一种基因本体术语间的语义相似度计算方法

计算基因本体中的术语的语义相似度是基因本体的一个重要应用。基于信息量和基于距离的语义相似度计算方法都只从各自的角度计算术语间语义相似度。提出了基于基因本体中术语所在有向无环图的计算方法。该方法既考虑了术语的祖先对其的信息量的影响,又考虑了术语所在的位置以及术语间的语义联系类型。实验结果表明该方法有较高的准确度。     

计算术语间语义相似度的混合方法

提出一种基于有向无环图和内在信息量的计算语义相似度的方法。首先计算出两个术语基于所在有向无环图的子图,再分别计算两个子图的交集和并集。用内在信息量方法计算出两个子图的交集和并集包含的节点的内在信息量,再计算出交集的节点内在信息量之和以及并集的节点内在信息量之和,将两者的比值作为两个术语的语义相似度。实验结果表明,该方法具有较高的准确度。     

一种改进的本体概念语义相似度计算方法

本文分析了几种概念相似度的运算方法,对概念相似度计算模型进行了改进,该计算模型在计算初始主流概念相似度的基础上,不仅引入了深度、密度因子,还考虑了有向边类型权重因子在计算相似度中所起的作用,完善了计算方法。通过试验结果可以看出,该方法对概念相似度的计算更准确地体现出了概念间的相似程度。     

一种本体概念的语义相似度计算方法

概念语义相似度已广泛应用于 Web 服务发现、本体映射等领域, 但现有的概念语义相似度计算方法对概念间语义相似程度的区分不够细致. 本文从本体结构出发, 首先提出了自底向上的本体概念出现概率计算方法, 并在此基础上改进了基于节点信息量的概念语义相似性度量方法; 然后又设计了基于边计算的本体概念语义相似度计算方法; 最后对上述两种方法线性加权, 提出了一种加权的本体概念语义相似度计算方法. 实验结果表明该方法能进一步正确区分本体中父子概念及兄弟概念间的相似程度.     

一种改进的本体概念语义相似度计算方法

本文分析了几种概念相似度的运算方法,对概念相似度计算模型进行了改进,该计算模型在计算初始主流概念相似度的基础上,不仅引入了深度、密度因子,还考虑了有向边类型权重因子在计算相似度中所起的作用,完善了计算方法。通过试验结果可以看出,该方法对概念相似度的计算更准确地体现出了概念间的相似程度。     

一种综合的概念语义相似度计算方法

针对概念语义相似度计算的片面性和不完善性问题,该文提出了一种综合的概念语义相似度计算方法。首先,基于传统的语义距离模型,综合考虑了有向边的类型、深度、密度、方向等因素,计算概念相似度;然后,根据本体的五元组组成元素,分别计算概念相似度;最后,使用sigmoid阈值函数求得各个相似度对应的调节因子值,并进行综合,实现了调节因子与各个相似度的自适应。实验证明,该方法有效且精确。     

一种综合事件本体相似度计算方法

事件本体相比于传统本体具有更加丰富的语义信息,在面向事件的大数据集成中更具优势,然而用传统的本体相似计算方法计算事件本体相似度存在很多不足,提出了一种综合的事件本体相似度计算方法。该方法以词语相似度、集合相似度、层次结构相似计算为基础,然后从事件类名称、事件类要素、事件类层次结构和非层次结构讨论事件本体的相似度,最终获得事件本体的综合相似度。实验表明该方法相比传统本体相似度计算方法准确率更高,语义信息更加丰富。     

基于本体和相似图的概念语义相似度计算

概念语义相似度计算的研究是人工智能最基础和最重要的课题之一,借鉴现有的概念建模思想和工具,提出一种综合的计算形式概念分析中概念间语义相似度的算法.通过分析传统的计算方法,对存在的问题进行改进,结合领域本体和FCA的思想,通过相似图和候选属性对集合等定义计算FCA中概念间的语义相似度.应用实例的结果表明计算结果与人类的主观判断基本一致.文中的方法对概念间语义相似度计算是可行的,使用该方法可以获取在语义上和用户请求最接近的结果.     

改进的领域本体概念语义相似度计算方法

基于领域本体的树状层次结构,从路径距离、语义重合度、语义深度、语义密度和概念属性几个角度讨论并优化了领域本体概念语义相似度的计算方法。该方法在聚焦爬虫网页分析中的成功应用,充分验证了它对概念语义相似度进行量化的准确性。     

一种基于本体的概念语义相似度计算研究

概念的语义相似度研究,是知识表示以及信息检索领域中的一个重要内容.通过分析两种传统的语义相似度计算方法,对它们存在的问题进行改进,提出了一种综合的基于本体的概念语义相似度计算方法.该方法结合本体网络特征和语义距离计算中的多种语义影响因素,充分利用本体中概念的语义信息计算概念间的语义相似度.实验结果比较合理,验证了该方法的有效性.     

针对构件测试本体的语义相似度计算方法

为了提高构件测试信息的检索效率,针对现有本体语义相似度计算方法作用于构件测试本体时容易出现漏检的问题,提出一种结合本体概念和属性的综合语义相似度计算方法。该方法首先结合概念的结构、层次、子代节点个数和祖先节点个数等因素计算概念相似度;然后,结合属性的概念相似度和数据类型相似度计算属性相似度;最后,综合概念相似度和属性相似度计算本体的语义相似度。实验表明该方法可以有效应用于构件测试领域及其他领域的信息检索。     

面向本体的语义相似度计算及在检索中的应用

检索是获取信息的重要方式。传统检索只停留在关键字异同的逻辑层面,忽略了语义层面的信息。以本体的知识组织体系为基础,以检索应用为目标,提出面向本体的文档和查询的语义向量表示方法,进而建立面向本体的相似度计算方法,为语义检索创造条件,检索结果关注语义层面的匹配。并在理论的指导下,进行实验和分析。     

改进的本体语义相似度计算方法

概念的语义相似度研究,是知识表示以及信息检索领域中的一个重要内容。通过分析两种传统的语义相似度计算方法,对它们存在的问题进行改进,提出了一种综合的基于本体的概念语义相似度计算方法。该方法结合本体的DAG网状结构特征和语义距离计算中的多种语义影响因素,充分利用本体中概念的语义来计算概念间的语义相似度。实验结果比较合理,验证了该方法的有效性。     

Variable weight semantic graph‐based ontology mapping method

The mapping method that is based on the name and structure of the ontology elements is the strategy used in most mapping methods. Methods using the name often only use the similarity between the individual elements in the ontology to predict the semantic relations between two ontologies, while the latter measure the mapping between two ontologies by means of the structural relations between the elements. The effects of these two kinds of mapping strategies are not ideal. Addressing this issue, the work presented in this paper proposes an ontology mapping approach, in which the ontology element name and structure are combined. It uses the approaches based on linguistics and distance to generate a variable weight semantic graph. On this graph, the similarity of element names and structure are calculated through iterative computation. In the process of iteration, similarity result values are constantly adjusted. The approach avoids the problem of single methods that cannot use the entire amount of ontology information; therefore, it provides a more ideal mapping result. For making full use of the message of ontology, our implementation and experimental results are provided to demonstrate the effectiveness of the mapping approach.     

信息检索中语义相似度算法研究

为提高信息检索的查全率与查准率,提出一种改进的本体语义相似度计算方法。该方法在语义距离的计算中加入了深度、密度、类型三种权重因子,并且综合考虑语义重合度、概念的属性对相似度的影响。通过实验分析,该方法比传统计算方法更加准确、有效。     

语义相似度计算在语义标注中的应用

提出了一种词汇和本体概念间的语义相似度计算方法。该方法利用编辑距离和维基百科从语法和语义两方面综合考虑词汇和概念间的语义相似度。在领域本体的指导下,将方法应用于语义标注过程,建立词汇与本体概念之间的映射。在标注过程中建立知识库,提高算法性能,实验结果说明该方法是行之有效的。     

一种改进的本体相似度计算方法

本体映射的关键技术是本体相似度计算。本文基于已有的V-Doc(虚拟文档)技术提出一种新的NV-Doc本体相似度计算方法,其中不仅用到了本体中实体自身以及其第一层相邻节点的信息,而且还充分利用了第二层相邻节点的信息。     

一种基于WordNet的混合式语义相似度计算方法

语义相似度的计算是自然语言处理中的重要研究内容,在过去几十年的研究工作中,已有大量的语义相似度计算方法被提出并广泛应用于语义消歧、文本聚类等领域中。基于WordNet本体,改进了信息量IC计算模型,进而提出了两种混合式的语义相似度的计算方法。实验结果表明,由于同时考虑了概念节点在WordNet中的最短路径距离和IC语义距离,所提方法优于已有方法,其计算结果更加接近人类的主观判断。     

基于加权的本体相似度计算方法

为优化基于本体的语义推理效果,提出了对本体中概念结点赋予权重的相似度计算方法.通过定义本体树中深度因子和密度因子,以解决本体中概念深度与密度对相似度计算的影响.利用Jena API、Lucene等开源工具包,提出了查询扩展方法.实验结果表明,提出的基于加权语义相似度计算模型与传统的计算法方法以及主观判断的方法相比,提高了相似度计算的准确性,效率有明显提高.