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.     

基于中文文本的疾病领域本体学习的研究

为提高领域本体概念及概念之间关系提取效率和准确率, 提出基于中文文本的领域本体学习模型。在提取候选概念的过程中, 采用修改后的关联规则频繁项计算方法对合
成词进行处理, 并结合位图存储分词处理后术语间的物理相邻关系, 再通过计算领域相关度和领域一致度对候选概念进行筛选, 最后利用关联规则可信度和层次聚类的方法分别提取概念间的非分类关系和分类关系。实验结果表明, 该模型对领域本体学习具有合理性, 提出的算法与基于互信息的本体学习相比较, 在概念和关系的提取
上具有较高的准确性。     

基于语义关联的多本体完善方法

本体作为语义web应用中语义信息的来源,在实现语义web应用的自动发现和组合中有着重要作用。当前对本体的研究多关注于提高本体使用的有效性,从而使得本体能够提供更精确丰富的语义信息,而忽略了本体自身质量对语义信息的影响。文章提出了一个基于本体概念间语义关联关系的多本体完善方法,利用参考本体中的概念关系和层次结构,结合目标本体与参考本体间的语义关联,补充与完善目标本体的概念关系和层次结构,并通过参考本体和目标本体的角色互换,迭代的完成对多本体的完善。通过对17个本体进行实验,将实验结果与传统的本体完善方法——闭包推理进行对比,证明了该方法不仅能够得到闭包推理产生的结果,并且能够对本体进行更多的正确的完善和补充,实现基于语义关联的本体完善。     

基于本体的概念相似度计算模型研究

概念相似度研究,是知识表示以及信息检索领域中的一个重要内容.通过对传统相似度计算方法进行分析,提出了一种改进的概念相似度计算模型.该计算模型在计算相似度时不仅改进了语义距离、层次差、语义重合度的计算方法,还考虑了节点密度和有向边类型对相似度计算的影响.实验结果表明,该方法充分利用了本体层次树的结构特点来计算概念之间的相似度,全面地量化了本体概念节点间的语义相似度,提高了概念间相似度计算的准确性.     

关联规则算法在中文文本挖掘中的应用研究

本文介绍了关联规则的主要概念及关联规则的经典算法,并将关联规则算法应用于中文文本挖掘中,目的是通过计算文本特征词间的支持度、可信度关系了解文本间的关联关系.     

基于知识融合的汽车覆盖件模具设计方法研究

针对产品设计过程中,分散异构知识融合不足导致知识检索准确性不高、知识重用效率低等问题,提出一种知识融合模型.利用知识需求模型传递知识需求信息,采用知识元对各类异构知识进行统一表示,通过概念本体对语义概念进行有序组织,与知识元之间形成映射关系.通过语义距离计算获取候选知识元集,并采用基于贝叶斯和遗传算法的知识融合方法将分散的关联知识元融合成知识单元,实现知识重用.以覆盖件模具结构设计为案例验证了所提出方法的可行性和有效性.     

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.     

一种融合实体关联性约束的表示学习方法

知识图谱的表示学习方法将实体和关系嵌入到低维连续空间中,从而挖掘出实体间的隐含联系.传统的表示学习方法多基于知识图谱的结构化信息,没有充分利用实体的描述文本信息.目前基于文本的表示学习方法多将文本向量化,忽略了文本中实体间的语义关联.针对上述缺点提出一种利用实体描述文本进行增强学习的方法,基于文本挖掘出关联性实体并对关联性进行分级,将关联性作为辅助约束融合到知识图谱的表示学习中.实验结果表明,该辅助约束能明显提升推理效果,优于传统的结构化学习模型以及基于深度学习的文本和结构的联合表示模型.      

基于关联规则和语义规则的本体概念提取研究

为解决基于非结构化文本的中文领域本体概念提取效率和准确率不理想的问题, 提出了一种基于关联规则和语义规则的领域本体概念提取方法。利用领域一致性和相关性检查以及关联规则分别获取候选概念和关系集合, 计算候选概念在领域术语关系中的深度和广度, 利用深度和广度信息反馈概念隶属度的思想, 定量分析术语与领域的隶属程度, 进行本体概念的领域隶属度检查, 完成领域本体概念的提取。实验结果表明, 该方法提高了领域本体概念的提取效率和准确率, 具有可行性和合理性, 领域本体概念的提取准确率提高了12%左右。     

语义Web中的概念等级匹配算法

针对语义Web匹配方法仅适于字符串、字典近义词匹配而导致精度低、效果差的问题,提出了一种基于概念等级的语义Web匹配算法.对于一个包含大量概念的本体,算法可根据概念之间的联系建立起概念结构,通过计算获得本体概念之间的相互支持度,从而使得普通概念的支持度低而特殊概念的支持度高,进而将概念的支持度量化为概念等级.以计算得到的概念等级为权值,将概念间的语言学匹配度加权,由此计算出新的概念的匹配度.该匹配度可将各个概念之间的内在联系关联起来,从而提高语义匹配的精度.实验结果表明,所提算法在本体间的语义匹配精度比字典近义词匹配法提高了20%.