出了语义场在资源语义聚类、支持语义的P2P应用系统等方面的应用前景及思路.