一种基于上下文窗口的本体演化方法

传统本体演化方法都是顺序地处理多个本体演化需求,其中关于演化代价的影响因素不明确。针对该问题,分析影响演化代价的因素,提出一种基于上下文窗口的本体演化方法,将演化过程转变为图的启发式搜索过程,结合窗口内信息,从局部范围内全局地选择演化路径。实验结果表明,与传统方法相比,该方法能够进一步降低演化代价。     

数据挖掘方法本体研究

数据挖掘是包含多个阶段的知识发现过程。一个简单、但典型的数据挖掘过程可能包括数据预处理阶段,数据挖掘算法的应用阶段,以及对挖掘结果的可视化处理阶段。在每个阶段,都会有多个算法或方法供数据挖掘工作者选择,但仅有一些算法和方法组合是有效的。即使是数据挖掘领域的专家,也可能会忽略一些重要的、有助于知识发现的数据挖掘算法或方法。本文中,我们将讨论使用本体的方法来协助数据挖掘工作者在实施数据挖掘过程中对众多可供选择的算法和方法进行选择。     

本体驱动的知晓内容和上下文的知识路由研究

语义Web提供了实现对Web异构信息源智能访问和处理的平台。然而在语义Web上分布着海量知识,如何在这些海量知识中按照用户的需求快速准确的定位目标知识已成为语义Web迫切需要解决的问题。针对此问题,文章提出了一种知晓内容和上下文的语义Web知识路由机制。该机制采用基于本体和概念格的推理技术,通过捕捉用户需求内容和上下文等语义信息,能够快速准确地实现目标知识与服务的发现、定位、访问以及初步评估。     

基于本体的数据挖掘方法研究

.数据挖掘是信息技术自然演化的结果,使用数据挖掘工具进行数据分析可以方便的获得重要的知识并应用于决策,提出一种基于本体的数据挖掘算法,讨论使用本体的方法来协助数据挖掘.     

一种基于上下文的语义映射方法

提出了一种基于上下文的语义映射方法SM-Context (semantic mapping based on context).SM-Context首先为本体模型中的概念找出表示其语义信息的上下文,然后采用谓词逻辑的形式表示概念的上下文,最后将本体映射问题转换成命题可满足性问题(SAT),并通过推理方式建立本体之间的语义映射关系.为了验证所提方法在处理本体映射问题时的可行性与有效性,采用OAEI所提供的共享数据集来测试SM-Context.实验结果表明,SM-Context可以有效地利用概念的上下文为本体之间建立语义映射关系.     

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。     

一个基于本体的动态上下文模型

上下文建模是开发上下文感知系统的核心任务,它是应用理解和使用上下文的关键。按照生命周期的长短,上下文可以分为持久上下文和动态上下文,而后者可以进一步分为状态上下文和转换上下文。许多研究者在持久上下文和状态上下文建模方面做了大量的工作,但涉及到转换上下文的工作却很少。因此提出了一个采用OWL语言描述的基于本体的形式化的动态上下文模型,以及一个上下文融合和消费机制的实现。同时,为应用提供了一些编程原则并以一个自动门禁系统的演示说明了系统如何从这个模型中受益。     

基于上下文表示的知识追踪方法

知识追踪是教育数据挖掘领域中一个十分重要的问题,旨在利用可观测到的学生历史交互数据和习题包含的知识点相关信息来推断学生对知识点的掌握情况。已有方法虽在不同程度上取得了一些进展,但大多忽略了使用知识点表示习题的重要性,并且对使用诸如学习因素之类的上下文表示知识点的研究也不够充分。针对上述问题,提出基于上下文表示的知识追踪方法KTCR。首先,综合考虑影响学生学习过程的因素,并基于学生响应数据设计了知识点上下文表示方法,从而基于Q矩阵表示知识点上下文;其次,为了实现习题向量的降维,利用融合上下文信息的知识点和学生响应数据对习题向量进行重表示;最后,结合学生历史交互数据,使用长短期记忆网络对学生的知识状态进行估计。在4个真实数据集上的实验表明了本文方法对于习题嵌入表示的合理性,并且能够有效地估计学生的知识状态。     

基于本体和语义文法的上下文相关问答

在问答系统中,用户的提问通常不是孤立的,而是使用连续的多个相关的问题来获取信息,用户在与这样的系统进行交互时,才会感觉更自然。在已构建的非上下文相关问答系统的基础上,该文提出了一种可以处理上下文相关问题的方法并开发了系统OSG-IQAs。方法首先识别当前问题是否是一个从问题(follow-up),并判别其与前面问题的具体的相关类别,然后根据相关类别,利用话语结构中的信息对当前的follow-up问题进行重构,并提交到非上下文相关问答系统中。最后,将方法在两个不同规模的领域进行测试,并与相关系统或方法进行比较,测试结果表明,该方法具有较好的可扩展性。在总体测试中,该方法比基线系统获得了更好地效果,同时利用手工将所有上下文相关问题进行上下文消解,系统与此也进行了比较,并获得了相近的性能。     

基于本体的数据挖掘方法

数据挖掘是一个人机交互的过程,领域知识对数据挖掘起着重要作用,提出一种基于本体的数据挖掘算法,使领域知识和数据库无链连接,该算法能更有效地发现有意义的多层次规则。     

基于PMML标准的数据挖掘本体构建

针对实际问题选择数据挖掘方法是一个困难的工作,使用本体对数据挖掘方法进行建模并为用户推荐适合的方法是一个可行的解决方案。PMML是一种应用广泛的数据挖掘国际标准,提出了一种基于PMML标准构建数据挖掘本体的方法并用Protégé构建了一个本体,为利用本体推理为用户推荐挖掘算法奠定了基础。     

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。     

网格数据挖掘本体的建模

网格技术的发展使网格数据挖掘成为处理分布异构海量数据的重要手段。该文将本体引入到网格数据挖掘中。讨论了网格数据挖掘本体的结构,并提出了网格数据挖掘本体的建立过程,最后讨论了网格数据挖掘本体实现。     

网格数据挖掘本体的建模

网格技术的发展使网格数据挖掘成为处理分布异构海量数据的重要手段。该文将本体引入到网格数据挖掘中,讨论了网格数据挖掘本体的结构,并提出了网格数据挖掘本体的建立过程,最后讨论了网格数据挖掘本体实现。     

基于知识网格的分布式数据挖掘

科学和工商业应用需要分析分布在各异构站点的海量数据。这就需要合适的分布式并行系统来存储和管理数据。网格为分布式数据挖掘和知识发现提供了有效的计算支持。文中在讨论知识网格体系结构的基础上,利用可视化网格应用环境VEGA实现了基于网格的分布式数据挖掘过程。     

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)。     

一种基于Ontology的数据集成系统

针对异构数据源中实现基于语义的数据集成的需求,采用分层思想,在用户层与实际数据层之间增加一个中间层来屏蔽底层数据的异构,用本体作为公共语义描述工具,建立本体到各数据源的映射规则,设计实现了将基于本体的全局查询转化为基于各数据源的局部查询系统,解决了数据源之间的语义异构问题,其中用OWL表示本体和映射,并研究了系统中的关键技术。     

基于开放网络知识的信息检索与数据挖掘

网络大数据是指“人、机、物”三元世界在网络空间(cyberspace)中交互、融合所产生并在互联网上可获得的大数据.这些数据具有多源异构、交互性、时效性、社会性、突发性和高噪声等特点,不但非结构化数据多,而且数据的实时性强.网络大数据背后蕴含着丰富的、复杂关联的知识.建立面向开放网络的知识库是获取网络大数据中的丰富知识的有效手段.对当前国内外主要的开放网络库进行了比较,分析了相应的构建方法、多源知识的融合以及知识库的更新等关键技术.进一步从用户意图理解、查询扩展、语义问答、线索挖据、关系推理以及关系和属性预测等方面出发,总结了基于开放网络知识库的信息检索、数据挖掘与系统应用的研究现状和主要问题.最后,对开放网络知识库的发展趋势和面临的主要挑战进行了展望.