基于文 天職類的本體匹配及其運(yùn)用探討

1、基于文 天職類的本體匹配及其運(yùn)用探討    內(nèi)容導(dǎo)讀： 語(yǔ)義Web不是一種全新的Web,而是對(duì)當(dāng)前Web的擴(kuò)展,其中的信息被賦予明確的含義,使機(jī)器和人能更好地的協(xié)同工作。語(yǔ)義Web的基礎(chǔ)之一是本體,為了讓機(jī)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(lái)標(biāo)記Web的內(nèi)容。語(yǔ)義概念的相似性度量一直以來(lái)都是人工智能領(lǐng)域的研究熱門(mén)。人工智能領(lǐng)域的相似性度量模型致力于從特定的知識(shí)表述中計(jì)算出概念間的相似性。本論文以文天職類的機(jī)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(jìn)的貝葉斯(Bayes)分類器和支持向量機(jī)分類器分析本體中的個(gè)

2、體實(shí)例特征,建立了一個(gè)基于實(shí)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(cè)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(shí)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?jī)?nèi)容概括如下:先容和綜述論文的理論基礎(chǔ)。主要包括語(yǔ)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(gè)簡(jiǎn)單、有效而且在實(shí)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(chǎng)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(jìn)模型,對(duì)于大部分種別的資源,改進(jìn)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(shí)該分類器對(duì)各種別資源分類性能提高的效果不一樣。事實(shí)上,該模型引入了語(yǔ)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?；谥С窒蛄繖C(jī)(SVM)的文天職類模型研究。基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)算法具有堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)和嚴(yán)格的理論分析,具有理論完備、全局優(yōu)化、適應(yīng)性強(qiáng)、推廣能力好等優(yōu)點(diǎn),是機(jī)器學(xué)習(xí)中的一種新方法和研究的新熱門(mén)。它使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,綜合了統(tǒng)計(jì)學(xué)習(xí)、機(jī)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(lái)幫助分類的策略。根據(jù)對(duì)真實(shí)Web數(shù)據(jù)集的測(cè)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?；诿枋鲞壿嫾捌渫评頇C(jī)方法。它能夠?qū)崿F(xiàn)本體一致性和可滿足性的全面測(cè)試和分析。然而要使用推理機(jī)實(shí)現(xiàn)本體測(cè)試的條件|教育論文網(wǎng)|是需要完成實(shí)例數(shù)據(jù)的匹配和關(guān)聯(lián)的處理,這將對(duì)本體匹配方案的評(píng)估 術(shù),在最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)的同時(shí),有效地提高了算法泛化的能力。它與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,具有良好的潛在應(yīng)用價(jià)值和發(fā)展遠(yuǎn)景|教學(xué)論文范文|。本文針對(duì)基于二叉樹(shù)的多分類支持向量機(jī)自身存在的問(wèn)題,提出了改進(jìn)二叉樹(shù)結(jié)構(gòu)天生|教育論文網(wǎng)|的思想,最后對(duì)這種改進(jìn)的樹(shù)結(jié)構(gòu)算法進(jìn)行了設(shè)計(jì)及分析。改進(jìn)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(dá)到了預(yù)期的效果。本體概念相似度計(jì)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(shí)例集,通過(guò)練習(xí)獲得概念的文天職類特征。再對(duì)本體概念的文本數(shù)據(jù)集進(jìn)行交叉學(xué)習(xí)分類和計(jì)算并獲取了兩個(gè)本體所有概念對(duì)的相似度評(píng)估矩陣。為了充分利用多種分類器的上風(fēng),在概念匹配過(guò)程中,給出了利用概念對(duì)相似度的突出度策略,克服了單一文天職類器對(duì)某些文本數(shù)據(jù)不敏感的問(wèn)題,同時(shí)還給出了利用本體半結(jié)構(gòu)信息來(lái)幫助分類的策略。根據(jù)對(duì)真實(shí)Web數(shù)據(jù)集的測(cè)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(jī)方法。它能夠?qū)崿F(xiàn)本體一致性和可滿足性的全面測(cè)試和分析。然而要使用推理機(jī)實(shí)現(xiàn)本體

6、測(cè)試的條件|教育論文網(wǎng)|是需要完成實(shí)例數(shù)據(jù)的匹配和關(guān)聯(lián)的處理,這將對(duì)本體匹配方案的評(píng)估帶來(lái)巨大的工作量,本文提出了面向語(yǔ)義的本體匹配評(píng)估策略,進(jìn)一步拓展了本體概念之間的關(guān)系,并對(duì)實(shí)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(jìn)了教育的發(fā)展,但其本質(zhì)是傳統(tǒng)教學(xué)的擴(kuò)展,而不能完全適應(yīng)信息社會(huì)終身學(xué)習(xí)的需要,由于它們只是一個(gè)新型的學(xué)歷教育系統(tǒng)。由于Web是當(dāng)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(shí))的固有屬性和教5.3特

7、征項(xiàng)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(yè) 1 2 3 4 5 6 下一頁(yè) 學(xué)屬性,采用計(jì)算機(jī)可處理(可讀、可推理)的方式進(jìn)行組織,形成“知識(shí)空間”(KnowledgeSpace)。知識(shí)空間用資源描述框架(RDF/RDFS)元數(shù)據(jù)描述,并用Web本體語(yǔ)言(OWL)描述的本體組織知識(shí)。知識(shí)空間包括多個(gè)本體,而本體匹配是系統(tǒng)亟待解決的問(wèn)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(wèn)題。【關(guān)鍵詞】：語(yǔ)義Web本體本體匹

8、配文天職類網(wǎng)絡(luò)教育知識(shí)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(yǔ)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(yǔ)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(kāi)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?jī)?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(wèn)題描述37· 2.2.1文天職類問(wèn)題描述37· 2.2.2單標(biāo)號(hào)文天職類與多標(biāo)號(hào)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(dòng)索引38· 2.3.2文本過(guò)濾38· 2.3.3

10、Web文檔分類38· 2.4文天職類模型的評(píng)估38-42· 2.4.1分類模型的評(píng)估38-39· 2.4.2評(píng)估指標(biāo)39-42· 2.5樸素貝葉斯文天職類方法及其改進(jìn)42-57· 2.5.1樸素貝葉斯文天職類方法及其存在的問(wèn)題42-44· 2.5.2相關(guān)特征項(xiàng)對(duì)文天職類的影響44-45· 2.5.3特征項(xiàng)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(shí)例分類的概念相似度的度量108-1114.6.3兩個(gè)概念的相似度計(jì)算算法1114.6.4基于半結(jié)構(gòu)數(shù)據(jù)信息的相似評(píng)估策略111-1124.6.5基于選舉策略的概念匹 實(shí)驗(yàn)環(huán)境的構(gòu)建52-53· 2.5.7實(shí)驗(yàn)采用的關(guān)鍵算法53-55· 2.5.8實(shí)驗(yàn)及結(jié)果分析55-57· 2.6小結(jié)57-58· 3基于支持向量機(jī)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(diǎn)62-63· 3.3SVM分類的主要問(wèn)題及解決方法63· 3.4一種改進(jìn)的多分類支持向量機(jī)63-79· 3.4.1現(xiàn)有多分類支持向量機(jī)63-71· 3.4.2基于二叉樹(shù)的多類支持向量機(jī)原理及算法描述71-73· 3.4.3二叉樹(shù)多類支持向量機(jī)改進(jìn)73-79· 3.5多類支持向量機(jī)文天職類實(shí)驗(yàn)79-92· 3.5.1實(shí)驗(yàn)比較的方法79-81· 3.5.2基于多類支持向量機(jī)的文天職類器81-85· 3.5.3實(shí)

13、驗(yàn)環(huán)境85-89· 3.5.4實(shí)驗(yàn)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(píng)估94-120· 4.1問(wèn)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(shí)例分類的概念相似度的度量108-111· 4.6.3兩個(gè)概念的相似度計(jì)算算法111· 4.6.4基于半結(jié)構(gòu)數(shù)據(jù)信息的相似評(píng)估策略111-112· 4.6.5基于選舉策略的概念匹配對(duì)選擇策略112-114· 4.6.6實(shí)驗(yàn)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(cè)試評(píng)估120-140· 5.1問(wèn)題描述120-123

15、· 5.1.1本體錯(cuò)誤產(chǎn)生的原因120-121· 5.1.2本體錯(cuò)誤的類型121-122· 5.1.3本體匹486.3.2基于CILSM的個(gè)性化學(xué)習(xí)實(shí)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(biāo)準(zhǔn)151-1546.4.2學(xué)習(xí)資源元數(shù)據(jù)的語(yǔ)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(shí)集成和查詢158-1626.5.1問(wèn)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(cè)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(píng)估130-133· 5.3.1概念可滿足性測(cè)試130· 5.3.2匹配方案的評(píng)估方法130-131· 5.3.3本體匹配以及評(píng)估實(shí)例131-133· 5.4基于本體語(yǔ)義滿足性的評(píng)估技術(shù)133-136· 5.4.1概念語(yǔ)義可滿足性測(cè)試133-135· 5.4.2基于語(yǔ)義匹配方案的評(píng)估方法135· 5.4.3基于語(yǔ)義

17、匹配方案的評(píng)估方法分析135-136· 5.5概念間依靠關(guān)系檢測(cè)概念的可滿足性136-138· 5.5.1概念不可滿足性的依靠簡(jiǎn)介136· 5.5.2不可滿足性的依靠檢測(cè)算法思想136-137· 5.5.3不可滿足性的依靠檢測(cè)算法137-138· 5.6小結(jié)138-140· 6本體匹配在知識(shí)學(xué)習(xí)中的應(yīng)用研究140-164· 6.1知識(shí)學(xué)習(xí)概述140-142· 6.2知識(shí)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(gè)性化學(xué)習(xí)實(shí)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(biāo)準(zhǔn)151-154· 6.4.2學(xué)習(xí)資源元數(shù)據(jù)的語(yǔ)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(shí)集成和查詢158-162· 6.5.1問(wèn)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(guò)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(xiàn)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(xiàng)目177C.作者在攻讀博士學(xué)位期間主持的科研項(xiàng)目177D.作者在攻讀博士學(xué)位期間獲獎(jiǎng)的科研項(xiàng)目17