基于粒度计算理论的知识融合模型研究

为了解决分布和多源知识的融合与创新问题,提出受控分众分类法,分类结果提高了知识资源的标注精度,降低了知识组织成本。此外,为了消除本体模块间的异构,构建语义一致的领域本体,将粒度计算理论引入知识融合领域,提出微商空间法,对本体模块进行分解与重构,结果使得构建的领域本体更加简洁和语义一致。最后,采用实证分析的研究方法,利用Protégé本体编辑工具对提出的方法进行验证,结论表明该方法是有效的。     

Topic hierarchy construction from heterogeneous evidence

Existing studies on hierarchy constructionmainly focus on text corpora and indiscriminately mix numerous topics, thus increasing the possibility of knowledge acquisition bottlenecks and misconceptions. To address these problems and provide a comprehensive and in-depth representation of domain specific topics, we propose a novel topic hierarchy construction method with real-time update. This method combines heterogeneous evidence from multiple sources including folksonomy and encyclopedia, separately in both initial topic hierarchy construction and topic hierarchy improvement. Results of comprehensive experiments indicate that the proposed method significantly outperforms state-of-theart methods (t-test, p-value < 0.000 1); recall has particularly improved by 20.4% to 38.7%.     

协作标签系统中的信息检索问题研究

分析了制约协作标签系统中信息检索的瓶颈问题,提出要在CTS中实现较高的查准率和查全率,必须要从服务端的信息组织和客户端的信息检索两个角度出发,逐步消除模糊语义,为资源和标签的对应关系找到合适的上下文环境,从而检索到需要的信息。     

自由标签系统中标签的层次关系提取方法

在自由标签系统中,标签之间没有显式的表示出层次关系,但其内在却隐含着某个标签是其他一些标签的子标签这样的层次关系.提出一种简单高效的、基于概率统计的方法,用OWL本体中的类来表示标签,并从中提取出类的层次关系.实验表明,本方法的提取结果在正确率、召回率上完全满足实际需要,算法执行效率高,非常符合信息飞速增长的互联网的需要.     

校园社交网络中社会化标签系统的研究与实现

为使校园社交网络能够准确、灵活、高效地处理大量各种类型的标签信息,研究并实现了基于校园社交网络的社会化标签系统。提出了使用五元组表示的、包含资源标签和实体标签的标签标注模型,完成了基于校园社交网络的社会化标签系统的总体设计、功能设计和数据库设计,设计了由标注对象所有者、标签标注者、校园社交网络中的关系网络与隐私设置以及标签的使用方式决定的标签标注权限与使用权限,建立了针对不同标记对象的特点使用不同标签推荐算法的标签推荐策略,最后讨论了以标签云为主的标签展示方式。     

基于Web2．0的社会性标签推荐系统

利用社会性书签作为用户在互联网上的操作数据,通过分析用户所做的社会性书签,来构建基于整个互联网的推荐系统,在对社会性标签数据分析的基础上,提出一种新的方法来展现用户的喜好项.实验表明,基于social tag的网页推荐系统在很大程度上能满足用户的兴趣需求.     

用户交互式叙词表更新机制研究

叙词表作为知识组织的基础资源,需要持续更新和维护。本文借鉴大众分类法（Folksonomy）和维基百科用户交互维护机制,将专家知识和用户体验相结合,探索基于用户交互的汉语叙词表更新和维护的新机制。通过上机实验,提出并验证基于规范叙词表推荐和用户自定义主题词语的交互机制,以准确地收集和反映用户需求,促进叙词表的可持续优化。     

基于社会标注系统的Web用户聚类算法

针对Web用户聚类时, 社会标注系统中用户访问资源数据稀疏从而导致传统聚类算法效率不高的问题, 提出了一种三向迭代聚类算法, 对用户、标签和资源分别聚类, 利用三者之间的关联关系不断相互交叉迭代调整, 直到各聚类簇达到稳定为止。实验表明, 该方法调整后类的内聚性更强, 区分度更大, 能有效解决数据稀疏性问题, 提高用户聚类效果。     

利用重叠社区检测技术提高大众分类网络的个性化推荐性能

在大众分类网络中,允许用户使用个性化标签对资源进行标注,标签可以使用户方便地表达的自己的兴趣与偏好.但是,标签自由、松散的分类方式使标签存在冗余、歧义以及一词多义的问题,使用户难以发现自己需要的资源,因此在基于标签的推荐系统中,推荐精确性低,用户体验差,社区发现(聚簇)技术是解决这一问题的重要手段.本文从构建标签共现图入手,采用标签共现图的重叠社区发现技术来理解标注的正确含义、减少冗余歧义标签带来的噪声.在此基础上设计了完整的个性化推荐方案,经过真实标签网络数据验证表明标签重叠社区检测能够提高推荐质量,算法在精确性和多样性上均有较好的改进.     

个性化搜索中的用户特征模型研究

用户特征的描述方式是实现个性化搜索算法的核心因素。针对传统的基于关键词向量空间模型的用户特征描述过于简单,不能全面描述用户兴趣的缺陷,将folksonomy的结构与本体概念的清晰语义相结合,提出一种多层用户特征描述方式。从用户兴趣主题、用户间关联两个不同角度,从用户生成的标签、标记的文档及主题等不同层次建立用户特征描述模型,并将其应用于个性化搜索过程的方式进行分析。同时对个性化搜索的结果评价方式、资源类型对用户特征及搜索结果的影响进行了讨论。在Delicious和Flickr两种不同类型数据集上的实验表明,所提出用户特征模型能够有效提高个性化搜索结果的性能。