基于primal RankRLS方法的本体映射算法

本体映射作为实现多本体间相互操作的重要手段,已广泛应用于诸多领域.应用原始RankRLS算法,将多本体图映射到实数轴,由此将本体图中每个顶点都映射成实数.通过比较两概念对应实数间的差值得到本体映射.实验表明,该算法有较高的效率.     

心理技术的哲学反思

对心理技术的哲学反思包括三个方面的内涵:从心理技术的在场性、心理场域的作用及其对身体映像的控制来分析心理技术的实体性存在;从知识建构、知识扩展以及思维的形成等方面可以为认识论反思提供启示;从心理技术的研究、心理技术的实施以及心理技术与道德的涉身性了解心理技术的道德困境。     

民族教育资源本体构建方法及应用

在分析本体构建方法的基础上，利用软件工程思想，提出了一种民族教育资源本体构建方法，并以傣族教育资源本体构建及实现为例，详细阐述了傣族教育资源概念的获取、层次结构的划分、概念的属性和关系的确定以及实例的创建，最后基于Protege实现了该本体。     

基于本体的CBR及其在旅游产品智能推荐系统的应用研究

针对传统CBR存在的案例库难以扩展,表述词表不统一等异构问题,将本体技术引入CBR,对推理系统结构进行了分析设计.研究基于本体CBR的旅游产品案例表示方法,以及案例检索策略.并将该系统应用于旅游产品智能推荐过程中.实验证明该推理系统能有效地提高CBR中案例的查全率,提高旅游产品智能推荐的推荐精度.     

基于本体的中国画建模及检索研究

中国画作品的电子化是当前中国画艺术传播的主要趋势,如何对电子化的中国画图像建模才能有效索引和检索就成为了一个挑战性问题。本体是很好的语义建模工具,能很好地解决这个问题。首先对中国画的特点进行了细致的分析,接着针对中国画的特点详细地论述了构建本体模型的过程,包括如何选择CRM本体中合适的属性以及将它们扩展到特定的中国画领域;最后,提出了基于本体的检索框架,并基于此框架进行图像的标注和检索。     

基于Agent的信息服务系统的设计

随着信息的不断增长,用户迫切需要一种有效的检索方法来快速找到准确的信息.针对用户的需求,提出了一个基于Agent的信息服务系统.详细描述了系统的三层结构以及用户个性化搜索处理过程,并讨论了实现该系统的一系列关键技术.     

Ontology及其与元数据的关系

如何对浩如烟海的信息资源进行有效组织和高效率检索,是网络信息时代面临的一个突出问题.Ontology和元数据是对信息处理有重要价值的两种新方法.本文论述了这两种方法的关系以及它们在数字图书馆中的应用.通过从不同角度对它们进行比较分析,明确了Ontology的优势和关键技术难点,为基于语义Web的语义检索研究打下了基础.     

浅谈中等职业学校学生辅导员心理素质的培养

中等职业学校的学生辅导员是学生工作最基层的领导者、组织者和协调者。学生辅导员的心理素质是其整体素质结构的核心。本文从辅导员应具备的主要心理案质着手，分析了辅导员心理素质水平的现状，并指出心理素质培养的主要途径和方法。     

基于语义WEB的远程学习支持系统构建

在概述语义WEB的基础上,设计一个面向学习者用户网站的语义WEB体系结构,提出了多代理结构的学习支持系统中的学习者模型本体和学习者模型代理.目的是为了说明建立学习者本体及其代理对于学习者的有效学习所带来的益处.     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.