结合编辑距离和Google距离的语义标注方法*

提出了一种在领域本体指导下对网页进行语义标注的方法。该方法利用编辑距离和Google距离从词语的语法和语义两方面综合度量词汇与本体概念之间的语义相关度,从而在网页与本体之间建立映射关系。此外,对网页进行语义标注后,利用标注结果对本体进行有效扩充,使本体更趋于领域化。实验结果表明该方法是行之有效的。     

本体论研究综述

起源于哲学的本体论(ontology)在信息科学领域受到广泛关注，其重要性已在许多方面表现出来，如知识工程、数据库设计和集成、信息检索与获取、软件工程、自然语言处理等．尤其是本体论在Web上的应用导致了语义Web的诞生，有望解决Web信息共享时的语义问题，实现世界范围的知识级信息集成．综述计算机科学中本体论的研究和应用现状，主要内容包括：本体论的起源和发展，本体论的定义，本体论的描述语言以及构建方法论，本体论与语义Web，以及本体论的应用等．     

基于本体和语义Web服务的供应链知识集成

运用本体论、语义Web、Web服务和多Agent等技术研究供应链系统知识集成的方法，提出了一个基于本体和语义Web服务的多Agent供应链知识集成架构，讨论了供应链系统中基于语义Web服务的智能服务机制和基于元本体和共享本体的多Agent协作方法。     

基于ODM模型的古建筑保护技术本体知识库设计方法研究

基于开放世界假设和描述逻辑的Web本体语言OWL(Web Ontology Language)是描述分布式、可重用、易扩展的古建筑保护技术领域本体的理想选择。提出一种基于ODM(Ontology Definition Metamodel)模型的本体知识库设计方法,识别古建筑保护领域中的关键概念及其关联关系,建立骨架本体。将关键概念进一步分解,建立对应的子本体,整合子本体形成目标本体。该方法使得古建筑保护领域模型更加直观,以确保分析、设计及实现等阶段模型的一致性。通过实例分析,验证了该方法的可行性和有效性。     

基于QoS的语义Web服务选择框架

服务质量（QOS）成为动态选择满足用户需求的Web服务的关键因素。然而目前Web服务的QoS信息描述缺乏语义性,且Web服务的选择还不能做到完全自动化。文章提出一种Web服务的QoS本体结构,并在此QoS本体和原有的语义Web服务的基础上提出基于QoS的语义Web服务选择框架（QSF4SWS）。研究表明,该框架不仅增强了Web服务QoS描述的语义性,而且还能够实现Web服务的动态发现与自动选择。     

语义Web中工程设计类知识表示研究

研究了如何在语义Web中,实现工程设计类知识的表示与应用。对工程设计类各种异构知识进行统一描述,在此基础上,运用RDF(S)技术,建立了语义Web环境下,工程设计类知识的Ontology。提出了基于语义Web的知识存储模型以及面向上层应用程序的接口设计,为语义Web环境下工程设计类知识管理系统的开发提供了底层平台。     

一种本体知识文摘方法的研究和实现

本体作为领域知识的表示方法，已经成为语义Web的基础。本体通常由领域专家建立，用于表示领域中概念以及概念与概念之间的关系。但这也使得普通用户难以理解本体中描述的信息。普通用户往往希望本体中的信息能够以自然语言的形式描述。这正是本文讨论的主要问题。本文采用分治策略，利用基于嵌套复杂模板的解决方案，设计并实现了本体知识文摘的算法。我们开发了一个原型系统SWARMS，并将该文摘算法进行了运用。初步的实验表明，本文提出的方法取得较好的结果。     

面向知识网格的本体学习研究

网格计算正在从单纯的面向大型计算的分布式资源共享发展为一种面向服务的架构,以实现透明而可靠的分布式系统集成。网格智能是指如何获取、预处理、表示和集成不同层次的网格服务(如HTML/XML/RDF/OWL文档、服务响应时间和服务质量等)的数据和信息,并最终转换为有用的智能(知识)。因为高层知识将在未来的网格应用起到越来越重要的作用,本体是知识网格实现的关键。文章提出了一种实现从Web文档中本体(半)自动构建的本体学习框架WebOntLearn,并讨论了本体学习中领域概念的抽取、概念之间关系的抽取和分类体系的自动构建等关键技术。     

基于语义Web的空间信息共享服务

存取、交换、集成空间信息是Web应用研究的热点之一。然而,Web是设计为人使用的,人们必须浏览、理解、选择和导航Web信息。此外,由于数据间的语义冲突和缺乏集成存取共享的空间信息的工具,空间信息很难得到利用。利用语义Web技术和常用本体,提出了查找互联网上的空间信息的方法。首先介绍了语义Web的主要概念;其次描述了语义冲突解决本体;最后详细地探讨了如何在语义Web上实现空间信息共享服务。     

基于本体的几何学知识获取及知识表示

文中研究了基于本体的几何学知识获取,并运用此方法获取几何学领域中的类、属性、关系及公理等;同时,研究了基于本体的知识表示,并将几何学知识转化为该领域本体,用RDF/OWL的形式进行描述.在此基础上构建了一个可共享、可重用、可扩展的几何学本体,形成了一套较完整的几何学知识获取和知识表示体系,将其应用于建立几何学知识库,可大大提高知识搜索和知识推理的效率,并为几何学专家系统、几何学信息检索、几何学教育系统、自然语言理解等领域提供智能基础.     

语义集成中的不确定性本体映射模型

语义Web的高速发展使其具有动态性和异构性特征,解决语义信息的异构性问题成为实现信息集成的关键。本体作为一种语义Web的知识表示形式,增强了Web的语义信息。因此,为了解决语义异构性,实现数据间的互操作,必须建立异构本体间的映射关系。然而,为庞大的异构本体建立完全精确的本体映射是不现实的,本体映射中存在一定的不确定性。提出了一种新型的本体映射框架——语义集成中的不确定性本体映射。从不同方面研究本体特征,集合了多种映射策略,并引入了各映射策略中不确定性匹配的解决方案。实验证明,该方法具有可靠的实验性能,并且具有很好的通用性和可扩展性。     

Using semantic dependencies to mine depressive symptoms from consultation records

With the rapid growth of depressive disorders, many psychiatric Web sites have developed various psychiatric screening services for mental health care and crisis prevention. We propose a framework for mining depressive symptoms and their relations from consultation records. The records contain many kinds of depressive symptoms, such as depressed mood, suicide ideas, anxiety, sleep disturbances, and so on. The depressive symptoms are embedded in a single sentence or a discourse segment - that is, successive sentences describing the same depressive symptom. Our framework infers the semantic label according to a sentence's semantic dependencies and the HowNet knowledge base, a Chinese-language concept hierarchy that defines higher-level abstractions, or hypernyms, for Chinese words, concepts, and interconcept relations. Moreover, the framework computes the lexical cohesion between sentences to enhance its semantic labeling power and adopts a domain ontology to mine the semantic relations. Preliminary experiments show the semantic dependencies within and between sentences and the domain ontology used in this approach are significant features in the mining task.     

藏文语义本体中的上下位关系模式匹配算法

语义本体是共享概念模型显示的形式化规范说明,其目标是将杂乱无章的信息源转变为有序易用的知识源。目前语义本体还主要依赖于手工创建模式。上下位关系是一种基本的语义关系,常用于语义本体中概念的自动获取和验证。该文首先描述了藏文语义本体的创建方法,进而给出了藏文中的上下位关系模式以及模式匹配算法。上下位关系的模式可以辅助进行概念扩充,也可以作为建立和维护本体的辅助工具,这在一定程度上降低了创建和维护本体的成本。     

Effective Tag Recommendation System Based on Topic Ontology Using Wikipedia and WordNet

In this paper, we proposed a novel approach based on topic ontology for tag recommendation. The proposed approach intelligently generates tag suggestions to blogs. In this approach, we construct topic ontology through enriching the set of categories in existing small ontology called as Open Directory Project. To construct topic ontology, a set of topics and their associated semantic relationships is identified automatically from the corpus‐based external knowledge resources such as Wikipedia and WordNet. The construction relies on two folds such as concept acquisition and semantic relation extraction. In the first fold, a topic‐mapping algorithm is developed to acquire the concepts from the semantic of Wikipedia. A semantic similarity‐clustering algorithm is used to compute the semantic similarity measure to group the set of similar concepts. The second is the semantic relation extraction algorithm, which derives associated semantic relations between the set of extracted topics from the lexical patterns between synsets in WordNet. A suitable software prototype is created to implement the topic ontology construction process. A Jena API framework is used to organize the set of extracted semantic concepts and their corresponding relationship in the form of knowledgeable representation of Web ontology language. Thus, Protégé tool provides the platform to visualize the automatically constructed topic ontology successfully. Using the constructed topic ontology, we can generate and suggest the most suitable tags for the new resource to users. The applicability of topic ontology with a spreading activation algorithm supports efficient recommendation in practice that can recommend the most popular tags for a specific resource. The spreading activation algorithm can assign the interest scores to the existing extracted blog content and tags. The weight of the tags is computed based on the activation score determined from the similarity between the topics in constructed topic ontology and content of the existing blogs. High‐quality tags that has the highest activation score is recommended to the users. Finally, we conducted experimental evaluation of our tag recommendation approach using a large set of real‐world data sets. Our experimental results explore and compare the capabilities of our proposed topic ontology with the spreading activation tag recommendation approach with respect to the existing AutoTag mechanism. And also discuss about the improvement in precision and recall of recommended tags on the data sets of Delicious and BibSonomy. The experiment shows that tag recommendation using topic ontology results in the folksonomy enrichment. Thus, we report the results of an experiment mean to improve the performance of the tag recommendation approach and its quality.     

基于SWRL的软件需求一致性验证方法

需求质量已经成为确保软件项目成功的一个重要因素,对复杂软件系统的需求进行检查和验证,是需求工程中非常重要的工作。在基于领域本体的需求获取和分析等相关工作基础上,提出了一种基于本体和语义规则的需求一致性验证方法,将自然语言描述的需求分解成若干结构良好的最小需求项,使用领域本体的概念模型对其进行形式化和结构化的表示。通过领域本体中的知识来映射需求语义,采用语义万维网规则语言（SWRL）来定义需求一致性验证的推理规则,并通过实例对此方法进行了分析和验证。     

软件工程关联数据的自动构建

针对目前在分布异构的大规模软件开发中难以高效地知晓信息和发现知识的问题,将语义网引入软件工程领域,对多源异构数据进行细粒度语义关联,提出本体构建、关联抽取和发现的方法,实现基于本体的软件工程关联数据的自动构建。该方法对软件工程本体进行概念抽取、合并、实例消解和属性消歧,从软件仓库结构化数据集中抽取出完整无冗余的关联数据;并采用同义词、动宾短语和结构关系三个特征利用自然语言处理(NLP)技术和信息检索(IR)技术从软件仓库中发现潜在的关联数据。实验结果表明,所提出的方法能从分布式软件工程数据集中自动构建和融合生成软件工程本体,并有效地发现潜在的关联数据将其扩充到软件工程本体中;与Baseline、Phraing和O-CSTI三种方法相比,关联数据发现的召回率、精准率和F值都有显著提高。     

基于非结构化数据的本体学习研究

语义Web的创建需要一套共同的标准概念体系,即本体（Ontology）。而现在本体的构造手段仍然是以手工构造为主,效率和准确率都非常低,很容易导致知识获取的瓶颈。近年来,自动创建领域本体可以克服手工方法的不足,成为当前的研究热点之一;本体学习是自动或半自动构建本体的一系列方法和技术。提出了一种利用知网,基于非结构化数据的特定领域概念及其之间关系的提取算法,从军事领域选取4个种子概念：舰、导弹、机和炮,并通过实验测试了该算法。     

Distributed representation learning and intelligent retrieval of knowledge concepts for conceptual design

Data-driven conceptual design is rapidly emerging as a powerful approach to generate novel and meaningful ideas by leveraging external knowledge especially in the early design phase. Currently, most existing studies focus on the identification and exploration of design knowledge by either using common-sense or building specific-domain ontology databases and semantic networks. However, the overwhelming majority of engineering knowledge is published as highly unstructured and heterogeneous texts, which presents two main challenges for modern conceptual design: (a) how to capture the highly contextual and complex knowledge relationships, (b) how to efficiently retrieve of meaningful and valuable implicit knowledge associations. To this end, in this work, we propose a new data-driven conceptual design approach to represent and retrieve cross-domain knowledge concepts for enhancing design ideation. Specifically, this methodology is divided into three parts. Firstly, engineering design knowledge from the massive body of scientific literature is efficiently learned as information-dense word embeddings, which can encode complex and diverse engineering knowledge concepts into a common distributed vector space. Secondly, we develop a novel semantic association metric to effectively quantify the strength of both explicit and implicit knowledge associations, which further guides the construction of a novel large-scale design knowledge semantic network (DKSN). The resulting DKSN can structure cross-domain engineering knowledge concepts into a weighted directed graph with interconnected nodes. Thirdly, to automatically explore both explicit and implicit knowledge associations of design queries, we further establish an intelligent retrieval framework by applying pathfinding algorithms on the DKSN. Next, the validation results on three benchmarks MTURK-771, TTR and MDEH demonstrate that our constructed DKSN can represent and associate engineering knowledge concepts better than existing state-of-the-art semantic networks. Eventually, two case studies show the effectiveness and practicality of our proposed approach in the real-world engineering conceptual design.     

一种面向云制造的语义BOM知识集成框架

为克服传统BOM信息集成中存在语义知识集成的缺陷, 支持BOM知识在云制造企业间无缝传递、共享和重用, 提出一种面向云制造的语义BOM知识集成框架。该集成框架由语义BOM知识表示、知识映射、知识服务三个模块构成。知识表示模块融合本体论, 用owl DL进行语义BOM的形式化知识表示, 构建语义BOM知识本体模型; 知识映射模块基于语义BOM多视图映射方法, 形成云制造企业所需语义BOM视图; 知识服务模块以Web service为媒介, 将各语义BOM视图封装成知识服务, 通过服务注册、绑定、发现、组合等手段, 实现BOM知识的共享和重用。该框架能支持云制造企业按需在知识重用基础上快速重构BOM知识模型。