IT课程目标Ontology及其语义Web应用

基于Ontology开发网络学习服务平台是网络教育应用的一个重要课题.基于基本概念、角色概念构建Ontology使表达语义更加精确.基于角色概念的Ontology元模型,构建了IT课程目标Ontology,实现了其语义Web应用.实验表明,基于角色概念构建的Ontology语义精度明显提高,以此为基础的网络学习服务平台能够较好地满足个性化学习的需求.     

Ontology领域概念化模型的研究

语义网是当前Web的扩展,是WWW发展的核心技术之一。为了实现语义网,需要有丰富的且及时更新的本体。本体作为语义网的知识表示模型很好地解决了语义层次上Web信息共享和交换的问题。而本体的构建及其形式表示方法,是建立语义web的基础和核心。论文从Ontology的基本理论出发,基于基本概念、角色和关系,探讨了Ontology领域概念化模型的建立。     

探讨Ontology的信息检索策略

针对现有的基于关键字的传统检索方式存在着检索精度不高的问题,提出了将Ontology融合到信息检索技术中的思想,利用领域Ontology里的概念、关系,建立了基于Ontology的海洋文献检索模型,并通过PaperSearch检索系统验证了策略的优势。     

基于扩展序类逻辑的Ontology形式化描述与模型检验

本体一直是哲学中的词汇,后来随着计算机语义网络的发展,引入语义web领域,用来表示概念以及概念和概念之间的关系.用逻辑来形式化Ontology,并对形式化后的Ontology进行检验和推理一直是Ontology研究的热点和难点.参考描述逻辑描述本体的方法,提出了以扩展序类逻辑来描述本体,并对描述后的本体进行检验.     

本体校正的半自动处理过程

创建本体间的映射是个单调冗烦的工作过程,特别是当各本体非常庞大时。从Ontol-ogy的基本理论出发,基于基本概念、角色和关系,探讨了Ontology开发中的各个要素,然后介绍了一种半自动校正处理过程,该过程是在本体校正框架的基础上实现的。由即将被校正的两个本体组成输入处理过程,而输出处理过程则是本体间实体的通信集合。     

Ontology的实质是“本体论模型”

为了不改变语义性质和不造成概念冲突,Ontology不能汉译为“本体”。Ontology的“本体论”译名也不利于其在计算机工程领域中的实际应用。Ontology术语是作为本体论思维方式从哲学领域借用的。Ontology就是信息产品背后的、决定其性质的“概念系统”,将其理解为“本体论模型”不仅有方法论依据、语言学依据、模型方法依据,而且与Ontology的Gruber定义相一致。本体论模型是与数学模型、物理学模型并列的研究方法。     

Ontology自动构建平台OntoAGS

设计并实现了一个Ontology自动构建平台OntoAGS。OntoAGS支持从给定的领域文集中抽取术语，并用领域无关文集过滤术语；支持概念学习，确定术语在其所属领域内的意义；支持实例学习，发现概念的实例；支持关系学习，找到概念间的关系。实验表明，与TextToOnto相比，用户运用OntoAGS能更准确有效地构建领域Ontology。     

基于Ontology的汉语时间语义分析

介绍了Ontology的基本概念及结构，提出了一个基于Ontology的汉语时间语义分析的基本模型，并介绍了Ontology在模型中的作用及其与词典相结合后，提取文本中的时间短语并进行分析的方法。     

面向语义集成--本体在Web信息集成中的研究进展

本体（Ontology）是描述概念及概念之间关系的概念模型，通过概念之间的关系来描述概念的语义，作为一种有效表现概念层次结构和语义的模型，本体在Web信息集成中得到广泛的应用，文中就目前本体在Web信息集成中的应用做了分析与探讨，以期对相关领域的同行有参考作用。     

基于Ontology的Web信息检索系统研究

传统的信息检索技术以关键字匹配为主,缺乏语义推理能力,对用户的查询请求没有提供语义制导,因此造成信息的误检、漏检.将Ontology用于Web信息检索,分析了Ontology的语义表达能力,提出了基于Ontology的信息检索系统模型(MIRSO).MIRSO能够对用户提供语义制导,将用户的查询条件映射为领域Ontology的概念和关系,使用户的需求表达和信息内容精确匹配.实验结果表明,该方法能够提高信息检索系统的查准率.     

粗糙本体构建的格-树转化方法

粗糙本体是处理不精确性信息的一种基础性工具,其存在形式是由粗糙概念和粗糙关系构成的树形结构。粗糙本体的具体形式因为参与构建的领域专家的不同而呈现多样性,然而同样也是由粗糙概念和粗糙关系构成的粗糙概念格却具有结构上的惟一性。粗糙本体的构建因而可以利用格和树的组成与结构的相似性,构建粗糙概念格,转化生成粗糙本体。探讨了格-树转化方法的实现步骤：构建粗糙概念格;聚类粗糙概念格中的粗糙概念生成粗糙概念树;转化粗糙概念树为粗糙本体。构建实例阐释了格-树转换方法的具体应用。     

Automated ontology construction for unstructured text documents

Ontology is playing an increasingly important role in knowledge management and the Semantic Web. This study presents a novel episode-based ontology construction mechanism to extract domain ontology from unstructured text documents. Additionally, fuzzy numbers for conceptual similarity computing are presented for concept clustering and taxonomic relation definitions. Moreover, concept attributes and operations can be extracted from episodes to construct a domain ontology, while non-taxonomic relations can be generated from episodes. The fuzzy inference mechanism is also applied to obtain new instances for ontology learning. Experimental results show that the proposed approach can effectively construct a Chinese domain ontology from unstructured text documents.     

基于LDA的领域本体概念获取方法研究

针对民航突发事件应急管理领域本体的自动更新问题,提出了基于LDA的领域本体概念获取方法。以文本信息作为数据源,采用NLPIR自适应分词与过滤方法获取候选术语集,设计了领域本体的LDA主题模型,通过吉布斯采样进行LDA模型训练与主题推断,实现了领域本体核心概念的相关术语提取;基于LDA主题概率分布研究了语义关系识别规则的构建方法,给出了概念及其相关术语语义关系的识别与实现过程。实验效果表明,该方法可以有效解决大规模领域本体概念的自动更新问题,为大数据环境下民航突发事件跨媒体信息的共享与推理提供了良好的数据支持。     

基于领域本体的语义标注方法研究

介绍了语义Web.本体以及语义标注的基本概念,对语义标注方法以及现有技术工具进行了简单地说明和分析,提出了一种基于领域本体的语义标注方法,并结合石油产品领域的本体对该方法进行了实例说明.该方法通过分析文档的特征词汇,使用基于领域本体的空间向量模型方法建立词汇与本体概念之间的映射.采用这种方法对文档进行语义标注后,可以把文档隐含的语义信息显式的表现出来,这样数据库内部文档之间就具有了语义关联关系,为检索的智能推理提供基础.     

基于Web信息使用改进的无监督关系抽取方法构建交通本体

领域本体是对领域概念及其关系的一种高效合理的展现形式.在构建领域本体过程中,常常遇到的问题就是尽管本体概念完备但概念间关系复杂多样导致人工标记关系代价过高.使用无监督学习的关系抽取算法对包含丰富的领域概念的web信息进行抽取解决了这一问题.然而,传统的无监督学习的算法没有考虑到"单样例多概念对"的问题,导致最终抽取的概念关系不完整.本文利用交通领域的Web信息构建本体,将样例概念关系对权重引入传统的无监督学习方法Kmeans中,解决了此项问题并通过实验证明该算法取得了良好的效果.     

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。     

基于上下文的领域本体概念和关系的提取*

目前本体学习的研究重点在于概念及关系的提取,概念提取领域一致度与领域相关度相结合的方法取得了比较好的效果,而关系提取则主要采用基于关联规则的方法。这种本体概念、关系学习方法由于只考虑词频,提取结果准确性欠缺。针对这种缺陷,在统计的基础上考虑了语义因素,利用词汇上下文计算概念的语义相似度并将其应用到概念与关系提取中。实验结果表明,词汇上下文与传统统计相结合的方法能够有效改进概念和关系提取的准确度。     

基于领域本体的数据--知识转换模型研究

在分析数据——知识转换机制的基础上,引入本体的概念,根据本体的分类,基于领域本体提出了数据——知识转换模型。结合领域本体的定义,对数据——知识转换模型从领域知识基本描述、概念集合和关系集合三个角度加以分析,实现了相关的子模型,从而得出了完整的数据——知识转换模型,并基于该模型给出了具体的数据——知识转换文本(片断)。     

基于知识管理的本体自动构建算法研究

语义网的研究中基于领域本体的构建研究方法基本上还处于手工阶段,如何在本体的设计中实现自动构建仍然是目前需要解决的问题,而采用基于图的构建原理,应用MCL聚类的本体自动构建算法进行概念提取和关系运算。将领域文本文档映射为文档概念图,在关系运算中采用基于频繁信息子图的gSpan算法任意关系提取算法,得到基于OWL-DL描述的领域本体,并通过评价反馈机制进行闭环校正是研究的核心思想。