一个基于语义模块的交互式本体匹配框架

本体匹配是用来解决异质本体间互操作问题的一种技术手段。目前,大多数关于本体匹配的研究都集中在了如何提高匹配结果的质量上。然而,一方面,在许多情况下,匹配结果的正确与否直接依赖于用户的判断,另一方面,由于一些描述现实世界的本体十分庞大,匹配工具往往不能及时为用户提供可供确认的匹配对。为此,提出了一种基于语义模块的交互式本体匹配框架。借助信息论的相关知识,将本体聚类成语义模块。用户利用模块核心结点信息对模块的内容进行推断,从而将大规模的本体匹配任务转换为数个规模较小的语义模块间的匹配任务。通过合理地增大用户在匹配过程中的作用,试图在保证匹配质量的同时提高匹配效率。已获得的实验结果表明该方法能显著提高本体匹配任务的效率。  

一种本体学习中分类关系提取方法的研究

本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体的自动半自动构建，可解决本体手工构建的不足。根据本体学习目前的研究现状，提出了一种从文本中半自动获取本体中分类关系的实现，讨论了本体学习中概念抽取和概念间分类关系抽取等关键技术。实现了本体中分类关系提取，对于非分类关系的提取还有待研究。  

基于内容粘合性的邮件分类

电子邮件分类一般采用向量空间模型来表示邮件,但是该模型只是基于独立词在邮件内容中出现的频率来建立的,而并未考虑邮件的结构特征,从而使得特征向量不能准确地表示邮件的内容.针对目前向量空间模型出现的这种缺陷,文中将粘合性衡量方法提取n-gram的思想运用于文本表示当中,对词的权重进行赋值,并以此模型设计了一个邮件分类系统,由于粘合性方法考虑到了邮件的结构特征,实例证明,这种方法能够提高系统的分类精确度.  

基于信息理论的启发式本体匹配框架

介绍了一种新的半自动的启发式本体匹配框架的设计和实现。系统利用人类专家在前期确定的高精度锚匹配对（Anchor Pairs），根据启发式规则对系统计算出来的匹配候选对的相似度进行修正。已设计并实现了基于信息理论的启发式本体匹配框架IHOMF（ Information theory based Heuristic Ontology Matching Framework）。该框架较好地平衡了复杂语义匹配和繁重的人类劳动之间的矛盾，在实验数据集上获得了较好的结果。  

基于FAM的模糊神经控制器的研究

根据模糊联想记忆(FAM)理论, 提出了预解模糊FAM原理, 给出了预解模糊FAM和一般FAM的等价性的构造性证明. 为了提高FAM推理过程的自适应能力, 将神经网络应用于预解模糊FAM推理, 提出了一种新的智能控制器——FAM神经控制器(FAMNC), 以小车倒立摆为控制对象进行了仿真研究, 表明了所提方法的可行性.  

基于Max-Flow理论的本体分割算法

本体是语义网的核心部件之一,近来越来越多的研究表明本体能极大地有助于信息处理任务质量和效率的提高.然而,由于领域知识的复杂性,在给应用程序提供强有力的支持的同时,本体自身不可避免地呈现出结构复杂,规模庞大的特点,从而给本体的维护和操作带来了极大的不便.为此,本文提出了一个基于Max-Flow理论的本体分割算法,首先将本体转化成相应的能量图,然后应用Min-Cut图切分算法将其快速划分为紧密联系的模块的集合.获得的实验数据表明此算法能生成较高质量的模块.  

一种本体学习中分类关系提取方法的研究

本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体的自动半自动构建,可解决本体手工构建的不足。根据本体学习目前的研究现状,提出了一种从文本中半自动获取本体中分类关系的实现,讨论了本体学习中概念抽取和概念间分类关系抽取等关键技术。实现了本体中分类关系提取,对于非分类关系的提取还有待研究。  

基于信息理论的启发式本体匹配框架

介绍了一种新的半自动的启发式本体匹配框架的设计和实现。系统利用人类专家在前期确定的高精度锚匹配对(Anchor Pairs),根据启发式规则对系统计算出来的匹配候选对的相似度进行修正。已设计并实现了基于信息理论的启发式本体匹配框架IHOMF(Information theory based Heuristic Ontology Matching Framework)。该框架较好地平衡了复杂语义匹配和繁重的人类劳动之间的矛盾,在实验数据集上获得了较好的结果。  

基于改进向量空间模型的邮件分类

基于内容的邮件分类一般采用向量空间模型来表示邮件，该模型只是基于独立词在邮件内容中出现的频率来建立的，而并未考虑邮件的结构特征和词所在的上下文环境，这使得特征向量不能准确地表示邮件的内容，从而导致分类不够准确。文中提出了改进的向量空间模型，针对邮件特有的结构，以段落为分块单位，通过分析段落间的关系和段落中的内容来更改特征词的权重。以此模型设计了一个邮件分类系统，并对该系统进行了测试和结果分析。  

用自然语言处理改进问答系统的研究和实现

问答系统是当前人工智能应用的一个重要领域，而传统的基于模式匹配方法的问答系统具有很大的局限性。该文研究了基于HMM模型、图句法分析、词典和规则的自然语言处理算法。将这些算法应用到问答系统中，扩展了对话管理模块，对用户的自然语言进行语义分析，从而实现对话的语义块识别、主题识别和对话信息提取，提高了系统对复杂用户输入的处理能力，克服了传统方法的不足，并使用Java实现了一个实验系统。