数据挖掘技术在学生信息系统中的应用研究

讨论了基于关联规则的数据挖掘技术,并应用于学生信息查询系统中,可以得到有用的信息并利用语义查询优化方法加快查询的速度.     

基于本体语义的西藏相关知识查询系统设计研究

本体语义理论提出了一套计算机处理文本语义的方法,建立了语义处理的理论架构。在此基础上可以产生多种应用,知识查询就是其中一种,以语义查询代替了关键字查询。本体语义所具有的静态知识源的以文本意义表征(TMR)为核心,将事件和对象通过语义关系链接起来,在此基础上进行查询推理更能够发挥语义的作用,并且能够自主学习,根据语义框架、预设、效果等挖掘出隐含知识。文章设计了基于本体语义知识查询系统和相关推理算法,根据真实的西藏领域新闻文本建立相关知识源,依靠本体映射消除歧义,通过事件和对象间的属性值对将数据关联起来,获得查询推理结果。还提出在数据密集型科学范式背景下加入数据驱动的研究方法,更能有效促进二者的结合,改进查询效果,提供知识服务。     

基于差分进化算法的语义查询扩展技术

目的提高扩展词与用户查询在语义层面上的关联,解决歧义扩展问题。方法基于差分进化算法的语义查询扩展技术先利用领域本体提供的领域背景知识来获取候选扩展词集,然后通过分析用户日志来获取用户检索偏好信息,最后利用差分进化算法确定同用户检索意图最相符的扩展词集。结果比起前沿的局部上下文分析方法,基于差分进化算法的语义查询扩展技术能够确定更高质量的扩展词集。结论利用用户日志和本体中概念间的语义关系作为背景数据来过滤无关的扩展词可以有效提高后续语义扩展过程的效率,差分进化算法能够有效排除同用户检索意图无关的词集并确定高质量的扩展词集。     

基于知识图谱的查询语句重写机制及方法

随着语义Web技术和知识图谱的出现,目前查询模式大多要求查询结果与用户查询进行语义级匹配,简单的查询处理过程已经不能满足用户的查询需求.为此,对知识图谱查询涉及的重写技术和实现方法进行了研究,在定义SPARQL(SPARQL Protocol and RDF Query Language)查询模式的重写规则集合基础上,利用Prolog逻辑程序对SPARQL查询语句进行了重写实现.在分布式数据存储环境下,通过对LUBM(Lehigh University Benchmark)实验数据的测试分析证实,相比原查询语句,重写后的查询语句能挖掘出知识图谱中更多的语义信息.     

基于本体的XML数据集成及映射关系的研究

文章在集成异构分布式XML数据源时,提出一种基于本体的数据模型来描述XML数据的语义信息,以实现带有一定逻辑推理功能的智能查询.即通过一系列映射规则将XPath的局部路径与本体中的概念及角色关联起来,将用户查询重写为基于XML的XPath查询,该系统的目标是使用户可对web上各XML数据源进行基于本体的查询.     

基于本体的XML数据集成及映射关系的研究

文章在集成异构分布式XML数据源时,提出一种基于本体的数据模型来描述XML数据的语义信息,以实现带有一定逻辑推理功能的智能查询。即通过一系列映射规则将XPath的局部路径与本体中的概念及角色关联起来,将用户查询重写为基于XML的XPath查询,本系统的目标是使用户可对Web上各XML数据源进行基于本体的查询。     

基于本体的关系数据库关键词语义查询扩展方法

目前关系数据库关键词查询技术主要利用关键词的语法匹配,而没有利用数据之间的语义关系进行匹配,导致查询效果往往都不太令人满意。为了改善查询效果,结合本体概念,提出了基于本体的关系数据库关键词查询的语义查询扩展方法,把用户提交的查询关键词扩展为基于本体的语义关键词。实例分析表明,扩展后的语义关键词尽可能符合用户的真实意愿。     

基于本体的G3M语义增强策略

针对G3M是1个基于多媒体内容描述接口MPEG-7的通用多媒体数据库模型,能充分利用多媒体内容描述接口(MPEG-7)在多媒体元数据描述上的长处,对多媒体数据进行有效的组织管理,但MPEG-7缺乏规范描述基础,导致描述结构含义不明确、描述内容中存在大量隐含语义信息等问题,引入知识本体的方法来增强G3M的多媒体语义表达和检索能力。研究结果表明:将本体与MPEG-7元数据及多媒体实例无缝关联在关系数据库中,能为G3M多媒体描述结构连接正确的语义,增强其高级语义提取、表达和检索能力;将基于本体的查询建立在经典的关系查询引擎上,能有效地提供基于语义的查询重写和查询推理。     

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。     

语义缓存在并行数据库系统中的应用及实现

在许多应用系统中，使用缓存技术是提高数据库查询性能的有效途径。语义缓存是重要的缓存方式之一，它将查询结果和查询的相关语义信息缓存，为将来的查询提供解答。针对一个数据量极大、持续进行查询和数据装载的数据库系统，给出了一个加入语义缓存使之优化查询性能的方法，分析了其中的关键技术，并给出了实现方法。     

基于关联规则的语义查询优化技术及应用

从当今数据库研究的热点之一———知识发现的角度出发,围绕对被查询数据库的数据挖掘问题,将知识发现和语义查询优化结合在一起,提出了一种基于关联规则的语义查询优化方法,并用该方法实现了毕业生信息库的查询优化系统.     

一种基于语义网技术和本体的数据集成方法

研究语义网技术在数据集成中的应用方法。采用规则系统实现对语义网本体语言的扩展,以提高本体语言的表达能力。在此基础上将语义网相关技术系统地应用到数据集成系统的各个方面,包括数据采集、本体构建、本体映射、数据查询和数据持久化。通过一个实例,展示了上述方法的可行性。     

ORM中基于语义相似性的查询缓存替换策略

针对查询的时间局部性特点, 提出基于语义缓存查询SC(semantic comparability)替换策略. 该策略通过分析缓存项与查询项在关系、条件及查询属性3个方面的相关性, 并结合数据访问频率将相似性最小的缓存项予以淘汰. 实验结果表明, 基于查询序列的先后关系, 有选择性的保留与查询具有继承、关联等关系的缓存项, 能够得到更高的查询命中率及更短的查询响应时间. 在缓存空间相同的情况下, SC策略优于LRU策略.     

基于本体的信息集成研究

企业信息集成中存在着大量的语义异构数据源,阻碍了信息的共享和交换。本文将本体应用于企业信息集成领域,给出了多数据源信息关联查询实现策略,研究了基于语义的资源描述和语义实体提炼技术。提出了基于混合本体的企业信息集成框架,并描述了框架的各个层次的组成和作用。     

基于关联数据课程学习平台的研究与实现

研究语义Web技术,提出了基于关联数据的课程学习平台模型.用关联数据描述课程知识体系、课程教学资源以及文献资源,并将它们语义连接起来.阐述了原型系统的实现方法,并通过原型系统的构建和应用,提高网络学习的效率.     

基于本体的电力系统异构数据查询机制

随着电力企业信息化进程的不断推进,大量信息管理系统被应用于各种业务中,造成这些系统间存在异构数据,难以共享,甚至还存在各种语义冲突,影响数据的挖掘和分析.为此,提出了一种利用本体技术对电力企业内部的异构数据源进行融合的综合查询机制,可以有效解决电力企业内部数据源的语法和语义异构问题,把来自于各部门的多个数据源进行整合,为数据分析系统提供统一的数据查询接口.实验表明,该机制能够有效消解异构数据源之间的语义冲突,为数据集成提供基础.     

基于本体的XML数据源语义集成研究

提议了一个基于本体的XML数据源语义集成方法,为每个参与集成的XML文档产生一个局部RDF本体,合并局部本体的结果产生一个全局本体.全局本体统一查询访问并在后台局部XML数据源之间建立语义关系,在全局本体上的查询通过从RDF查询到XML查询的转换被处理.     

语义网格在情报信息处理中的应用研究

针对当前大型数据之间孤立和缺乏丰富的细粒度语义关联而出现的信息孤岛问题,研究和建立了有效的基于语义关联的数据存储模型,实现了基于语义关联的智能管理和通信平台,建立了合理的资源评测标准和评测机制,通过实例研究了语义获取。     

一种基于数据服务匹配的数据集成方法研究

提出一种基于数据服务匹配的数据集成方法.该方法主要基于数据服务发布、注册和检索的方式工作,能更好地利用数据形式语义进行数据集成,并增强与语义web和描述逻辑推理等智能技术的融合.在介绍该方法的概念、思想和工作机制后,给出了基于数据服务匹配的集成查询检索算法,作为实现数据集成系统查询处理引擎的基础.实验结果表明,该算法能有效、可靠地工作.与传统数据集成方法相比,该方法的数据集成查询处理更为直接和灵活,具有良好的性能和可伸缩性,也不需要维护公共数据模式.     

基于特征融合注意力的小样本语义分割算法

针对小样本语义分割任务中对查询图片的信息利用不充分的问题，提出一种基于特征融合注意力的小样本语义分割算法。首先，利用共享主干网络编码支持图片和查询图片，从而获取图片的深度特征；然后，利用注意力机制获取支持特征和查询特征的强关联语义信息，从而构造任务注意力特征图；最后，提出一种多特征注意力融合模块，它能够自适应融合多种特征的深层语义信息并进行特征解码，从而获取目标物体的分割掩码。在PASCAL-5ⁱ和COCO-20ⁱ公开数据集进行了实验，结果表明，所提出模型比当前主流的小样本语义分割模型在1-way 1-shot和1-way 5-shot任务中分割得更加精准，尤其是在更具有挑战性的COCO-20ⁱ数据集上，所提出模型在1-shot的设定下达到了28.8%的mIoU和62.1%的FB-IoU,在5-shot设定下达到了36.9%的mIoU和64.8%的FB-IoU。