基于情感学习本体的教学反馈策略生成算法的研究

研究如何采用本体建模的方法解决智能教学系统中的情感理解与情感反馈的问题。构建了一个情感学习本体用于描述在学习过程中出现的与情感相关的概念及概念之间的关系,设计了基于该本体的教学反馈策略的生成算法,可以在不需要和学生进行问答交互的情况下获得学生学习过程的感知和理解状态,可以更好地理解学生的学习状态以提供更好的基于"情感触发"的认知和情感支持。并将情感学习本体和一个C语言程序设计领域知识本体以及反馈策略生成算法应用到一个以教学视频为主体学习资料的智能教学系统中。应用实例表明,该教学反馈策略生成算法能对学习者提供有效的认知反馈和情感反馈。     

本体映射中的概念相似度计算

本体是概念、属性和关系的集合,本体映射是解决本体异构的最好方法.文中针对目前本体映射过程中概念相似度计算存在的问题,提出一种综合的相似度计算方法.先根据本体中两个概念名称的相似性,选出最相关的概念,减少相似度的计算,然后分别基于概念的属性、实例和关系来计算概念相似度,并进行综合得到概念相似度.在计算属性相似度时,先通过计算属性的信息增益来确定各个属性的优先级,最后只选取几个信息增益大的属性进行相似度的计算,从而减小计算量.     

基于属性结构的本体映射方法

提出基于本体概念属性结构的本体映射方法。从多角度提取本体属性的描述特征,综合处理本体之间属性的映射,形成2个本体共同的属性结构树。利用属性结构树寻找概念属性的层次关系,以度量本体概念间的语义相似度。实验结果表明,属性结构是影响本体映射的因素之一,该方法有效。     

利用本体的视频语义概念检测

视频数据的不断丰富以及人们对视频检索的要求越来越复杂,使得视频语义信息建模和高层语义概念提取逐渐成为视频检索中的重要组成部分.本文提出一种基于本体的视频语义概念检测方法,利用贝叶斯网络构造视频中概念语义关系的检测本体,构建了视频中概念之间的层次关系,并能够通过推理完成复合语义概念的检测.该方法从语义信息学的角度对视频内容进行分析,在一定程度上削弱了语义鸿沟的影响,并且取得了较好的查询结果.     

一个基于本体主题的中文知识获取方法

中文语言自身的特点决定了从中文自然语言文档中获取知识是非常困难的。尽管目前对中文的命名实体识别(简称为NER)已经取得了较好的效果,但是如果不借助同义词表或者类似WordNet的中文语言知识库,几乎无法正确地抽取已经识别出的实体之间的关系。文章提出了一个基于本体主题的思想进行中文知识获取的方法,该方法首次将主题思想引入领域本体,由领域专家对原始的领域本体中的概念和属性按照主题进行划分,建立起概念到主题、主题到属性的关联关系。在对一句话进行知识抽取时,通过简单的NER和直接与本体映射的方法可以识别出一句话中的部分概念、个体和属性,利用这些准确识别出的信息可以判定该句话所属的主题;该主题则进一步提供了寻找关系的线索。初步的实验结果表明与没有利用主题信息的方法相比,该方法可以取得更好的召回率和准确率。     

本体映射中的概念相似度计算

本体是概念、属性和关系的集合．本体映射是解决本体异构的最好方法。文中针对目前本体映射过程中概念相似度计算存在的问题,提出一种综合的相似度计算方法。先根据本体中两个概念名称的相似性,选出最相关的概念,减少相似度的计算,然后分别基于概念的属性、实例和关系来计算概念相似度,并进行综合得到概念相似度。在计算属性相似度时,先通过计算属性的信息增益来确定各个属性的优先级,最后只选取几个信息增益大的属性进行相似度的计算,从而减小计算量。     

概念代数在本体合并中的应用

本体合并是本体集成的一种较为有效的方式,是用于解决本体异构以实现本体资源重用和共享的一种方法。引入概念代数以弥补本体的概念深度表达不够、形式化程度低等缺陷。将本体与概念代数结合,提出一种基于概念代数的本体表示方法,其恰好符合领域专家构建本体的意识活动,可以更好地表达和处理知识。概念代数是一种抽象的数学结构,形式化程度较高,并且其概念之间的认知关系更便于进行知识推理。利用概念代数将本体表示为可视化的概念网形式,进而利用概念代数的运算实现概念之间的合并及关联,提出一种基于概念代数的本体合并方法,是对概念代数应用到本体的一种尝试,为本体的处理提供了一个新的视角。     

一种综合的本体相似度计算方法

本体相似度计算是本体映射的关键环节.本体的实例、关系、属性、结构等信息是相似度计算需要考虑的重要因素.针对目前本体映射过程中相似度计算所存在的问题,提出了一种综合的相似度计算方法.首先判断不同本体之间是否存在相关性.若相关,则充分考虑各种相关因素,从语义和概念两个层面来进行比较,然后给出了本体的综合相似度计算方法.最后采用了两组测试数据对该方法进行实验,并与GLUE系统的概率统计方法进行了实验对比.实验结果表明,该方法能够有效确保相似度计算的准确性.     

一种基于概念格属性约简的本体合并方法

提出一种基于概念格属性约简的本体合并方法。该方法先对源本体中的概念进行外延和内涵的分析,以此为形式背景构造概念格。对所构造的概念格进行属性约简,删除本体合并中的冗余信息,约简绝对不必要属性,以最少的信息精确地反映概念格及本体的本质和结构。最后通过实例分析此方法的可行性。     

矿山语义物联网自动语义标注方法

针对目前矿山领域异构数据融合时先验知识获取困难、物联网本体库实时性差、实例对象数据手动标注方式效率较低等问题,提出了一种矿山语义物联网自动语义标注方法。给出了传感数据语义化处理框架:一方面,确定本体的专业领域和范畴,通过重用流注释本体(SAO)构建领域本体,作为驱动语义标注的基础;另一方面,使用机器学习方法对感知数据流进行特征提取与数据分析,从海量数据中挖掘出概念间的关系;通过数据挖掘知识来驱动本体的更新与完善,实现本体的动态更新、拓展与更精确的语义标注,增强机器的理解力。以矿井提升系统主轴故障为例阐述从本体到实例化的语义标注过程:结合领域专家知识及本体重用,采用"七步法"建立矿井提升系统主传动故障本体;为了加强实例数据属性描述的准确性,使用主成分分析法(PCA)与K-means聚类方法对数据集进行降维和分组,提取出数据属性与概念的关系;通过基于语义Web的规则语言(SWRL)标注具体先行条件与后续概念的关系,优化领域本体。实验结果表明:在本体实例化过程中,可利用机器学习技术从传感数据中自动提取概念,实现传感数据的自动语义标注。