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,手工设置映射关系不仅消耗时间而且不准确,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发现策略,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,从而提高映射发现的查全率和准确率;同时利用本体中丰富的语义知识去筛选候选数据,从而降低映射方法的算法复杂度.实验证明该方法是有效的.     

面向不同结构化程度数据源的本体学习方法研究

本体研究已成为计算机领域的一个研究热点,而本体学习又是本体研究的热点问题之一。文章根据数据源的结构化程度,将数据源分为结构化、非结构化和半结构化数据源,分别研究了如何从这三种不同程度结构化的数据源中学习本体,探讨了后续研究工作的本体学习方法以及研究目标,并论述了目前研究存在的不足及对未来的展望。     

基于领域本体的e-Learning学习资源管理系统的设计

针对e-Learning中实现学习资源智能发现和整合的要求，设计了基于领域本体技术的学习资源管理系统。通过建立具体课程领域的本体，为课程构造了清晰的知识体系结构，方便了学习资源的组织和发现。大大提高了学习资源的重复利用率．     

基于本体的学前教育资源建模研究

由于传统web资源存在着先天的局限性,网络中的资源描述缺乏语义信息,往往很难进行语义层面上的推理和检索。本体是共享概念模型的明确的形式化的规范说明,通过概念之间的关系来描述概念的语义。本文通过将本体构建技术应用于学前教育学科资源的构建中,构建的学前教育学科实验本体,初步实现了对该实验本体的查询和推理。     

基于知识点本体的学习资源框架设计

针对目前语义缺失,缺少可重用性、互操作性、共享性的学习资源现状,提出将知识点本体引入学习资源库功能模型的构建和学习知识的表达,模型中采用KDD技术对领域学科知识点的内在联系及层次关系进行分析和研究．并构建领域知识点本体模型,为学习资源适应个性化学习提供语义基础,实现资源的共享和重用。     

化工企业DEVS仿真本体建模研究

化工过程运营与操作优化需要建模与仿真支持,传统仿真建模方法,无论机理建模或数据驱动建模,往往依赖建模者的经验知识和特定的仿真平台,模型的通用性和可扩展性差。本文结合本体技术和DEVS仿真建模理论,提出了一种基于本体映射的DEVS仿真建模方法。首先借助protege软件将化工生产过程知识抽象成领域本体,并构建DEVS模型本体作为模型范式结构用于存储模型知识;然后设计了基于SPARQL的本体映射方法,从节点、端口、连接三个角度出发实现领域本体到DEVS模型本体的映射,实现了知识的迁移;最后运用本体翻译技术将模型本体翻译到具体平台如C＋＋和java。文章通过化工生产仿真案例验证了该方法的可行性。     

本体复合映射研究

已有的本体复合映射算法中,绝大部分都只能发现基于字符串比较的简单类型的复合映射,查准率和查全率不高。提出一种基于结点间包含关系和等价关系发现复合映射的方法。实验证明,该方法可以发现本体中包含的绝大部分复合映射,较之现有的复合映射发现算法在查准率和查全率方面有了很大改进。     

领域本体学习资源分配模型设计

领域本体是某领域中信息语义的基本单位,是对领域信息资源进行分类与描述的概念化体系,通过领域本体所定义的严格语义内涵和概念之间的相互关系,可以建立起信息资源在本体层的映射关系。本文介绍了通过引入领域本体,构建智能授导系统中的学习者和学习资源相关本体模型,同时对学习资源进行语义描述,主要针对资源的组成部分的显示形式和操作进行描述。     

本体映射技术研究

本体映射是为了解决异构本体之间的互操作,从而实现更好的知识共享和重用,是语义Web发展的关键。本文系统阐述了本体映射定义和意义,对映射方法进行了分类,从理论上和实验上分析对比现有著名映射工具的优缺点,希望能对以后他人的研究提供一些帮助。     

农业本体及本体学习研究

目前国际上关于本体学习的研究非常活跃.利用本体学习技术来实现本体的半自动或自动构建就成为克服手工构建本体的困难和大规模开发本体的有效途经.介绍了本体理论和本体学习,综述了国内外农业本体的研究现状,特别介绍了农业本体学习的过程,给出了农业本体学习的关键理论和技术,采用基于统计、隐含语义检索和关联规则的算法提取概念;采用模式匹配和聚类算法提取概念问关系,列举了目前常用的本体学习工具,分析了本体学习结果的评价方法.     

基于本体的知识资源模糊聚类分析*

针对知识资源分块的边界模糊性的特点,以知识资源的本体表示为基础,应用基于本体的知识资源模糊聚类方法,通过分解知识本体,计算概念、属性、关系、结构等知识构成元素的空间向量,结合WordNet的词汇映射关系,使用知识本体间的语义距离表示知识资源间的模糊相似度,来实现知识本体的模糊聚类。最后举出实例来描述本文应用的方法,说明模糊聚类方法可以较好地分类知识资源。     

迭代拉普拉斯半监督学习本体算法

本体相似度计算和本体映射是知识表示和信息处理的核心研究内容。利用迭代拉普拉斯半监督学习方法将本体图中每个顶点映射成一个实数,通过比较顶点对应实数间的差值得到本体相似度计算算法和本体映射策略。通过两个实验表明,该方法对特定的应用领域是有效的。     

基于领域本体的学习资源语义检索模型*

为解决e-learning领域内学习资源的有效检索,提出了一个基于领域本体的e-learning学习资源语义检索模型。用Protégé构建了教育技术领域本体,通过对检索方法的研究分析和算法实现,开发了基于本体语义检索原型系统;并由对比全文检索和基于本体的语义检索两种方法的查准率,证明了基于本体的语义检索方式,在一定程度上能解决目前传统检索中存在的不足。     

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。     

实例驱动的自适应本体学习

针对知识管理中本体构建存在的问题,将聚类算法与ODP（Open Directory Project）目录有机结合,给出了一种基于知识资源元数据的自适应本体学习方法。根据元数据对文档进行聚类形成本体概念,将生成的概念分别映射到ODP中确定概念间的层次关系,生成初始本体;根据内聚性和相关性的变化进行自适应本体学习,实现本体更新和概念丰富,以及时跟踪知识的变化。提出的自适应本体学习方法能够很好地反映研究领域的演变过程和发展趋势,满足知识型组织进行知识管理和研究人员共享知识的需求。实验结果表明了方法的有效性。     

A hierarchical ontology context model for work-based learning

Context modelling involves a) characterizing a situation with related information, and b) dealing and storing the information in a computer-understandable form. It is the keystone to enable a system to possess the perception capacity and adapt its functionality properly for different situations. However, a context model focusing on the characteristics of work-based learning is not well studied by pioneering researchers. For addressing this issue, in this work we firstly analyze several existing context models to identify the essentials of context modelling, whereby a hierarchical ontology context model is proposed to characterize work-based learning. Subsequently, we present the application of the proposed model in work-based learning scenario to provide adapted learning supports to professionals. Hence, this work has significance in both theory and practice.     

基于事件本体的突发事件领域知识建模

基于本体的知识建模方法有很多,在某些特定领域采用传统的本体建模方法存在着一些不足。以突发事件领域为例,提出了基于事件本体的知识建模方法。该模型分为上层事件类、下层事件类和事件实例,上层事件类描述的抽象的事件的分类体系,下层事件类是通过事件类关系组成的事件格结构。该模型不仅可以描述事件的时间、地点、对象等要素,还能描述事件类之间的关系。采用本体建模工具Protégé来构建突发事件领域本体,并以“恐怖袭击”作为实例验证了该模型的可用性。研究结果表明,该模型可以清晰地描述事件类的完整性,语义清晰,扩展性强。     

面向智能搜索引擎的本体学习研究*

智能搜索引擎是解决当前网络信息检索中存在诸多瓶颈问题的有效途径。智能搜索引擎需要获取、预处理、表示和集成不同层次的(如HTML/XML/RDF/OWL文档)的数据和信息,并最终转换成各领域的智能语义信息。领域本体是实行智能的关键。提出了一种实现从Web文档中(半)自动构建本体的学习系统框架,并讨论本体学习中概念的获取、相互关系的获取等关键问题。     

语义Web中的本体匹配研究

随着本体应用的快速发展,本体数量大幅增长,这些本体描述的内容存在重复和关联,但在本体模式上却表现各异。本体匹配旨在识别异构本体中存在语义关联的实体,并建立它们之间匹配关系。它对于消除本体异构、实现本体集成和数据融合等具有重要作用。形式化定义了语义Web中的本体匹配问题,并从本体匹配方法、本体匹配挑战和本体匹配原型系统3个方面调研了最新研究进展,旨在为进一步研究指明方向。