一种基于语义网的个性化学习资源推荐算法

在E-learning环境中,为了满足用户对学习资源的个性化需求,提出了一种基于语义网技术的学习资源个性化推荐算法。首先根据用户评价和浏览行为得到用户感兴趣的学习资源集合与核心概念集合,然后根据领域本体中概念间的关系分别计算不同用户评价的学习资源集合间的语义相似度和核心概念集合间的语义相似度,最后根据得出的两个相似度值共同决定用户兴趣偏好的相似性,找到具有相似兴趣的最近邻居,从而实现学习资源的协同推荐。此外,在学习资源管理上引入了学习对象概念,降低了相似度计算的复杂度。并将该算法应用到了基于语义网的个性化学习资源推荐系统中,实验表明,该算法有效改善了学习资源推荐效果,特别是对于新加入的资源和新注册用户效果显著。     

基于语义P2P虚拟学习社区的构建方法

随着系统规模的扩大,在基于P2P远程学习系统中出现学习参与者无法有效发现学习资源,同时建立的虚拟学习社区不能很好地反映参与者的动态学习特性。在分析语义网和本体建模的基础上,按照学习社区要求建立节点本体模型,提出一种基于混合模式P2P技术的远程学习系统;并在此基础上,设计实现基于语义相似度的虚拟学习社区的构建算法。     

网络学习系统个性化实时推荐策略研究

网络学习资源海量化在给学习用户提供资源选择多样化和学习自主化的同时,也给用户快速获取个性资源提出了更高要求。在分析当前个性化推荐技术的基础上,充分考虑学习的过程性和资源间的语义相关性,提出一种基于本体个性化的实时推荐模型和算法。主要从模型构建、本体构建、语义相关度和个性推荐算法等方面进行研究,设计了网络学习系统中资源个性化推荐的基本框架和流程,为提高网络学习效率提供全新的解决思路。     

基于多维关联本体的学习资源推荐方法

针对目前互联网环境下学习资源推荐方法无法满足用户垂直化、精准化以及个性化学习需求问题,探索融合学习资源维度、学习者维度以及情境维度的学习资源推荐方法。首先,构建学习资源推荐多维关联本体模型(MCOM),通过语义关系实现学习资源本体、学习者本体和情境本体关联;其次,设计动态自均衡二进制粒子群优化算法(DSEBPSO);最后,将MCOM本体模型与DSEBPSO算法融合应用,提出基于多维关联本体的学习资源推荐方法(MCOM-LROM),为学习者提供最优学习资源或学习路径。相较于当前主流的学习资源推荐方法,MCOM-LROM方法在推荐结果准确性、响应速度以及内容质量等方面性能更优。     

面向学习情境的个性化学习资源推荐研究

为了提高海量情境数据环境下捕捉和推荐资源的准确度,进行个性化学习资源推荐算法研究.将学习者的学习情境加入到学习资源推荐系统中,构建了"学习者-学习情境-学习资源"推荐模型.通过对学习者个性化学习行为的捕捉来勾勒学习者画像,然后根据学习情境与学习者行为的相似度计算结果搜索、推荐与其相匹配的学习资源.实验结果表明,基于用户画像的情境化推荐方法比传统的协同过滤方法更加精准,适用于海量学习资源的个性化推荐.     

语义网自适应学习系统中领域本体的构建

为了学习者适应学习系统,创建相关学科的领域本体,发挥语义网的作用。根据学生的个性特征和学习进程动态地呈现教学内容,更好地满足学习者的需要,提出了基于语义网构建的自适应学习系统,为人们的学习提供了非常有效的支持。在描述自适应学习系统、语义网和本体相关知识的基础上,以一门课程为例进行了领域本体创建的实践,为自适应学习的实现奠定了基础。     

语义相似性与协同过滤集成推荐算法研究

基于项目协同过滤算法能提高基于用户协同过滤方法的扩展性问题,并考虑项目之间的关系避免计算用户之间关系的瓶颈,但基于项目协同过滤算法依然存在稀疏性和新项目预测等问题。为了解决这些问题,该文采用了一种基于项目的结构化语义信息的集成相似性算法。为了抽取项目的语义信息,通过本体学习建立特定领域本体并利用包装器代理从网站中抽取本体类的实例和项目属性。实验结果证明了此方法不仅能很好的解决基于项目协同过滤算法带来的问题,而且还提高了推荐精度。     

电子商务个性化推荐系统的应用

在传统的电子商务推荐系统的基础上,引入了分布式计算、基于语义的发布/订阅、本体库等技术手 段,设计了一种个性化电子商务推荐模型系统,构建了电影领域的本体库,并在Prot湨g湨3.3.1中实现本体库模型。 重点实现了用户特性聚类算法和基于语义的发布/订阅匹配算法。实验结果表明,基于发布/订阅的个性化推荐系 统具有较好的推荐准确率。     

制造网格中基于语义的服务发现技术及应用

针对如何从制造网格中快速、准确地找到用户需要的服务,结合网格、语义Web及本体的相关理论和技术,设计了制造网格中基于语义的服务发现系统模型,探讨了制造资源本体的构建方法,提出采用基于语义模板的制造网格服务描述方法,研究了基于语义的服务匹配算法,结合应用实例验证了模型和算法的可行性.     

地理本体Agent在紧急状态决策过程中的语义互操作

针对地理信息对语义的特殊要求,提出了利用本体实现基于语义的地理Agent的集成和互操作的基本方法.通过该方法,首先利用地理Agent中的领域本体把各个分布异构的GIS节点用本体封装起来,对外显示基于本体的界面;然后通过Agent的语义推理机制,建立不同本体系统之间的语义关系;最后通过不同GIS节点之间的语义关系投影到全局本体Agent中的本体树实现地理信息系统的集成,从而为紧急状态决策支持系统提供一个基于语义的地理信息服务,实现了透明和准确地访问空间信息资源和服务.     

基于机器学习的商品本体细粒度语义知识获取

针对电子商务应用中商品本体模型粒度过粗和细粒度语义知识匮乏的问题,提出了商品候选属性集的5类分类特征,选择进化算法对分类特征集进行优化,研究基于机器学习的商品本体细粒度语义知识获取方法。通过SVM算法执行分类实验,结果证明了5类特征集的有效性。所提出的5类特征集对于其他领域具有一定的通用性,获取细粒度语义知识也有助于构建商品细粒度语义知识库,满足电子商务应用中对细粒度商品知识的需求。     

基于遗传算法的本体映射技术

由于语义网分散的本质,同一个概念在不同的本体中可能有不同的定义方式,这就引起了所谓的本体异质的问题.本体异质问题严重地影响领域知识之间的共享,已经成为语义网应用系统间的交互与协作的瓶颈.目前用于发现本体中实体间的语义对应关系的本体映射技术成为语义网发展的关键技术.鉴于本体映射过程复杂的本质,文章为本体映射过程建立了单目标优化模型,并提出采用遗传算法来确定不同本体中实体间的对应关系.实验结果表明,所提出的方法是有效的.     

迁移知识辅助的语义稀疏服务聚类方法

服务聚类能够极大的提升服务发现的能力。但是,现有服务聚类方法缺乏针对服务描述文件语义稀疏情境下的研究。针对该问题,本文首次将迁移学习技术应用到服务聚类领域以尝试解决服务聚类过程中语义稀疏的问题。通过使用一种对偶PLSA模型来融合目标领域和辅助领域语料知识,利用无监督的方式迁移知识以促进语义稀疏领域的服务聚类过程。实验结果表明,该方法能够提高针对语义稀疏情景下服务的聚类效果。与K-Means等方法相比,该方法在聚类纯度、熵指标上均具有更好的效果。     

基于本体语义的简单向量距离分类方法

针对传统简单距离分类方法的特征选择未考虑到不同抽象层次上的词汇语义差异,提出了一种基于本体语义的简单向量距离分类方法,在本体库的支持下有效地将语言学知识融合到文本向量空间的表示中,进一步挖掘出特征项概念间的深层语义联系,用得到的语义特征向量作为最终的文本特征向量.同时定义了基于领域本体计算不同抽象层上的语义相似度,并将其应用到简单向量距离分类算法中.在数据集CWT20G上的实验表明:基于本体语义的简单距离分类算法对同义词、多义词、上下位词区分能力更强;并且分类准确率随着语义分析的深入逐步提高.     

Product-design knowledge retrieval based on ontology

In order to improve the utilization ratio of knowledge retrieval,a product-design knowledge retrieval approach based on ontology is proposed.A representation model of product-design knowledge is proposed according to its characteristics.Domain ontology of product-design is established and the semantic annotation technology is used to connect the design knowledge and ontology.A new semantic annotation format is developed and semantic information of the design knowledge is enriched by making use of ontology.On that basis a retrieval algorithm is designed for semantic retrieval.Finally,this approach is used in a knowledge management system for military-vehicle design and its effectiveness and feasibility are validated.Results show that the recall ratio and the precision ratio of knowledge retrieval are improved greatly and users’ requirements in semantic retrieval are satisfied.     

OWL本体在纺织企业的应用

探讨了本体技术和Web技术对纺织企业资源系统的支持。根据纺织企业的特点设计和建立了系统各模块的本体模型,并采用OWL本体语言对部分模块进行形式化描述。以某纺织企业的信息系统为实例,说明了OWL本体在纺织企业系统中的应用。结果表明,此模型能实现语义查询、信息共享和系统间的集成。纺织企业本体是企业内部或企业间公共的知识化描述,不仅可以促进知识共享和语义互操作问题,还方便了纺织企业内部和企业间知识管理和信息交换。     

基于Ontology的人力资源语义检索技术研究

基于关键词的传统信息检索技术缺乏语义理解能力,无法满足用户的需要。简要地介绍实现语义检索涉及到的相关概念包括资源描述框架,语义网技术和本体。本文对语义检索所涉及的关键技术进行了深入的分析研究,提出了一种基于本体的语义检索的方法,以人力资源领域本体为例,设计并实现了基于Ontology的人力资源语义检索系统。     

Using Vector Representation of Propositions and Actions for STRIPS Action Model Learning

Action model learning has become a hot topic in knowledge engineering for automated planning. A key problem for learning action models is to analyze state changes before and after action executions from observed "plan traces". To support such an analysis, a new approach is proposed to partition propositions of plan traces into states. First, vector representations of propositions and actions are obtained by training a neural network called Skip-Gram borrowed from the area of natural language processing (NLP). Then, a type of semantic distance among propositions and actions is defined based on their similarity measures in the vector space. Finally, k-means and k-nearest neighbor (kNN) algorithms are exploited to map propositions to states. This approach is called state partition by word vector (SPWV), which is implemented on top of a recent action model learning framework by Rao et al. Experimental results on the benchmark domains show that SPWV leads to a lower error rate of the learnt action model, compared to the probability based approach for state partition that was developed by Rao et al.