多维概念格与领域本体互构建方法研究

多维概念格与领域本体具有相同的代数结构,也就是格结构,使得二者之间很容易产生一种映射关系。该文提出了多维概念格与领域本体的映射机制,以此为理论依据,设计了多维概念格与领域本体互构建方法,并通过实例给以实现。为领域本体的知识表示提供了新方法,也扩展了多维概念格的应用领域。     

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。     

概念格中基于粗糙熵的属性约简方法

属性约简是概念格理论的研究重点内容之一。通过将粗糙熵引入概念格理论中,定义了一种粗糙熵约简。首先,基于所有概念外延定义了形式背景的粗糙熵,并分析了它的性质;其次,定义了形式背景的粗糙熵约简,并揭示了粗糙熵约简与概念格约简之间的关系;在此基础上,基于属性重要度设计了计算粗糙熵的启发式算法,并通过实验验证了该算法的有效性。     

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。     

语义Web粗糙本体：定义、模型和存储方法

在讨论语义Web粗糙本体定义、模型的基础之上,鉴于关系数据库是目前最通用的存储介质,提出了基于关系数据库的语义Web粗糙本体存储方法。重点讨论了语义Web粗糙本体的存储模式,并通过构建一个粗糙本体并其存储到关系数据库中。实例验证了所提出存储方法的有效性和可行性。     

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。     

基于粗糙概念格的属性约简及规则获取

基于粗糙集和概念格理论进行结合,给出了决策背景下的多属性约简与规则提取方法。为此,针对决策背景的辨识矩阵和辨识函数给出了决策背景属性约简的具体属性约简方法;在此基础上得到了决策背景下的规则提取与属性约简方法,并通过实例表明了该约简方法的可行性与有效性．     

粗糙概念格分层建格算法及应用

粗糙概念格能够反映对象与特征间的确定与不确定关系,具有处理不确定性知识的能力,格的构建在应用过程中具有重要的意义。通过分析粗糙概念格的概念和结构,并结合一般概念格的构建思想,针对决策形式背景,提出一种以决策属性值为切入点的粗糙概念格的分层建格方法,从而丰富了粗糙概念格的构建理论。通过实例验证了该方法简单直观,效果良好。     

支持模糊粗糙本体的推理机研究

不精确信息进行表达和推理逐渐成为一种必然的需求,而经典的本体并不适合处理这种不确定的信息.设计了一种支持模糊粗糙本体的推理机,其最大的特点是处理的对象是模糊粗糙本体,从而解决了不确定信息的推理问题.对模糊粗糙本体模型进行了研究,着重介绍了该模糊粗糙本体推理机的总体结构、功能及推理机中各模块的作用,通过对模糊粗糙本体进行约简和去粗糙处理,最终将对模糊粗糙本体的推理转化为经典的推理.     

粗糙概念格构造的算法

针对形式背景,利用概念外延与内涵之间特殊的关系,结合粗糙集上下近似概念,提出一种粗糙概念格构造算法,属性约简后运用粗糙度进行挖掘,获取可靠性知识。在构造过程中,对节点属性进行判断,有效地降低算法的时间复杂度。实际案例分析结果表明,通过属性约简与粗糙度的结合,该算法可以有效地挖掘获取可靠性知识,为数据分析挖掘知识提供了一种可行的思路和方法。     

模糊本体构建的概念距离聚类方法

针对手工构建模糊本体工作量大且构建效率低的问题,结合模糊集理论和模糊概念格的结构惟一性等特点,提出一种基于模糊概念格的概念距离聚类方法来构建模糊本体.用渐进式方法构建出模糊概念格,并计算模糊概念格中节点的模糊参数,对其进行概念距离聚类处理,得到模糊概念层次,最后映射为模糊本体.其构建实例验证了该构建方法的可用性和有效性.     

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。     

基于形式概念分析的本体合并方法

针对现有的本体合并方法在进行合并时需要人工参与,比较费时费力,且合并结果受人为影响过大等缺点,提出了一种基于形式概念分析的本体合并方法——FCA-OntMerge(formal concept analysis based ontology merging method)。该方法首先将本体中的数据直接转化为形式背景(概念格的数据存储方式),然后利用概念格严谨和完善的数学原理进行合并,最后生成新的本体。实验结果表明,该方法能很好地解决本体异构的问题。     

基于粗糙集和模糊聚类的政务本体学习模型

根据政务信息资源的特点,提出了一种新的政务本体学习模型。首先通过命名实体获取领域概念,然后利用粗糙集和模糊聚类理论对模式匹配算法进行改进,进而采用改进的模式匹配算法获取领域概念之间的显式和隐式关系。大量的实践证明：利用该模型能够从庞大的政务信息资源中有效地进行政务本体学习,克服了传统模式匹配算法不能很好地获取概念之间隐式关系的问题。     

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。     

本体映射中一种综合的概念相似度计算方法

本体映射是实现异构本体间互操作的有效方法,其核心环节是概念相似度的计算。针对传统概念相似度计算方法中存在的不足之处,提出了一种综合的概念相似度计算方法——DISS模型。该算法从概念定义、概念实例、概念结构三个方面计算相似度。实验证明,该算法改善了传统计算方法中存在的片面性和不完善性问题,提高了本体映射的查全率和查准率。     

基于领域学习的本体映射方法

在语义数据集成中本体映射是关键,手工设置映射关系消耗时间并且不准确,需要使用本体映射工具自动发现这种映射关系。在现有本体映射方法的基础上提出了基于领域学习的映射方法,可以发现本体中概念之间的映射关系,可以从领域知识中发现复杂映射的规则、增加映射时的实例数据,提高映射发现的查全率和准确率。实验结果验证了算法的有效性。