融合概念格约简的中文领域本体学习方法

在基于形式概念分析的中文领域本体学习中, 为提高概念格构建效率, 将概念格约简理论应用于概念格构建中。首先对基于语义依存分析获取的形式背景进行对象和属性约简, 然后基于约简的形式背景采用Godin算法构造概念格, 最后根据修复定理修复约简概念格, 得到完整的概念格。通过有关对萝藦科植物的文本学习, 得到一个萝藦科植物领域本体。实验结果表明, 引入概念格约简理论, 概念格的构建效率提高70%, 进而提高了领域本体构建的效率。     

一种面向形式概念分析的语义相似度计算框架

为了计算形式概念分析的形式概念或概念格的语义相似度,利用描述逻辑概念作为形式背景的特征属性对形式概念分析的形式背景进行语义扩展,即利用领域本体(描述逻辑知识库)提出了形式背景的一种语义表示方法．在此基础上,基于形式背景的语义表示,利用描述逻辑推理(即本体推理)给出了一种面向形式概念分析的形式概念或概念格语义相似度计算框架,并且证明了实例化该架构所得到的语义相似度计算方法满足对称性和等价不变性等基本性质．     

基于OWL的仿真想定本体构建方法

研究了作战过程,提出了基于OWL的作战单元本体、装备本体、任务本体和仿真想定本体的构建方法,采用了描述逻辑对作战相关概念、关系进行了推理,检验了概念、关系的一致性,优化了概念层次结构。通过实例分析,对构建的本体进行了检验。结果表明：该方法实现了军事领域概念的合理分类和想定数据语义的智能检测,可为想定开发人员自动地提供决策支持。     

事件网络模型与应用研究

通过分析关于事件研究的成果,提出事件网络模型.事件网络是一种新的知识表达模型,具有事件单元和概念单元,可以描述现实世界的运动与变化.事件单元由多个角色的概念单元通过语义关系组合而成;每个角色的概念单元的属性间存在偏序关系,通过偏序关系可生成概念层次;每个概念层次都可用资源概念格来表达.因此,多资源概念格可形式化事件网络模型.事件单元以事件个体和事件类来体现,概念单元以实体个体和实体类来体现,因此,可以事件网络为核,通过映射规则,将事件网络映射为事件本体.事件本体是在基于实体类的传统概念本体上,增加事件类而扩展的新型本体.利用事件本体实现的事件知识检索系统,验证了事件网络模型的可行性和有效性.     

一种面向形式概念分析的语义相似度计算框架（英文）

为了计算形式概念分析的形式概念或概念格的语义相似度,利用描述逻辑概念作为形式背景的特征属性对形式概念分析的形式背景进行语义扩展,即利用领域本体(描述逻辑知识库)提出了形式背景的一种语义表示方法.在此基础上,基于形式背景的语义表示,利用描述逻辑推理(即本体推理)给出了一种面向形式概念分析的形式概念或概念格语义相似度计算框架,并且证明了实例化该架构所得到的语义相似度计算方法满足对称性和等价不变性等基本性质.     

基于自建模糊本体的智能信息检索研究

提出一种基于本体的信息检索模型,该模型将信息检索系统与从搜索的数据信息自动构建的本体相结合.使用在本模型中的本体有一般语义本体、领域知识和自动生成、构建的模糊概念层.主要研究基于本体的信息检索模型.描述处理过程及检索机制,并采用TREC的评价方法评估该模型,讨论应用不同类型本体的检索效果和影响.实验结果表明,提出的信息检索模型具有较好的检索效果.     

基于P-集合和FCA的中文领域本体学习方法

提出一种基于P 集合和形式概念分析的中文领域本体学习方法. 该方法以非结构化中文文本为数据源, 通过引入P-集合理论获取形式背景, 在获取形式背景的基础上, 采用Godin]算法构造概念格, 并采用自定义映射规则实现概念格到中文领域本体的映射. 通过学习生物和水领域文本, 得到一个中文领域本体. 实验结果表明, 该方法能解决手工构建本体费时、 费力的问题, 且学习到的本体是形式化本体, 能被更好地共享和重用.     

从UML类图到本体的自动映射

本体(ontology)是描述概念及概念之间关系的概念模型,通过概念之间的关系来描述概念的语义.然而,本体的描述语言种类繁多,阅读困难,不利于本体建模人员交流沟通.UML作为建模领域的公认标准,已被许多人熟知和广泛使用.基于UML和本体建模的相似性,提出利用UML类图描述本体模型,并建立了从UML类图到本体模型的自动映射,以提高本体建模的效率.     

基于领域本体的概念格语义匹配

本体作为语义网的重要工具,是对共享概念模型的形式化规范说明.领域本体更是说明了一个领域特定的概念定义和概念之间的关系,提供该领域中发生的活动以及该领域的主要理论和基本原理等.提出了一种基于领域本体的概念格语义匹配方法,以提高匹配的精确度.     

基于领域本体的知识库架构和实现

知识库是基于语义的信息检索进行推理和知识积累的基础和关键,而本体Ontology则是知识库的基础.对基于本体的领域知识库架构及知识推理系统进行了分析研究,以高中生物学知识库的构建为应用背景阐述了领域本体概念树的抽取过程,并应用建模工具Protégé构建了OWL语言描述的生物学领域知识库实例,为下一步实现知识推理完成了知识表示.     

基于形式概念分析构建本体的方法研究

本体作为语义网的基础是共享概念模型的明确的形式化规范说明,用于表达数据源的语义、识别和建立概念间的语义关联等。有效地构建本体成为本体应用的关键问题,本文采用形式概念分析构造本体,并利用多值背景的转换算法对词语-文档的二元关系表进行转换导出单值背景,从而更大程度上保留关系表带有的信息。     

面向关系型数据的本体学习模型——RCAOM

为获取结构化的关系数据库中蕴含的知识本体,利用形式概念分析与本体间的双向互动关系,提出了基于关系形式概念分析的本体学习方法——RCAOM(relational context analysis ontology model)方法。RCAOM方法分别从关系数据的元数据层和元组实例两个层面发现概念及关系,通过关系数据库逆向工程和用户参与的概念格建立与概念测量,形成关系型的形式背景,最终转化为面向关系数据的本体模型。研究表明:RCAOM方法不仅可以较好地自动发现关系模式元数据概念及关系,而且能够有效发现隐含于数据记录中的概念及关系,构建面向主题的本体模型;具备分析复杂度低和收集盲点少的特点,是面向关系型数据库的本体学习和构建大型本体库的新探索。     

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。     

Bridge Ontology： A Multi-Ontologies.Based Approach for Semantic Annotation

Representing the relationships between ontologies is the key problem of semantic annotations based on multi ontologies. Traditional approaches only had the ability of denoting the simple concept subsumption relations between ontologies. Through analyzing and classifying the relationships between ontologies, the idea of bridge ontology was proposed, which had the powerful capability of expressing the complex relationships between concepts and relationships between relations in muhi ontologies. Meanwhile, a new approach employing bridge ontology was proposed to deal with the multi ontologies-based semantic annotation problem. The bridge ontology is a peculiar ontology, which can be created and maintained conveniently, and is effective in the multi-ontologies based semantic annotation. The approach using bridge ontology has the advantages of low cost, scalablc, robust in the web circumstance, and avoiding the unnecessary ontology extending and integration.     

基于进化算法的生物医学本体匹配技术

由于生物医学本体拥有规模庞大的概念和复杂概念间关系,已有本体匹配技术难以高效确定生物医学本体匹配结果。为解决这一问题,构建了生物医学本体匹配问题优化模型,提出基于进化算法的生物医学本体匹配技术来确定最优匹配结果。在求解生物医学本体匹配问题时,采用一种新的生物医学本体概念相似度度量来确保匹配结果质量,并通过基于推理的概念对剪枝技术缩小算法的搜索空间,提高算法效率。实验结果表明,基于进化算法的生物医学本体匹配技术能有效匹配生物医学本体。     

基于模糊本体的智能交通系统知识建模

为有效处理交通知识建模中的模糊与不确定现象,提出包括领域本体与顶层本体的模糊本体模型.在领域本体中引进模糊概念属性值,并将普通的概念关系扩展为模糊关系与直觉模糊关系.顶层本体基于模糊语言变量的形式化表示,考虑了模糊概念间的实质性语义关系:集合关系、序关系与等价关系.以交通事故分析与预测系统为例,建立交通知识本体模型与基于语义的信息检索系统.该模型可有效进行智能交通系统的知识建模,有利于语义Web环境下智能交通的信息管理与知识管理.     

一种改进的本体概念相似度计算算法

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。根据概念之间错综复杂的关系,可将本体结构看成一个有向无环图。从多个角度出发考虑各种影响有向边权重的因素,通过计算有向边在本体层次图中的相对重要性计算本体中任意两概念的语义距离,由此得到它们的语义相似度。实验结果表明:该方法具有很高的效率。     

本体上的代数结构

建立了本体概念集合上的一种代数结构——本体格,通过本体格上的代数性质分析本体结构的特性．由于本体的形式化研究仍处于初级阶段,尚缺乏对本体的严格的评价技术．代数方法是一种带有严谨逻辑推理的方法,代数性质是一种适用广泛的性质,本体上的代数性质可用于分析所有本体结构的特性．所以,建立的本体格为本体论的研究提供了一种具体的评价技术．     

概念格及其应用进展

概念格是近年来获得飞速发展的数据分析的有力工具。从数据集中生成概念格的过程实质上是一种概念聚类过程。然而 ,概念格可以用于许多机器学习的任务 ,例如分类 ,关联规则的挖掘等。论文介绍了概念格的基本概念 ,讨论了现有的几种建格算法和在格上提取规则的方法及相关系统和应用。另外 ,还介绍了格的剪枝及概念格和另一个新型数据分析工具粗糙集之间的关系。