基于文 天職類的本體匹配及其運用探討

1、基于文 天職類的本體匹配及其運用探討    內(nèi)容導(dǎo)讀： 語義Web不是一種全新的Web,而是對當前Web的擴展,其中的信息被賦予明確的含義,使機器和人能更好地的協(xié)同工作。語義Web的基礎(chǔ)之一是本體,為了讓機器能夠理解Web的內(nèi)容,需要建立本體,并利用本體中定義的概念作元數(shù)據(jù)來標記Web的內(nèi)容。語義概念的相似性度量一直以來都是人工智能領(lǐng)域的研究熱門。人工智能領(lǐng)域的相似性度量模型致力于從特定的知識表述中計算出概念間的相似性。本論文以文天職類的機器學(xué)習(xí)理論為基礎(chǔ),提出了本體概念匹配的整體框架,借助改進的貝葉斯(Bayes)分類器和支持向量機分類器分析本體中的個

2、體實例特征,建立了一個基于實例的本體概念相似性度量模型,給出了基于文天職類的概念相似性度量算法,并提出了概念匹配后概念的可滿足性和本體一致性的檢測策略。最后,本文將提出的本體匹配理論用于網(wǎng)絡(luò)教育的概念型知識學(xué)習(xí)系統(tǒng),使論文的研究成果體現(xiàn)在該系統(tǒng)中?，F(xiàn)將論文的主要研究內(nèi)容概括如下:先容和綜述論文的理論基礎(chǔ)。主要包括語義網(wǎng)、本體論、文天職類技術(shù)、描述邏輯推理及其研究現(xiàn)狀?；贐ayes的文天職類模型的研究。樸素貝葉斯分類算法是一個簡單、有效而且在實際使用中很成功的分類算法,其性能可以與其他典型分類算法相媲美,在某些場合還優(yōu)于其他分類器。本文在引入互信息等因素后,提出了基于特征相關(guān)性的樸素貝葉斯文天

3、職類改進模型,對于大部分種別的資源,改進后的樸素貝葉斯算法都能得到較高的正確率和召回率,同時該分類器對各種別資源分類性能提高的效果不一樣。事實上,該模型引入了語義特征,建立了傳統(tǒng)特征與概念、概念與種別的映射關(guān)系。基于支持向量機(SVM)的文天職類模型研究。基于統(tǒng)計學(xué)習(xí)理論的支持向量機算法具有堅實的數(shù)學(xué)理論基礎(chǔ)和嚴格的理論分析,具有理論完備、全局優(yōu)化、適應(yīng)性強、推廣能力好等優(yōu)點,是機器學(xué)習(xí)中的一種新方法和研究的新熱門。它使用結(jié)構(gòu)風險最小化原則,綜合了統(tǒng)計學(xué)習(xí)、機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等方面的技利用本體半結(jié)構(gòu)信息來幫助分類的策略。根據(jù)對真實Web數(shù)據(jù)集的測試結(jié)果,表明本文提出的本體概念匹配算法具備很好的

4、匹配精度。基于描述邏輯及其推理機方法。它能夠?qū)崿F(xiàn)本體一致性和可滿足性的全面測試和分析。然而要使用推理機實現(xiàn)本體測試的條件|教育論文網(wǎng)|是需要完成實例數(shù)據(jù)的匹配和關(guān)聯(lián)的處理,這將對本體匹配方案的評估 術(shù),在最小化經(jīng)驗風險的同時,有效地提高了算法泛化的能力。它與傳統(tǒng)的機器學(xué)習(xí)方法相比,具有良好的潛在應(yīng)用價值和發(fā)展遠景|教學(xué)論文范文|。本文針對基于二叉樹的多分類支持向量機自身存在的問題,提出了改進二叉樹結(jié)構(gòu)天生|教育論文網(wǎng)|的思想,最后對這種改進的樹結(jié)構(gòu)算法進行了設(shè)計及分析。改進后的BT-SVM多分類方法有比較高的分類正確率,它用于多類文天職類達到了預(yù)期的效果。本體概念相似度計算算法。在分析了目前常

5、用的本體匹配技術(shù)的基礎(chǔ)上,提出了基于文天職類技術(shù)的本體概念匹配的框架。算法的主要思想是利用本體中概念的文本實例集,通過練習(xí)獲得概念的文天職類特征。再對本體概念的文本數(shù)據(jù)集進行交叉學(xué)習(xí)分類和計算并獲取了兩個本體所有概念對的相似度評估矩陣。為了充分利用多種分類器的上風,在概念匹配過程中,給出了利用概念對相似度的突出度策略,克服了單一文天職類器對某些文本數(shù)據(jù)不敏感的問題,同時還給出了利用本體半結(jié)構(gòu)信息來幫助分類的策略。根據(jù)對真實Web數(shù)據(jù)集的測試結(jié)果,表明本文提出的本體概念匹配算法具備很好的匹配精度。基于描述邏輯及其推理機方法。它能夠?qū)崿F(xiàn)本體一致性和可滿足性的全面測試和分析。然而要使用推理機實現(xiàn)本體

6、測試的條件|教育論文網(wǎng)|是需要完成實例數(shù)據(jù)的匹配和關(guān)聯(lián)的處理,這將對本體匹配方案的評估帶來巨大的工作量,本文提出了面向語義的本體匹配評估策略,進一步拓展了本體概念之間的關(guān)系,并對實際工程應(yīng)用具有重要的參考意義。概念型智能學(xué)習(xí)系統(tǒng)模型(CILSM:ConcepturalIntelligenceLearningSystemModel)。目前,網(wǎng)絡(luò)教學(xué)系統(tǒng)促進了教育的發(fā)展,但其本質(zhì)是傳統(tǒng)教學(xué)的擴展,而不能完全適應(yīng)信息社會終身學(xué)習(xí)的需要,由于它們只是一個新型的學(xué)歷教育系統(tǒng)。由于Web是當前最豐富的學(xué)習(xí)資源,所以本文提出的CILSM系統(tǒng)則是廣泛利用Web的資源,并將這些資源(知識)的固有屬性和教5.3特

7、征項相關(guān)性的度量45-492.5.4基于特征相關(guān)性的樸素貝葉斯文天職類模型49-512.5.5反饋方法應(yīng)用于貝葉斯文天職類51-522.5.6上一頁 1 2 3 4 5 6 下一頁 學(xué)屬性,采用計算機可處理(可讀、可推理)的方式進行組織,形成“知識空間”(KnowledgeSpace)。知識空間用資源描述框架(RDF/RDFS)元數(shù)據(jù)描述,并用Web本體語言(OWL)描述的本體組織知識。知識空間包括多個本體,而本體匹配是系統(tǒng)亟待解決的問題,本文提出的本體匹配框架和算法在一定程度上解決了該問題?！娟P(guān)鍵詞】：語義Web本體本體匹

8、配文天職類網(wǎng)絡(luò)教育知識空間【論文提綱】：· 摘要3-5· ABSTRACT5-12· 1緒論12-36· 1.1課題的背景和意義12-14· 1.2互聯(lián)網(wǎng)的數(shù)據(jù)組織形式及其現(xiàn)狀14-17· 1.3語義WEB的體系結(jié)構(gòu)17-19· 1.4本體論及其研究現(xiàn)狀19-32· 1.4.1本體的定義及相關(guān)概念19-20· 1.4.2本體的描述語言20-21· 1.4.3描述邏輯21-24· 1.4.4本體的構(gòu)建方法24-26· 1.4.5本體的開發(fā)工具26-28· 1.4.6本

9、體的應(yīng)用28-29· 1.4.7本體匹配的方法29-30· 1.4.8本體及本體匹配的研究現(xiàn)狀30-32· 1.5論文的主要研究內(nèi)容32-36· 2基于貝葉斯分類器的文天職類技術(shù)研究36-58· 2.1文天職類概念36-37· 2.2問題描述37· 2.2.1文天職類問題描述37· 2.2.2單標號文天職類與多標號文天職類37· 2.2.3種別中心分類與文檔中心分類37· 2.3文天職類應(yīng)用37-38· 2.3.1自動索引38· 2.3.2文本過濾38· 2.3.3

10、Web文檔分類38· 2.4文天職類模型的評估38-42· 2.4.1分類模型的評估38-39· 2.4.2評估指標39-42· 2.5樸素貝葉斯文天職類方法及其改進42-57· 2.5.1樸素貝葉斯文天職類方法及其存在的問題42-44· 2.5.2相關(guān)特征項對文天職類的影響44-45· 2.5.3特征項相關(guān)性的度量45-49· 2.5.4基于特征相關(guān)性的樸素貝葉斯文天職類模型49-51· 2.5.5反饋方法應(yīng)用于貝葉斯文天職類51-52· 2.5.6-1024.5.2Cupid方法102-10

11、44.5.3GLUE方法1044.5.4SimilarityFlooding方法104-1064.6基于文天職類的本體匹配框架106-1194.6.1基于文天職類的本體概念分類器的構(gòu)造107-1084.6.2基于實例分類的概念相似度的度量108-1114.6.3兩個概念的相似度計算算法1114.6.4基于半結(jié)構(gòu)數(shù)據(jù)信息的相似評估策略111-1124.6.5基于選舉策略的概念匹 實驗環(huán)境的構(gòu)建52-53· 2.5.7實驗采用的關(guān)鍵算法53-55· 2.5.8實驗及結(jié)果分析55-57· 2.6小結(jié)57-58· 3基于支持向量機分類器的多類文天職類技術(shù)研究58

12、-94· 3.1SVM分類原理58-62· 3.2SVM分類中的模型選擇及優(yōu)缺點62-63· 3.3SVM分類的主要問題及解決方法63· 3.4一種改進的多分類支持向量機63-79· 3.4.1現(xiàn)有多分類支持向量機63-71· 3.4.2基于二叉樹的多類支持向量機原理及算法描述71-73· 3.4.3二叉樹多類支持向量機改進73-79· 3.5多類支持向量機文天職類實驗79-92· 3.5.1實驗比較的方法79-81· 3.5.2基于多類支持向量機的文天職類器81-85· 3.5.3實

13、驗環(huán)境85-89· 3.5.4實驗及結(jié)果分析89-92· 3.6小結(jié)92-94· 4本體概念的相似度評估94-120· 4.1問題描述94-96· 4.2本體匹配的應(yīng)用領(lǐng)域96-97· 4.3本體集成的主要模式97-98· 4.4本體匹配的主要方法98-100· 4.5主要的本體匹配框架100-106· 4.5.1AnchorPROMPT方法100-102· 4.5.2Cupid方法102-104· 4.5.3GLUE方法104· 4.5.4SimilarityFloodin

14、g方法104-106· 4.6基于文天職類的本體匹配框架106-119· 4.6.1基于文天職類的本體概念分類器的構(gòu)造107-108· 4.6.2基于實例分類的概念相似度的度量108-111· 4.6.3兩個概念的相似度計算算法111· 4.6.4基于半結(jié)構(gòu)數(shù)據(jù)信息的相似評估策略111-112· 4.6.5基于選舉策略的概念匹配對選擇策略112-114· 4.6.6實驗以及結(jié)果分析114-119· 4.7小結(jié)119-120· 5本體匹配方案的測試評估120-140· 5.1問題描述120-123

15、· 5.1.1本體錯誤產(chǎn)生的原因120-121· 5.1.2本體錯誤的類型121-122· 5.1.3本體匹486.3.2基于CILSM的個性化學(xué)習(xí)實現(xiàn)方法148-1506.4共享網(wǎng)絡(luò)資源的本體學(xué)習(xí)技術(shù)研究150-1586.4.1學(xué)習(xí)資源元數(shù)據(jù)標準151-1546.4.2學(xué)習(xí)資源元數(shù)據(jù)的語義154-1556.4.3面向CILSM的本體學(xué)習(xí)研究155-1586.5基于本體的知識集成和查詢158-1626.5.1問題描述158-1596.5.2本體映射示例159-1616.5.3概念型智能學(xué)習(xí)系統(tǒng)模型CILSM的本體匹配 配的概念可滿足測試122-123·

16、5.2描述邏輯與推理算法123-130· 5.2.1OWL與描述邏輯基礎(chǔ)123-124· 5.2.2Tableaux算法和基于描述邏輯的推理124-130· 5.3基于描述邏輯匹配方案評估130-133· 5.3.1概念可滿足性測試130· 5.3.2匹配方案的評估方法130-131· 5.3.3本體匹配以及評估實例131-133· 5.4基于本體語義滿足性的評估技術(shù)133-136· 5.4.1概念語義可滿足性測試133-135· 5.4.2基于語義匹配方案的評估方法135· 5.4.3基于語義

17、匹配方案的評估方法分析135-136· 5.5概念間依靠關(guān)系檢測概念的可滿足性136-138· 5.5.1概念不可滿足性的依靠簡介136· 5.5.2不可滿足性的依靠檢測算法思想136-137· 5.5.3不可滿足性的依靠檢測算法137-138· 5.6小結(jié)138-140· 6本體匹配在知識學(xué)習(xí)中的應(yīng)用研究140-164· 6.1知識學(xué)習(xí)概述140-142· 6.2知識教學(xué)系統(tǒng)142-147· 6.2.1網(wǎng)絡(luò)教學(xué)系統(tǒng)142-144· 6.2.2LMS學(xué)習(xí)管理系統(tǒng)144-145· 6.2

18、.3LTSA學(xué)習(xí)技術(shù)系統(tǒng)145-147· 6.3概念型智能學(xué)習(xí)系統(tǒng)模型(CILSM:CONCEPTURALINTELLIGENCEEARNINGSYSTEMMODEL)147-150· 6.3.1CILSM系統(tǒng)框架147-148· 6.3.2基于CILSM的個性化學(xué)習(xí)實現(xiàn)方法148-150· 6.4共享網(wǎng)絡(luò)資源的本體學(xué)習(xí)技術(shù)研究150-158· 6.4.1學(xué)習(xí)資源元數(shù)據(jù)標準151-154· 6.4.2學(xué)習(xí)資源元數(shù)據(jù)的語義154-155· 6.4.3面向CILSM的本體學(xué)習(xí)研究155-158· 6.5基于本體的知識集成和查詢158-162· 6.5.1問題描述158-159· 6.5.2本體映射示例159-161· 6.5.3概念型智能學(xué)習(xí)系統(tǒng)模型CILSM的本體匹配過程161-162· 6.6小結(jié)162-1647總結(jié)與展望164-1667.1主要結(jié)論164-1657.2后續(xù)研究工作的展望165-166致謝166-168參考文獻168-176附錄176-177A.作者攻讀博士學(xué)位期間發(fā)表或錄用的論文176-177B.作者在攻讀博士學(xué)位期間參加的科研項目177C.作者在攻讀博士學(xué)位期間主持的科研項目177D.作者在攻讀博士學(xué)位期間獲獎的科研項目17