基于领域本体的概念相似度算法研究

随着本体技术的逐渐成熟,如何为本体搭建语义桥梁以实现知识的重用与共享成为新的研究热点。在分析现有相关技术的基础上,提出一种计算不同本体中概念间语义相似度的方法,该方法以基于距离的概念相似度算法为基础,同时对概念结构进行分析将两者结合,从而计算出最终的概念间语义相似度。实验证明该方法有效。该研究工作可以应用于面向Web的知识检索领域。     

一种改进的概念相似度计算方法

本体在信息集成、语义网和知识管理等领域中被认为是重要的理论基础.本体映射的目的就是通过计算概念相似度找到本体中概念之间的对应关系,并制定出相应的映射规则.通过研究本体映射方法,设计出一种综合概念相似度计算模型,该模型充分考虑了概念的实例、定义以及结构等信息对相似度计算的影响,可以通过改变3个相似度分量的权值来适应不同本体间的映射,使模型具有通用性.结果表明,该模型能更有效地体现概念间的关系,使本体映射方法更加全面,并有更好的适用性.     

基于OWL的本体映射中概念相似度计算方法的研究

随着网络上的本体越来越多,为了实现不同本体间的知识重用和共享,需要在本体间建立映射。而建立映射的关键在于找到概念相同或相近的实体对。借鉴计算语言学中的语义距离思想,提出了基于OWL构词所描述的本体概念相似度计算方法,该方法充分考虑了概念本身、概念属性、概念所处的层次结构和概念的OWL语义四个方面的语义相似度。     

一种改进的本体映射方法

针对目前本体映射中概念相似度计算所存在的问题,提出了一种改进的本体映射方法。该方法首先根据两个概念名称相似性过滤出最相关的概念,减少概念相似度的计算;然后基于概念实例、概念属性、概念关系计算概念相似度,并进行综合;明确了本体映射步骤;最后对相关工作进行了分析比较。     

一种综合概念相似度计算方法

针对在本体间异构系统知识集成问题上,对本体映射中概念相似度计算存在的一些不足之处,提出了一种改进的方法。先分别计算基于实例的概念相似度、基于概念名的相似度和基于属性的相似度,然后进行加权合并形成新的综合相似度计算方法,最后进行简单验证进而根据本体和本体中概念的特点,设计了一种改进的相似度的计算方法。改善了相似度计算中存在的片面性和不完善性问题,提高了本体映射的查全率和查准率。     

领域本体中的概念相似度计算

借鉴计算语言学中的语义距离思想,提出了RDF Schema构词所描述的本体概念相似度计算方法,并利用该方法对农业知识本体(AO)所描述的部分概念进行了相似度计算和分析.结果表明,该方法可以定量地分析概念、特性之间的相似度,并可以指导基于领域知识本体的语义查询中的概念集扩充和查询结果排序.     

基于贴近度的本体概念属性相似度计算

本体映射是实现异构本体相互操作的有效方法,其关键技术在于概念相似度的计算。属性相似度是衡量两概念相似度的重要依据,而属性间的贴近度反映了概念间的属性相似度。通过改进原有的贴近度计算公式,得到新锅属性贴近度计算方法,从而改进了本体概念间的属性相似度计算模型。实验表明,该方法具有较高的效率。     

本体映射中概念相似度计算的改进

通过对目前各种本体映射方法的分析,提出一种改进的本体映射的方法.该方法考虑了概念的名称、实例、属性、关系对相似度计算的影响,使概念相似度的计算更加全面、准确.     

一种优化的综合本体相似度计算方法

本体映射的研究,主要集中在概念相似度计算部分。文中针对目前相似度计算存在的一些问题,提出了一种优化的综合计算方法——CAIRSim。该方法通过候选概念策略的方式减少参与计算的概念数,然后分别基于候选概念的属性、实例和关系来计算概念的相似度,并进行加权综合得到概念相似度。     

一种新的本体的概念语义相似度计算方法

提出了一种新的语义相似度计算方法。该算法结合了被评估概念的高度、路径长度和公共细化度（specificity）;改进了基于路径的语义相似度算法,利用本体结构,引入基于信息量算法的思想,使得新算法能够获取更多的语义信息,同时又不需要对于文本数据进行预处理;考虑本体中簇的粒度对本体的相似度计算有一定影响,在公式中添加概念在本体中的高度信息,达到低层次的概念间共享的信息要比高层次的概念间共享的信息更多。为了评估所提出的新方法,在实验中,用标准的生物医学系统命名法－临床术语（systematized nomenclature of medicine-clinical terms,SNOMED CT）作为输入本体,用已标注好的概念对集合作为数据集。实验结果表明,所提出的方法不仅保留了基于路径算法的简洁性,还优于现有语义相似度算法,证明了所提出方法的有效性。     

基于领域本体的语义相似度计算方法研究

介绍了本体的相关知识和3种不同的领域本体语义相似度算法,针对这3种算法的视角和优缺点提出了改进的基于领域本体的语义相似度计算方法。该方法综合考虑语义距离、概念特征和信息量中多种语义相似度计算影响因素,较真实地反映了概念间的语义关系。     

一种基于义原重合度的词语相似度计算

通过分析知网中的义原关系,认为在同一棵树中两个相等距离的义原,公共节点对相似度大小起着决定性作用;距离根节点越远,分类越细致,描述的信息越详细;它们的相似度也就越大.提出了一种基于知网的相似度的计算方法,定义了知网义原间的相似度公式.实验表明,利用本文方法计算词语相似度,所得结果在一定程度上更加与人的直观相符.     

本体中概念间语义相似度和相关度混合计算方法

语义相似度计算广泛应用于自然语言处理中,但现有语义相似度计算方法没有充分挖掘本体结构中概念间的关系.笔者针对当前概念相似度计算的片面性和不完善性等不足,提出一种计算概念间语义相似度和相关度的混合方法.从有向边包含的特征属性对语义距离进行扩展,结合概念深度,将语义距离转换成语义相似度,通过引入概念间相关度计算,使最终概念语义相似度计算更加精确.并将该方法与人的主观判断结果进行比较,验证了该方法的可行性和有效性.     

一种改进的基于Newman快速算法的文本聚类方法

针对文本聚类计算量大的特点,提出了一种将概念格和Newman快速算法两种理论相结合的聚类方法。首先将文本表示为特征词语集,用统计方法抽取特征向量,同时,用IDF权重计算公式来计算词语的权重并将词语权值离散化;然后,用形式背景表达关键词,通过相似度公式,计算出形式概念相似度大小;最后,构造Newman网络,根据Newman网络算法规则对待聚类文本进行聚类。实例表明,该算法不仅得到了正确的分类结果,而且大大降低了算法的复杂度,Newman快速算法仅为 。     

一种基于知网的词汇语义相似度改进计算方法

汉语词语语义相似度计算是中文信息处理中的一个关键问题。在知网(HowNet)环境下,通过分析影响词汇相似度计算结果的概念层次树结构,提出了一种同时考虑层次树深度、密度及语义路径等多因素的义元相似度计算方法,并应用于词汇相似度计算过程。实验结果表明,该方法使词汇相似度计算结果更趋于合理,绝大部分结果更符合人们的日常体验,有效提高了词汇相似度计算结果的精确度和准确性。     

一种基于概念相似度的文本模糊聚类方法

文本挖掘是数据挖掘的一个重要研究领域。基于形式概念分析和概念相似度,给出了一种新的文本模糊聚类方法。该方法不仅考虑了关键词之间的语义关系,而且通过非距离计算得到模糊相似矩阵。可根据不同要求,得到不同的聚类结果,具有较好的灵活性。最后通过实例,说明了给出算法的可行性。     

一种基于本体的文本聚类方法

基于本体的文本聚类方法,在文本表示上引入WordNet,并定义了关键概念集,使用WordNet中的概念节点及概念间的语义关系减少文本特征向量维数,提高聚类效果.聚类过程中,算法使用文本的关键概念集和概念特征向量计算文本相似度,利用文本的关键概念集标注聚簇为聚类结果中的各个簇提供解释.实验结果表明,该方法有效地减少了文本特征向量的维数,提高了文本聚类效果以及聚类结果的可解释性.     

一种基于知网的词汇语义相似度改进计算方法

汉语词语语义相似度计算是中文信息处理中的一个关键问题.在知网(HowNet)环境下,通过分析影响词汇相似度计算结果的概念层次树结构,提出了一种同时考虑层次树深度、密度及语义路径等多因素的义元相似度计算方法,并应用于词汇相似度计算过程.实验结果表明,该方法使词汇相似度计算结果更趋于合理,绝大部分结果更符合人们的日常体验,有效提高了词汇相似度计算结果的精确度和准确性.     

语义相似计算驱动领域自动问答

研究实体相似性的认知心理特征和受限领域自动问答(QA)系统的形式特点.基于结构对齐和几何相似模型,把词语概念描述分解为属性部分和语义角色部分,各部分结构分别对齐后,计算对齐义原的关系距离,加权组合计算词语的相似度.该方法也适用于解析成语义向量表示的疑问句的相似度计算.融合通用本体、领域本体和领域知识文本,构造了支持语义计算求解某一银行QA问题的知识库.实验表明,该方法可以提高领域QA系统的用户满意度.