基于领域本体的协同过滤推荐算法

为了解决协同过滤推荐系统中所存在的可扩展性、稀疏性和冷启动等问题带来的推荐性能底下,提出新的基于领域本体的协同过滤推荐算法,该算法综合考虑了项目的语义相似性和评分相似性的影响,改善基于项目的协同过滤算法性能。实验结果表明,基于领域本体的协同过滤算法不仅能很好的解决基于项目的协同过滤算法带来的问题,而且还提高了推荐系统的推荐质量。     

基于领域本体的文档向量空间模型构建

针对VSM不能揭示隐藏在不同特征词后面的相同概念语义、反映文档中的潜在语义关系、在相似度计算中精度较低的问题,提出一种基于领域本体的文档向量空间模型DOBVSM(domain ontology-based vector spacemodel)。该模型把领域本体中的概念扩展为文档特征词,并通过概念间的语义关系对特征词权重进行调整,最终建立包含语义关系的文档DOBVSM。通过实验分析表明:DOBVSM计算的文档相似度值更加发散,与专家评价值最为接近,能够较好地反映文档之间的相似情况。     

基于本体的构件聚类研究

为了消除自然语言对构件文本信息描述的二义性以及增强术语间的语义关系,文中采用领域本体的思想,给出了一个基于人工智能领域本体的软件构件聚类模型和基于该模型的聚类算法。该模型通过分析领域的共同概念,形成领域本体知识库,提供领域内一致认可的术语,用于匹配对构件文本描述所使用的自然语言。给出的算法通过与基于传统空间向量的K—Means算法分析比较,验证了该算法是有效的,实现了对软件构件更合理的聚类,提高了构件检索的效率和准确性。     

使用聚类算法构建学习模型

影响智能教学系统中教学决策的一个核心因素是系统中学习模型的质量。学习模型是一种以人类学生解决问题的各种方法为基础的模型。一个好的学习模型能够匹配学生行为模式,为学习任务难度和相关问题之间的学习转化提供有效信息。然而,传统构建模型的方式一方面非常耗时,而且还容易丢失具有重要教育意义的内容和学习方式。自动化方式可以构建更好的学习模型,但需要一些工程知识,同时其模型难以解释。该文讨论了一种基于内容特征使用聚类算法来构建学习模型的方法。     

一种基于本体相似度计算的文本聚类算法研究

为了改善文本聚类的质量,得到满意的聚类结果,针对文本聚类缺少涉及概念的内涵及概念间的联系,提出了一种基于本体相似度计算的文本聚类算法TCBO(Text Clustering Based on Ontology).该算法把文档用本体来刻画,以便描述概念的内涵及概念间的联系.设计和改进了文本相似度计算算法,应用本体的语义相似度来度量文档间相近程度,设计了具体的根据相似度进行文本聚类的算法.实验证明,该方法从聚类的准确性和聚类的关联度方面改善了聚类质量.     

基于本体的向量空间模型的压缩算法

采用本体（Ontology）为向量空间模型提供更为丰富、详细的概念空间,在本体的支持下,文档中的术语不再被孤立地看成关键词,而是彼此间有了一定的语义联系。以已获得丰富而详细的本体为前提,考虑当本体空间很大时,解决向量空间的高维数给计算带来复杂性与难度这一问题,提出基于HCA（Hierarchical Clustering Algorithm）的向量空间压缩算法。     

改进的蚁群聚类算法在本体知识库中的应用①

为了解决基于本体的知识库构建效率不高的问题,将模块化思想引入本体中,并在蚁群聚类算法的基础上,融入遗传算法的种群思想,提出了一种基于改进的蚁群聚类算法的模块化本体的方法。以本体概念间的相似度作为划分模块的主要依据,然后应用改进的蚁群聚类算法得到本体模块划分方案,最后通过实例验证了该方法的有效性。     

基于相似性算法与蚁群算法的聚类算法

由于当今的网络数据是海量的,因此科研人员对某些问题进行研究时需要将不同属性的数据从中提取出来,然而在提取这些数据之前需要将相同数据进行聚类。数据聚类的过程,也就是寻找数据最优属性的过程,然而人工蚁群就是一种寻找问题最优解的算法,因此在本文中再次将蚁群算法在聚类中进行应用。由本文提出的聚类算法可以分为两个部分,第一部分是：通过相似性算法来衡量数据之间的相似度,第二部分是：根据第一部分的计算结果,再采用蚁群算法为需要聚类的数据选择不同的聚类中心,从而对不同属性的数据进行聚类,经过以上两个过程的计算,可以实现对数据的聚类。在本文中进行数据聚类时采用的相似性度量来代替距离的计算,是本文创新点之一,采用蚁群算法在聚类过程中来选择聚类中心也是本文的创新所在。     

聚类问题中的算法

本专栏上一期介绍的是分类问题中的算法,这一期讨论聚类. "分类"指的是要将一个未知类别的对象归到某个已知类别中."聚类"则是要将若干对象划分成几组,称每一组为一个类别. 在实际应用中,分类的类别是事先给定的,往往对应某种现实含义,如网购者可能分为"随性"和"理性"两个类别,人们大致也知道是什么意思.     

基于领域本体的智能检索模型

在传统检索模型的基础上,结合本体概念,提出一种基于领域本体的检索模型。该模型利用本体中语义概念关系及语义扩展机制对查询关键词进行概念映射及扩展,通过计算文档相似度返回检索结果,提高检索的查准率和查全率。     

一种基于领域本体的混合信息检索模型

针对语义检索中本体不能提供所有知识的问题,提出一种基于领域本体的混合信息检索模型。该模型利用领域本体中概念间的语义关系,结合关键词检索和语义检索,建立关键词基础矩阵和语义扩展矩阵两层索引矩阵,使系统检索在没有可用本体知识时能自动调整为关键词检索,保证一定的检索性能。两者的结合有效改善了检索性能。     

基于需求分解的知识系统建模方法

通过对知识系统的需求分析及分解，将知识系统的知识划分为领域概念知识(概念本体)、系统知识(任务本体)、控制知识和解释知识四大部分，初步建立了各部分的实现框架和相应的策略，其中概念本体描述知识系统的静态知识，任务本体描述知识系统的动态知识。以一个简化农业种植结构配置知识系统为例，建立了系统的应用本体求解模型。这种基于需求分解的知识系统建模方法具有面向问题和应用、实用性强等优点。     

基于领域本体的主观题自动评阅算法的研究

针对VSM不能揭示文档中特征词间的潜在语义关系,相似度计算准确性较低的问题,结合本体模型的结构特点,从语义重合度、语义距离以及本体结构等因素综合考虑概念间的相似度计算,提出了一种基于领域本体的文档向量空间模型。该模型通过构建概念间的语义相似度矩阵对特征词权值进行调整,建立包含语义关系的标准（学生）答案的向量空间模型,并用＂VSM模型＋余弦值＂算法评估学生答案和标准答案的相似度。实验表明,与传统方法相比,该方法提高了评测效果及准确率。     

基于本体聚类的面向业务用户服务发现模型

现有的基于语义的服务发现机制都存在着缺陷和不足，该文提出一种面向业务用户的、基于本体聚类的Web服务发现模型，应用本体聚类算法对领域本体和Web服务进行分层管理，实现了以业务用户为中心的设计思想。     

基于逆向工程的领域本体开发方法

从逆向工程角度出发,对领域本体模型的创建方法进行研究。以关系数据模型为对象,分析了如何从遗留系统中识别关系模式的结构信息,利用扩展的关系实体图EER获取关系模式的语义信息,并以此来建立领域本体模型。     

基于HCM聚类的连续域模糊关联算法

针对粗糙集对于连续域属性决策表的处理能力差以及不容易获得模糊集之间关系等问题,提出一种基于连续型属性模糊关联规则约简算法。该算法引入三角隶属度函数将连续属性值转化为模糊值,并使用硬C均值聚类方法获得数据集之间关系,采用遗传算法优化该模型。仿真结果验证了该模型的有效性。     

基于领域本体网络模型的知识获取技术

知识获取一直是人工智能的瓶颈,如何有效地从文本中提取知识是知识工程所关注的问题。该文提出并构建了领域本体网络模型,将其用于中医领域文本的知识获取,分析了领域本体的数据结构、本体概念的实例化以及语义场的结构与组织方法。基于中文信息处理技术,提出了获取文本知识的框架,实现了原型系统,并用于中医医案知识的获取,取得了较好的效果。     

基于领域本体和位置关系的信息检索模型

向量空间模型是最常用的信息检索模型,它根据词频来计算文档之间的相关度,这种方法虽然能够满足用户的基本检索需求,但是对于检索要求较高的用户,其效果仍然不甚理想。文中在向量空间模型的基础上,首先通过领域本体和上层本体来计算特征词项之间的相似度,据此得出与查询词相关的词,在求词项频率和逆文档频率时考虑这些词,然后引入了词序相关度和词语相邻相关度这两个概念,把特征项的位置关系也考虑进来。实验结果表明,文中提出的模型相比原始向量空间模型,在准确率上有了较大的改善。这完全说明,与原始向量空间模型相比,文中提出的检索模型不仅考虑了与原有词项具有相似语义的词项,而且还考虑了词项顺序和词项相邻信息,从而更能符合用户的检索要求。