基于知网的领域概念抽取与关系分析研究

针对目前领域概念抽取手工完成的现况,提出了一种基于知网的领域概念抽取和关系分析系统模型.本模型利用知网语义相关性从文本中生成领域语义词典,结合TFIDF算法建立"词-文本文档矩阵",用以代替传统的词形频率统计;通过产生领域语义本体,利用语义相似度对概念进行聚类.讨论了这3个步骤所涉及的算法,包括基于统计模式从文本中抽词,基于奇异值分解从词-文档矩阵中提取概念,基于语义相似度对概念进行聚类等.实验表明,本文提出的抽取方法相对与词频算法具有较高的准确度.     

语义网中描述逻辑的模糊扩展

描述逻辑是本体的基础,在实际应用中,描述逻辑可被扩展.介绍了描述逻辑的一种新的扩展——带比较表达式的模糊描述逻辑(FCDLs)来表示和推理语义网的模糊知识.FCDLs的语法和语义以及公理和断言也有明确的定义.FCDLs是模糊描述逻辑(FDLs)的模糊概念和扩展的模糊描述逻辑(EFDLs)的剪集概念的结合.FCDLs和FDLs一样,它也可以使用语义网上的模糊知识来表示、推理模糊本体.     

基于多agent强化学习的语义Web爬虫设计

Web的海量信息导致了搜索引擎的出现,同时,Web数据的迅速膨胀以及频繁的更新对搜索引擎提出了更高的要求,而并行搜索引擎可以提高抓取速度,并改善更新效率.语义Web是对未来Web的一个设想,语义Web的数据同传统Web一样面临着数据的膨胀更新问题.于是研究语义Web并行搜索引擎成了一个重要的研究方向.介绍了如何设计一个基本的面向语义Web的并行爬虫系统.该系统由一个中央控制器和若干个子爬虫组成.中央控制器负责为爬虫分配抓取任务,并汇总抓取的数据;子爬虫负责抓取并抽取URLs的工作.而对于每个子爬虫除了处理RDF文档之外,还试图从传统HTML网页中通过强化学习的方法发现更多RDF文档链接.     

基于Jena开发包的交通本体推理机制研究

传统的基于关键字语法匹配的信息检索技术,查询返回的结果往往存在很大的信息冗余。而引入基于本体(Ontology)的语义检索技术,通过定义明确的领域概念、属性和实例来建立领域本体及其推理机制,发掘概念、实例之间隐含的信息,从而实现基于语义的智能地理信息检索。本文以交通领域本体为例,在使用Protégé建好交通本体之后,基于Jena推理机和SWRL推理规则语言,自定义了一些基本的本体推理规则,并设计了一套面向具体应用的本体推理机制,以解决实际的应用问题。     

一种基于图像内容的对应关系在语义检索中的应用

针对基于图像高层语义的检索方法问题,提出了一种基于自然场景图片语料库下的图片本体检索框架.该方法通过考虑图像内容之间的对应关系,引入人类正常图像检索过程.利用对图像内容的分块语义注释的描述,该框架解决了目前图像检索中的问题.构建好的领域本体可以用来完成定性语义描述和检索,实现了包含语义概念和空间关系的自然语言查询.最后,对该应用的有效性进行了评估,实验结果表明,该框架在检索的精确度和相关度上都表现得非常好.     

基于数据水平分割的ETL执行优化

提出了一个ETL优化框架,并指出"单视图单衍生"、"多视图单衍生"、"单视图多衍生"和"多视图多衍生"4种模式在加载和增量维护时都可以采用数据水平分割的方法来加快ETL过程的响应时间,理论分析和实验表明其具有良好的效果.     

一个将关系模式R分解为3NF的算法

本文介绍了一种采用有向超图ＤＤＨＤ技术将关系模式Ｒ分解为第三范式３ＮＦ的和算法。利用这种方法可以方便地根据Ｒ上的函数依赖集合Ｆ直接求出相应的３ＮＦ。这种方法是关系数据库设计和规范化的有用工具。     

基于赋时层次着色Petri网的混杂系统建模与行为分析

大型混杂系统的复杂性使建模与行为分析面临巨大挑战. 为此,提出一种基于赋时层次着色Petri 网的建模方法,以离散事件驱动为主线,将连续部分模型通过扩展变迁嵌入到离散模型中. 离散部分和连续部分分别利用各自领域里的专业工具建模,通过通信接口交互实现混杂交互仿真,同时保证整个系统的数据一致性和时间同步性. 在进行混杂系统行为分析时,根据Petri 网的结构化分析方法得到混杂系统的不同行为模式,针对各模式进行多属性仿真分析. 最后通过一个导弹防御系统的例子说明该建模分析方法的可行性.     

文化诗学的限制

"文化诗学"是一些学者倡导的文艺学"新学".作为一门子学科或文学理论的形态之一,人们自然要考虑其学理依据.它与文化的关系如何以及在此关系上它自身应该定位于何处?它与相关学科参照内容的关系也有待于进一步加以梳理.笔者认为"文化诗学"是一种建构,更是一种限制.这种限制是双重的,既是对科学主义研究滑向唯形式危崖的限制,也是对文学的文化研究不至于因过量的泛文化杂合成为危及诗学的一种无边的挑战.     

改进的高精度单本体概念相似度计算模型

概念相似度评估广泛应用于概念分类、概念聚合、概念合并等工作中.以往面向单本体概念相似度计算模型的工作虽然集中在概念特征匹配和语义分析之上,但考虑的要素单一或考虑要素的内容不全,所以计算结果精度不高,不利于概念关系的深层挖掘.该文完善概念的共性匹配,把概念间同时不具备的特征作为共性的一部分,并对概念格中不同层次的语义特征进行加权,从而提出一种具有高精度的面向单本体的概念相似度计算模型.实验数据表明该模型具有较高的精度.