细粒度语义网检索

语义网的有向标记图数据模型决定其在内容检索方面与纯文本、超文本或半结构化文档检索存在较大差异.现有检索模型和相似度计算方法不能完全满足对语义网的检索和评价.该文以资源这种较细粒度作为检索单元,考虑查询关键字在资源内容中的频率和结构分布,提出一个细粒度语义网检索模型,并扩展了相似度计算公式和倒排索引结构.在语义网挖掘系统(semantic web aiding rich miningsystem,SWARMS)中实现了该模型及相关算法.在SourceForge和DBLP两个测试集上的实验表明,该模型能够结合语义网结构查询与基于关键字的内容查询,在相同查全率下查准率是单独应用结构或内容查询的两倍左右.     

基于RDF的海量语义数据管理研究

随着Web信息呈指数级增加,目前存储模式已难以适应大规模RDF数据高效存储的需求。本文通过对语义万维网结构以及RDF语义文件存储和查询技术的研究,分析了海量语义数据管理的研究领域和现状,提出了基于RDF的海量数据管理框架。该框架旨在实现对海量数据的管理,以解决RDF数据管理中存在存储设计难度大,查询处理复杂且效率低,查询结果排序困难的问题。     

基于本体的服装领域语义web检索方法

针对服装电子商务领域用户的语义查询需求,依据国内外相关标准,建立了服装分类本体模型.在此基础上给出了语义web检索系统框架,设计并实现了查询信息的语义检索,包括同义词检索、实例查询、细化查询、联想查询、智能推理等功能.实验表明,基于本体的语义检索系统具有较好的查全率和查准率,实现智能查询.     

Eclipse语义网建模工具的分析与应用

介绍了Eclipse平台和语义网的背景知识,论述了Eclipse平台的总体框架和技术架构.对语义网的体系结构进行了介绍,并详细介绍了语义网建模的基础RDF和OWL.结合实例说明了语义网建模的过程.并着重介绍了建模工具RDFBuilder的实现.     

扩展企业的语义创新管理系统框架

在当今激烈的竞争环境中,创新管理对企业的生存和发展十分重要。对扩展企业而言,由于创新信息的分散性和异构性,要实施一个成功的创新管理相当困难。然而,语义网的发展为解决该问题开辟了新的途径。在元数据和RDF访问技术的基础上提出了一个语义创新管理系统框架和体系结构。     

基于本体的Web智能信息检索系统

利用领域本体知识库对用户的查询信息进行语义扩展,提出了一个Web环境下的智能信息检索系统,并讨论了该系统的体系结构,解决了传统的基于关键字的信息检索只能从句法上对关键字进行分析、而忽视关键字本身语义信息所造成的错检和漏检,以及无法根据信息资源中的语义关系进行检索的问题。与传统检索方法相比,该系统原型的试验结果表明,检索效率有了很大的提高。     

基于色彩统计信息的图像语义检索模型的研究

探讨语义网图像搜索的一般模型及其算法,提出色彩统计信息的图像语义网检索模型和检索算法,利用半监督学习方法来实现算法,并对算法进行分析.实验结果表明,在小样本情况下对色彩统计信息进行图像检索,提高了检索的查准查全率.     

基于关键词的RDF数据查询方法

在建立关键词倒排索引和路径索引的基础上,提出一个利用量化均衡规则和等距规则的启发式查询算法,并按照查询结果的大小排序返回最相关的前k个结果.通过建模RDF数据为RDF句子图,将文本信息封装到句子节点,同时将查询结果建模为包括所有查询关键词并且叶节点是关键词节点的无根树,将关键词查询问题转化为斯坦纳树问题.假设RDF句子图包括n个节点,最坏情况下索引占用的空间是3n2.假设关键词节点数为k,查询算法的时间复杂度为O(kn).该方法不需要依赖RDF数据的模式信息,支持对数据中的属性和关系名进行关键词查询.实验证明该方法能够快速而有效地实现RDF数据的关键词查询.     

RDF在语义Web知识表示中的作用

基于Web具有的一些特征和应用于语义Web的知识表示语言RDF,分析了RDF提供的语法基础即如何用XML来实现语法,以及RDF如何无二义性地描述资源对象的问题,使得描述的资源的元数据信息成为机器可以理解的信息。在此基础上,提出了一种新的适合Web发展需要的知识表示方法,为智能应用领域提供基础;并阐述了以RDF为基础的知识表示语言可较好地实现语义Web的知识表示。最后通过基于OWL知识表示实例的语义检索应用给予了说明。     

RDFS表示本体建模语言OIL的一种方法

给出扩充RDF Schema使之能够表达完全的知识表示语言的方法. 通过为这种语言增加必要的表达能力和语义来完善RDF Schema, 使RDF Schema能够描述本体建模语言OIL. 进一步给出OIL原语的RDF Schema定义： 任何OIL本体都可以使用RDF语法表示, 从而使其具有OIL的推理支持和形式化语义. 这种扩充方法同样也适用于其他知识表示的形式化.     

语义Web知识表示语言

介绍了XML,RDF(S)和OWL,针对XML和RDF(S)在语义方面的不足,引入了本体表示语言OWL。     

RDF在关系数据库中的存储研究

资源描述框架(RDF)是Web资源信息的规范性描述语言,如何存储RDF数据成为当前重要的研究问题.通过深入分析RDF数据的特点,提出了一种新的基于关系数据库的RDF存储模式,给出了RDF在关系数据库中的存储规则,提供了相应的存储实例.基于提出的存储方法,实现了相应的自动存储原型系统,通过实验进一步验证存储方法和原型系统的可行性,并与已有存储模式进行了理论对比分析.     

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型。首先,融合卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short-term memory, LSTM)网络的特点去挖掘历史数据的特征,预测未来的资源需求;然后,根据模型预测情况自适应调整学习率,提高模型预测的精度。使用Microsoft Azure公开数据集进行测试,相较于单一模型CNN、LSTM和未加入自适应学习率的神经网络模型,均方根误差分别下降了17.74%、18.27%和6%,证明了模型的有效性。     

改进BP神经网络在郑州市需水量预测中的应用

水资源供需矛盾日益突出,需水量预测已成为广泛关注的焦点．需水量预测可以为“三条红线”的实施提供依据,以强化水资源管理和节水监督管理,缓解水资源供需矛盾．基于BP神经网络模型,采用自适应调整的算法,改进了BP神经网络模型中学习率的求解方法,并将其应用到郑州市经济社会需水量预测中,预测了2012年和2015年经济社会需水量,分别为14．41亿m3和14．84亿m3;通过与BP神经网络模型、主成分回归分析结果对比,发现改进后的BP神经网络模型根据迭代误差自动调整学习率,求解速度和计算结果精度明显提高,适用于郑州市需水量预测．     

地震时城市供水管网水力特性分析

研究地震导致渗漏的供水管网的水力特性,考虑节点流量随节点水压的动态变化,构建地震导致渗漏的供水管网水力模型.基于EPANET计算管网节点实际流量和水压,评价供水管网水力特性.案例分析表明,构建的模型和提出的水力计算方法是可行的,为城市供水管网抗震防灾管理提供借鉴.     

天津市轨道交通最优路径换乘查询系统

针对目前城市交通线网规划日渐复杂,乘客在选择换乘出行时易出现衔接导向不明确、局部换乘供需不平衡等问题,以天津市轨道交通为例,应用通用性、可移植性较强的SPFA算法对最优换乘路径做了系统性优化,从换乘乘客角度出发,本着最少换乘站数及最短换乘时间两方面原则,应用Microsoft Access作为数据库开发工具,基于Visual Basic语言设计最优换乘系统,为用户提供最优换乘路径,并提示乘客换乘所需时间及站数等,从根本上解决乘客因换乘所带来的出行困扰。     

一种新的新闻信息处理模型

借助于互联网的发展,及时获取新闻信息已不再困难,对用户来讲,更大的难度在于如何从大量“垃圾”数据中辨别、获取有价值的信息,从商务智能中获得启发,考虑到新闻信息的具体特性,提出了一种新的新闻信息处理模型．模型并不局限于特定技术,而是将信息搜寻处理作为整体进行研究,以用户满意度为中心,整合信息处理的各环节,提高新闻信息搜索的效率,介绍了模型的各组成部分及其相互关系,并阐述了其中涉及的关键支持技术——人工神经网络剪枝算法在文本分类中的具体应用和优势。