一种基于概念格属性约简的本体合并方法

提出一种基于概念格属性约简的本体合并方法。该方法先对源本体中的概念进行外延和内涵的分析,以此为形式背景构造概念格。对所构造的概念格进行属性约简,删除本体合并中的冗余信息,约简绝对不必要属性,以最少的信息精确地反映概念格及本体的本质和结构。最后通过实例分析此方法的可行性。     

一种基于概念格胶合的模糊本体合并方法

为了解决本体异构问题,实现本体资源的共享和重用,需要进行本体集成。本体合并是集成的一种方式。本体对概念外延和内涵揭示得不够,对概念的表达深度不够。形式概念分析可以很好地表示和处理概念以及概念之间的关系,但是在语言表达和推理等方面还很不足,因此需要将它们结合起来表达和处理知识,提高语义表达能力。提出了一种基于模糊概念格胶合的模糊本体合并方法,为模糊本体集成提供了一种新的方法。     

基于形式概念分析的采煤工作面本体构建研究

针对传统本体构建方法耗时耗力且主观依赖性强的问题,提出了一种基于形式概念分析的采煤工作面本体构建方法。该方法可有效地发现领域数据中隐含的概念和概念间的关系,并通过概念格将本体可视化,将新增信息自动地添加到本体中,实现了本体的半自动化更新。实例验证了该方法的有效性。     

一种基于熵和偏差的加权概念格的本体合并方法

对两个及以上的相关领域本体进行合并,使用基于形式概念分析方法可以方便有效地合并本体。但是它并没有按照用户对一些属性的特殊需求和喜好而进行本体的合并。针对这个问题提出了一种基于熵和偏差的加权概念格的本体合并方法来满足上述需求,同时通过实验给出了方法中的阈值D(B)的量化公式。     

基于FCA的对象与属性交叉渐进的情感本体学习

提出了一种基于形式概念分析的渐进式情感本体学习的算法。该算法通过动态交叉添加对象和属性来生成概念格,从而从概念格当中抽取情感本体,最终实现情感本体的学习过程。给出了算法的描述,并结合实例说明了本体学习过程。     

基于形式概念分析的本体构建方法研究

本文采用形式概念分析理论中的方法来构建本体,对组成本体的概念、属性以及关系等用形式化的语境表述出来。通过概念格图形的形式来展现本体的研究领域中概念及概念之间的关系,寻找所有隐含概念及概念间的关系,从而清楚地表达出本体的结构。     

基于P-集合的本体形式背景抽取

领域本体形式背景的分析抽取、定义本体领域属性的核心概念是构建领域本体的关键。应用概念格模型表示领域知识,引入P-集合理论进行形式背景的定义和领域属性分析,根据领域中个体相似度矩阵对形式背景的领域属性进行优劣判断,为领域本体的构建提供了新的研究模式和方法;通过一个药用植物的实验本体,证明内涵和外延联合的概念相似度计算方法提高了知识库中核心概念扩展的计算精度,为本体推理奠定了技术基础。     

一种基于模糊形式概念分析的模糊本体学习方法

模糊本体是语义网中处理模糊信息的重要工具,而模糊本体学习是构建模糊本体的一种有效方法,因此模糊本体学习已逐渐成为现今本体研究的热点。作为模糊本体的另一种图结构的表现形式,模糊概念格构造与演化的研究也渐渐引起人们的关注。模糊形式概念分析是一种基于模糊形式背景表示形式概念的新模型,是由模糊集理论与形式概念分析结合而成,其主要表现形式即是模糊概念格。这种模糊概念层次结构是数据分析及规则提取的有效工具,且支持概念间相似度的计算。提出一种基于模糊形式概念分析的模糊本体学习方法,意图从领域文档中获取模糊概念和模糊概念关系,并通过模糊形式概念分析,将其添加到源模糊本体转化的模糊概念格中,以完成模糊本体学习。     

一种基于数据表元组的原始本体抽取方法

在基于关系数据库的本体构建过程中,由数据表抽取的原始本体的质量直接影响到最终生成本体的质量,而传统的抽取方法中将单个数据表映射为单个本体概念的方法忽略了数据表中元组数据所提供的语义信息,造成抽取的原始本体质量不高的问题。本文提出一种了基于数据表的原始本体抽取方法。应用FCA（形式概念分析）方法对单个数据表的元组数据进行分析,形成概念格,进而产生原始本体。该方法使得数据表中的元组数据得到了有效的利用,提高了原始本体的抽取质量,有利于最终本体生成质量的提高。     

基于形式概念分析与统计理论的本体构建模型*

为了解决目前本体建立技术严重依赖领域专家的参与、不够客观的现状,提出将形式概念分析与统计理论相结合的本体构建模型。通过利用统计算法对术语在文件中出现概率进行统计,根据设定的阈值对术语进行抽取,同时对术语出现的文件进行记录,进而将以上所得的知识组织成具有层次关系的概念格,最后将概念格映射为领域本体。实践证明,利用该模型建立的领域本体具有较好的客观性,同时能极大提高本体搜索的效率。     

形式概念分析在本体构建中的应用

随着信息共享和数据交换的范围不断扩大,语义数据集成成为数据库技术研究中的热点。本体作为共享概念的形式化说明,用于表达数据源的语义、识别和建立概念间的语义关联、达成语义一致,提供了语义异构问题的解决途径。传统的关系数据库由于具备技术成熟、应用广泛、数据管理能力强、数据安全程度高等特点,依然是数据存储的主要手段。然而,关系数据只表达了"属性/值"二元关系,不具备语义描述的能力,如何在关系数据中直接抽取数据的语义,构建本体,提炼丰富的语义信息,弥补关系数据表的缺陷,是一个重要的研究方向。文中探讨了运用形式概念分析的技术,结合数据库模式及其数据,构建本体的方法。在研究本体构建的基本方法基础上,论述了形式概念分析方法,并结合给定的数据库模式及其数据信息,演示了运用形式概念分析的方法构建本体的过程。     

基于粗概念格模型的电子商务领域本体的构建研究

以构建电子商务系统中的本体为出发点,分析现有的本体构建技术中存在的缺陷。针对这些不足,综合考虑变精度粗糙集模型和形式概念分析的相关理论,提出基于粗概念格模型来构建本体。将变精度粗糙集的β选取算法和可辨识矩阵属性约简算法进行了改进,使β 上、下分布的约简方法适用于形式背景的约简,从而提出基于变精度粗糙集的概念格约减算法;然后计算语义概念相似度,并以联合国标准产品与服务分类代码的本体元模型为核心本体,结合领域专家知识,建立电子商务领域本体模型。实验表明了粗概念格构建本体的高效性。     

A new algebraic structure for formal concept analysis

Formal concept analysis (FCA) originally proposed by Wille [39], is an important theory for data analysis and knowledge discovery. Concept lattice is the core of the mathematical theory of formal concept analysis. To address the requirements of real word applications, concept lattice has been extended to many other forms from the theoretical point of view and possible applications. In this paper, with the aim of deriving the mathematical properties of formal concepts from the point of algebra, we propose a new algebra system for the formal context. Under the frame of the proposed system, some interesting properties of formal concepts are explored, which could be applied to explore concept hierarchy and ontology merging.     

改进的本体概念相似度计算模型

本体映射能很好地解决语义网中的本体异构性问题,其核心在于计算本体概念的相似度。针对现有的概念相似度计算的精度和查准率不高,提出一种改进的概念相似度计算模型。首先利用本体特征之间的偏序关系建立形式背景和概念格,然后在结构层次求出概念间的交不可约元集,并通过对集合里各元素的语义关系进行量化计算出概念间的相似度。实例和分析结果表明,改进的概念相似度计算模型在F-Score上有明显提高。     

一种基于模糊概念相似度的模糊本体构建方法

研究了一种基于模糊概念相似度的模糊本体构建方法。对目标数据源进行模糊形式概念分析,构建模糊概念格,利用基于模糊概念相似度的概念聚类算法产生模糊概念聚类,并最终映射得到模糊本体。该方法对模糊概念的内涵及外延的相似度进行了全面的度量,并加入权重因子增强模糊聚类的可调节性。最后通过实例验证了该方法的可行性和有效性。     

粗糙本体构建的格-树转化方法

粗糙本体是处理不精确性信息的一种基础性工具,其存在形式是由粗糙概念和粗糙关系构成的树形结构。粗糙本体的具体形式因为参与构建的领域专家的不同而呈现多样性,然而同样也是由粗糙概念和粗糙关系构成的粗糙概念格却具有结构上的惟一性。粗糙本体的构建因而可以利用格和树的组成与结构的相似性,构建粗糙概念格,转化生成粗糙本体。探讨了格-树转化方法的实现步骤：构建粗糙概念格;聚类粗糙概念格中的粗糙概念生成粗糙概念树;转化粗糙概念树为粗糙本体。构建实例阐释了格-树转换方法的具体应用。     

基于领域本体与概念格的关联规则挖掘

关联规则是数据挖掘中的核心任务之一,近年来国内外对关联规则算法的改进取得了比较大的成果.概念格是由二元关系导出的形式化工具.体现了概念内涵和外延的统一,非常适合于发现数据中的潜在关系,因此关联规则的提取也是概念格的一个主要的应用领域,极大的提高了关联规则的挖掘效率,然而由于缺乏领域知识的指导,所挖掘出的规则有些是无意义的或无法满足用户的需要,所以在规则的提取中需要引入领域知识,而领域本体是领域知识的清晰而结构化的表示,因此提出了应用领域本体对生成的概念格进行调整,从而实现对规则提取的指导,以发掘出高层关联规则以及多层次间的关联规则,以满足用户的需要.