基于CRLE的元数据存储

元数据的存储是实现元数据管理的前提。介绍了一个基于XML的本体描述语言CRLE,以该语言作为元数据的基准,分析了CRLE语言与DTD文法的对应关系,并构造了把CRLE语言定义下的本体概念转换为DTD文档的算法,通过元数据和DTD的结合,实现了元数据的XML文档存储。实验表明,该算法可以有效地解决元数据的DTD文档存储。     

基于XML的软件Agent间知识级通信语言

该文结合XML与CRLE、MRL,提出了一种新的基于XML的概念标记语言(CML)及消息标记语言(MML),这两者构成了软件Agent的知识级通信语言。     

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。     

基于本体的网络备课的构建与实现

设计实现了基于本体有网络学习资源服务系统中的备课系统,构建了普通高中信息技术课程目标本体,论述了操作本体实现备课的关键技术.基于本体的网络备课的构建与实现有效实现了知识的重用与共享,为网络学习资源服务系统的构建提供了重要支持.     

语义集成:本体映射方法研究

本体是客观世界知识的表现形式,随着语义Web研究的深入,研究者们构建了越来越多的本体,如何实现本体之间的知识共享和重用,成为了语义Web发展的关键。文中对本体映射的方法进行了研究,系统阐述了本体及本体映射的定义、本体映射中的相似度计算和本体映射框架等。如何减少本体映射中的人工干预,实现本体的半自动化或自动化映射将是该领域的发展方向。     

基于本体的信息集成框架及应用

本体映射是本体集成的一个关键环节。构建本体映射是分布式环境下实现不同本体之间共享和交流的基础性工作。本文首先通过举例分析了本体映射的概念,再从映射的构建思路和具体实现的角度对本体映射的方法进行了总结,最后分析了现在本体映射存在的问题和可能的研究前景。     

本体映射概念及方法的研究

本体映射是本体集成的一个关键环节.构建本体映射是分布式环境下实现不同本体之间共享和交流的基础性工作.本文首先通过举例分析了本体映射的概念,再从映射的构建思路和具体实现的角度对本体映射的方法进行了总结,最后分析了现在本体映射存在的问题和可能的研究前景.     

粗糙本体支持的信息语义检索

为了实现精确本体无法完成的信息的隐含语义挖掘,检索到满足用户请求的信息,引入粗糙本体实现对信息语义检索的支持。剖析了基于精确本体的信息语义检索的过程及其不足,引入了粗糙本体以扩展精确本体,阐述了粗糙本体支持的信息语义检索的理论模型、设计了语义相似度算法,给出了模型实现方法。实验结果表明,该检索方法较之精确本体支持的语义检索和基于关键词的语法检索具有更好的检索效果。     

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。     

基于互逆主义逻辑的二层本体

与经典逻辑相比,互逆主义逻辑取消了量词,较好的解决了表达力和可解性的矛盾,能够简洁的实现逻辑定理的推理.互逆主义逻辑将命题进行了分类,逻辑定理的表示和语义检索是从元知识的层面进行的,相时于目前本体的应用提高了一个层次.原来的本体应用称之为一层本体,基于互逆主义逻辑的本体称之为二层本体.二层本体的最大优点是能够实现逻辑定理的表示与查询,扩展了目前本体的功能.本文论述了二层本体的原理与实现.     

基于任务结构模型的多Agent产品并行开发体系

为了促进产品并行开发,文章提出了一种用于描述基于领域的任务分解、任务之间的约束关系及任务与产品信息之间对应关系的任务结构模型,设计了表示语言ＣＲＬＥ以定义领域共享本体论和任务结构模型。在此基础上构建了多Ａｇｅｎｔ产品并行开发体系,包括由多个协作Ａｇｅｎｔ和一个协作促进器组成的Ａｇｅｎｔ联邦、系统服务Ａｇｅｎｔ和领域服务Ａｇｅｎｔ,并提供了协调机制。     

利用概念属性的约束关系构建本体论概念层次

本体论概念层次构建是本体论工程的重要任务之一。通过分析本体论概念属性间的约束关系,借助于布尔方程衍生概念属性间的存在约束,提出了根据概念属性间存在约束关系构建本体论概念层次的方法,并在此基础上给出了本体论概念层次的维护算法。     

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。     

Ontology构建中概念与关系的获取与处理

有效构建一个Ontology,需要对领域中的概念及其关系有清楚的理解。如果不能很好地抽取领域概念,往往不能开发出结构组织良好的Ontology。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开发中的基本概念、角色概念、整体概念与部分概念等基本要素,并说明这些要素的处理,并为Ontology的开发提供了范例。     

基于树结构的本体概念相似度计算方法

随着本体在数据集成方面的广泛应用,面向本体的概念相似度计算成为人们关注的热点问题.针对当前领域本体概念相似度的计算过程都比较复杂的问题,提出一种基于树结构的本体概念相似度的计算方法.该方法通过添加和重组虚拟节点重构本体树,再通过属性比较映射对象,最后通过计算,得到本体概念的语义相似度结果.实验结果表明,该方法有效利用了本体概念的语义信息,得到了合理的计算结果,并简化了计算过程.     

Automatic fuzzy ontology generation for semantic Web

Ontology is an effective conceptualism commonly used for the semantic Web. Fuzzy logic can be incorporated to ontology to represent uncertainty information. Typically, fuzzy ontology is generated from a predefined concept hierarchy. However, to construct a concept hierarchy for a certain domain can be a difficult and tedious task. To tackle this problem, this paper proposes the FOGA (fuzzy ontology generation framework) for automatic generation of fuzzy ontology on uncertainty information. The FOGA framework comprises the following components: fuzzy formal concept analysis, concept hierarchy generation, and fuzzy ontology generation. We also discuss approximating reasoning for incremental enrichment of the ontology with new upcoming data. Finally, a fuzzy-based technique for integrating other attributes of database to the ontology is proposed.     

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NSGA-Ⅱ的大规模本体映射方法

现有的基于进化算法的本体映射技术在面对大规模本体映射问题时,由于搜索空间太大导致算法效率低下,从而使其无法有效地在实际中得到应用。针对这一问题,提出了基于快速非支配排序的多目标遗传算法(NSGA-Ⅱ)的大规模本体映射方法。该方法通过三个步骤来映射本体:1)通过基于邻居相似度的划分算法来将源本体划分为不相交的概念块;2)通过相关概念过滤方法来确定目标本体中同源本体概念块相关的概念块;3)使用NSGA-Ⅱ方法来完成概念块之间的映射并通过贪心算法集成最终的结果。使用OAEI 2012的小规模的书目本体测试数据集和大规模的生物医学本体测试数据集对所提出的方法进行测试。同OAEI 2012的参与者的比较结果表明,所基于NSGA-Ⅱ的大规模本体映射方法能够在较短的时间内获取较好的本体映射结果,因此该方法是有效的。