中文本体构建及可视化研究

本体是解决语义层次上web信息共享和交换的基础,随着本体研究的发展,中文本体应用需求不断扩大。对于本体工程的第一步——本体构建,现已出现很多本体构建工具,如：Protege-2000、WebODE、OilEd、OntoEdit以及KAON等。然而,却缺乏一款功能完整的中文本体构建工具。文中对现有本体构建工具进行了比较分析,并对Protege的中文本体构建能力进行评估,深入探讨了其构建中文本体过程中遇到的可视化问题,提出了可行性解决方案。全面讨论了中文本体构建工具现存的问题,指出了未来的研究方向。     

Agent驱动的中文本体智能构建研究

中文本体的智能构建是当前的研究热点。在中文本体特点的基础上,引入Agent技术,利用其灵活性、自治性等特点,提出了一个基于Agent的中文本体智能构建模型。该模型分为数据抽取层、本体创建层和本体处理层。每一层中由不同的职能Agent完成本体构建的任务。进而提出了术语抽取和关系抽取改进策略,提高本体构建的准确性。     

面向语义网的中文本体应用研究

自从Protege出现以来,它成为唯一一款支持中文本体构建的工具,而且能够进行可视化操作。目前在部分领域已经构建了中文本体,但是对所构建本体在语义网中的应用缺乏研究。因为本体的应用主要依赖于推理工具,而国内尚无一款专业的基于中文本体的推理机或者推理工具,这阻碍了基于中文本体信息检索的发展。针对中文本体的应用,深入研究了本体在信息检索领域应用的现有技术、方法、工具。文中通过使用Jena开发包对中文本体的应用进行实验,实验表明,利用现有的推理工具等可以实现中文本体在语义网中的应用。     

社会危机领域成因体系本体模型构建可视化研究

社会危机领域成因体系的构建可以方便实现源头治理,对各类社会矛盾早发现、早化解,早处置。本文考察当前社会危机实际,试图提出一种结合本体论实现社会危机成因体系信息管理的方法,探讨了本体构建的方法、技术和工具,着重研究了基于本体论方法的社会危机成因体系信息本体的设计和构建,并实现了可视化展示,为后续用本体方式实现社会危机领域文本自动发现进而实现预警做好准备。     

本体构建研究综述

本体是目前信息处理领域研究热点.通过对本体构建方法和工具的综述,对其研究中的关键问题进行了讨论,并在此基础上分析比较了各种本体构建方法和工具,最后,对研究现状中存在的瓶颈问题进行了总结,并提出了未来的研究方向.     

本体构建研究

信息化的发展,促使社会各领域信息飞速膨胀,形成"信息海洋",本体准确地描述概念含义及概念之间的内在关联,可有效解决语义异构问题,可为人们快捷地提供有用信息。本文介绍了本体构建的准则、方法、语言与工具,并进一步提出了一种构建本体的方法,为解决语义异构提供了一种解决途径。     

基于本体的关联知识可视化检索模型

本体作为共享概念体系的形式化描述,在知识检索方面可解决海量知识利用问题.为此,在已有研究成果的基础上,提出一种基于本体的关联知识可视化检索模型.该模型从实用角度出发,关注知识源之间的关联性和知识检索的用户体验,改进传统的本体构建及维护方法,提出新的知识检索方法.应用实例结果表明,该模型能够提升用户获取知识的效率和质量.     

中文领域知识半自动化OWL本体构建方法研究

传统中文领域本体构建多采用手工构建的方法,这种方法费时费力且重用率不高。针对这种情况,提出一种把中文领域知识文档半自动化地转化为OWL(Web Ontology Language)本体的方法。该方法以武器装备领域为例,先使用分词工具ICTCLAS5.0对中文文档进行分词等预处理,然后使用TF-IDF算法、基于模板匹配算法挖掘领域核心概念、聚类概念等级关系,再使用Jena将聚类后的三元组文档形式化为OWL本体,最后使用Protégé工具对OWL本体进行可视化管理。实验结果表明,该方法可以有效地节省中文本体构建的时间和人力成本,为全面解决中文领域本体的自动化构建提供了一个新的思路和尝试。     

课程本体自动构建技术研究

课程本体是课程知识组织的一种重要技术,在智能学习系统中得到广泛应用。针对人工建立课程本体依赖专家经验和效率较低等问题,提出课程本体自动构建技术。该技术以丰富的Web课程资源为数据源,集成网络爬虫、中文分词和关联规则挖掘等技术,实现课程本体自动构建。实验结果表明,该技术建立的课程本体不仅具有较好的质量,而且执行效率较高。     

新闻社区领域本体构建研究

针对新闻社区领域知识的特点,以新闻社区领域知识的网络应用为目的,根据新闻社区领域本体总体构建流程,采用半自动化构建本体的方法,以通用本体WordNet及ODP开放式目录中不同层次的新闻主题分类为基础,按照媒体流程展开本体概念结构,构建了面向新闻网站应用的新闻社区领域顶层和中层本体模型。利用本体构建工具Protégé4.1开发了新闻社区领域本体。     

中文本体映射研究与实现

本体间的异构是语义网建设亟待解决的问题,本体映射则是解决本体异构的有效手段。中文资源是信息网络的重要组成部分,实现中文本体间以及中文与其他本体的映射是实现知识共享重用的一个重要组成部分。本文从元素层的角度对中文本体映射进行了研究,提出利用知网,结合多种技术计算词汇相似度,利用词汇的相似度计算概念匹配的可信度,实现元素层本体映射的算法,并根据此算法实现了ELOMC(Element Level Ontology Matching for Chinese)系统。     

语义虚拟环境本体可视化模型的研究

当前信息可视化所面临的一个瓶颈就是,需要一种模型来把场景图形内容和特定领域的语义信息进行有效集成,使用户可以有效地解释个性化可视化信息。基于X3D标准以及本体用本体描述语言OWL描述X3D标准,构建了一个X3D标准本体和一个映射本体来实现X3D标准本体和其他具体领域本体之间类和属性的映射,以达到丰富虚拟场景语义的目的。基于X3D标准本体和映射本体设计了语义虚拟环境本体可视化模型,从而为具体领域本体实现可视化提供了一种方法。实验结果证明了该模型的可行性。     

构建XML本体信息研究

文中在简要介绍语义网概念的前提下,针对语义网模型中定义语义的RDFS层和本体层进行研究.在介绍RDF和RDFS的基本特性和一般形式的基础上,重点研究使用OWL构建XML本体信息的方法,并分析这些方法各自的特点和优势,文章将RDFS和OWL进行比较,阐明了它们之间的相互关系.所进行的研究能够对语义网络的本体构建的发展具有一定的促进作用.     

构建XML本体信息研究

文中在简要介绍语义网概念的前提下,针对语义网模型中定义语义的RDFS层和本体层进行研究。在介绍RDF和RDFS的基本特性和一般形式的基础上,重点研究使用OWL构建XML本体信息的方法,并分析这些方法各自的特点和优势,文章将RDFS和OWL进行比较,阐明了它们之间的相互关系。所进行的研究能够对语义网络的本体构建的发展具有一定的促进作用。     

中文新闻事件本体建模与自动扩充

针对中文新闻事件的语义层次自动理解问题,给出了新闻事件的定义,构造了一种基于本体的新闻事件模型NOEM。NOEM利用事件的类型、时间、空间、结构、因果、媒体六个方面特征描述新闻事件的5W1H(Who,What,Whom,When,WhereandHow)语义要素。将抽取的关键事件语义要素自动扩充到本体中后,可构成事件知识库支持事件语义层次的应用。与现有事件模型的比较以及实际应用结果显示,NOEM能够有效描述单个新闻文档中的关键事件、语义要素以及它们之间的关联,具有很强的形式化知识表达、应用集成和扩展能力。     

基于多策略本体构建方法研究

针对手工构建本体工作量大、效率低以及更新维护困难等问题,文章提出了一种中文环境下多策略本体学习方法。使用统计分析和语义关联抽取术语,并利用构词模式发现分类关系,针对不同类型的非分类关系,分别采用句法模式、统计方法和基于规则方法,从而解决了现有本体学习方法对词典依赖性、处理中文效果差等问题。实验结果表明,该方法有较好地有效性和稳定性。     

《资治通鉴》历史领域本体构建及其应用研究

该文分析了目前领域本体构建过程中存在的一些问题,特别是“实例”在本体框架中的定位问题。在此基础上提出了《资治通鉴》历史领域本体工程和与之相适应的领域本体构建方法,即采用模式驱动的方式,自底向上构建领域本体,并用此方法实现了工程的先秦部分——先秦史本体。最后从SPARQL语言的本体查询和TouchGraph可视化两方面的应用评价了这个本体。     

社会网络信息的本体论建模与可视化

本体论是共享概念模型的明确的形式化规范说明,基于本体论对社会网络信息建模能够提供客观存在的本质认识,发挥本体论在信息表示与组织上的优势.提出一种针对社会网络信息的领域本体模型,将社会网络信息领域的客观存在抽象为3个主要本体:行动者、关系网络和群组,能够方便地定义各种社会网络分析与可视化方法,为社会网络信息可视化应用提供支持.着眼于社会网络结构分析中的需求,在上述模型框架下提出了基于规则对等组的群组分析方法和基于群组、角色分析的力导引布点算法.最后结合恐怖活动信息可视化实例,阐述了文中提出的领域模型与可视化方法的应用.     

基于HowNet的中文本体学习方法研究

目前针对国内在中文环境下本体学习的研究才刚刚起步的现状,对本体学习和HowNet进行了简单介绍,提出了基于HowNet的中文本体学习的主要思路.当前,本体学习的研究重点在于概念及概念间关系抽取.采用文本语料作为输入,首先对文本进行预处理,然后基于HowNet生成了一个领域语义词典,在本体学习中加入领域核心概念本体,在概念关系抽取阶段,采用基于HowNet的语义相似度计算方法.实验证明,提出的本体学习方法能够有效改进概念和概念间关系抽取的准确度.