《知网》语义关系图的自动构建

在真实语言环境中,词语间的联系普遍存在、错综复杂。为了更好融合和使用各种语义资源库中的语义关系,构建可计算的汉语词汇语义资源,该文提出了通过构建语义关系图整合各种语义资源的方法,并在《知网》上实现。《知网》作为一个知识库系统,对各个词语义项是以分条记录的形式存储的,各种词汇语义关系隐含在词典文件和义原描述文件中。为提取《知网》中语义间的关系,本文首先将《知网》中的概念以概念树的形式重新表示,并从概念树中提取适当的语义关系,构建语义关系图。经过处理,得到88种589 984条语义关系,图上各种节点具有广泛的联系,为基于语义关系图的进一步分析和计算打下了基础。     

基于知识图的汉语词汇语义相似度计算

提出了一种基于知识图的汉语词汇相似度计算方法,该方法以《知网》2005版为语义知识资源,以知识图为知识表示方法,在构造词图的基础上,以知网中的语义关系为依据对词汇概念中的义原进行分类,通过计算不同类型义原的相似度得到概念的相似度;为了对词汇相似度计算方法进行客观评价,设计了词汇相似度计算方法的量化评价模型;采用该模型对所提出的计算方法进行评价,试验结果证明此方法的有效度为89.1%。     

基于关系运算的汉语词汇语义相关度计算

提出一种基于关系运算的汉语词汇语义相关度计算方法。该方法首先以知网为语义资源,根据义原特征文件构造知识库概念图;然后从集合论角度对语义关系的运算进行研究,形式化不同语义关系间的运算规律;接着根据语义运算,提出不同情况下义原相关度的计算方法;最后根据知网知识词典,提出不同情况下词汇语义相关度的计算方法。该方法在计算过程中不但能够充分利用知网中的语义信息,而且考虑到了语义间蕴含的规律,实验证明其是有效的。     

心理常识概念的表示、获取和分析

常识知识是一类重要的人类知识，对自然语言分析、机器智能研究和自动推理研完等都有重要的意义。本文围绕心理常识，主要讨论与心理相关的常识概念的表示、获取和分析的方法。针对现有的概念模型中的概念主要由手工获取．缺乏自动方法，使得概念获取的非冗余性、一致性不能得到保证的问题，本文提出了获取心理常识概念的基本策略：依据心理学中的心理范畴手工获取心理常识的基础概念及概念间关系；根据属性的心理特征手工得到心理属性和属性问关系；以心理常识基础概念和心理常识属性为语义成分，通过“子类生成规则”自动完成获取和组织心理常识概念的任务。并且通过“子类检查规则”检查和分析新加入概念库的常识概念的冗余性和一致性。     

一种有效的本体创建方法——面向对象法

针对目前语义网中的本体缺少有效和统一的方法,在综合传统的构建领域本体方法的基础上,将面向对象的思想引入到领域本体的构建过程中,提出了一种有效构建本体的新方法——面向对象构建法。通过在果品领域本体的构建,定义类及层次,定义类之间关系,定义类的属性,定义类之间的同义、近义关系,并将其映射为本体体系,与检索系统的应用结合起来。实践证明,该方法易学、易用,可减少领域专家的参与,减少开发系统的工作量,并且使得本体的半自动和自动构建问题成为可能。     

基于认知语言学的自然语言语义表示方法

语义网对语义理解和常识推理是有效的,但粗粒度语义无法表示复杂的对象间的关系。认知语言学提供了表示复杂对象关系的方法,但由于其抽象性而难以应用于自然语言处理。文中提出一种基于认知语言学理论的自然语言语义表示方法。该方法使用意象图式表示语义网中对象节点间的关系,使用属性空间表示可以数值化的语义(如颜色)。在此基础上,将语义网和属性空间的构建和修改过程转化为语义操作序列,实现了句子语义的动态重构。相比于传统的基于语义网的语义表示方法,提出的方法能够表示动态关系,具有更强的推理能力。文中通过实例证明了这一方法的可行性。     

一种基于知网的句子相似度计算方法

句子相似度是衡量文档相似度的基础,在自然语言处理领域中有着非常重要的作用。目前的句子相似度计算方法忽略了句子的结构对相似度的影响。本文在分析已有研究工作的基础上,提出了一种改进的句子相似度计算方法。依据知网对"实体概念"的描述,构造出义原的语义层次树,由各个义原在树中的相对位置,计算出义原之间的相似度。对三种义原加权求和得到词语之间的语义相似度。综合句子的表层相似度和句子的词语语义以及词语的相对位置关系,得到句子的整体相似度。实验表明,在同等的测试条件下,本文所提出的句子相似度计算方法在相似度比较上更符合人的直观感觉。     

一种有效的本体创建方法——面向对象法

针对目前语义网中的本体缺少有效和统一的方法,在综合传统的构建领域本体方法的基础上,将面向对象的思想引入到领域本体的构建过程中,提出了一种有效构建本体的新方法--面向对象构建法.通过在果品领域本体的构建,定义类及层次,定义类之间关系,定义类的属性,定义类之间的同义、近义关系,并将其映射为本体体系,与检索系统的应用结合起来.实践证明,该方法易学、易用,可减少领域专家的参与,减少开发系统的工作量,并且使得本体的半自动和自动构建问题成为可能.     

面向Agent的信息内容语义清晰化研究

在描述了一个开放环境中的多Agent系统模型的基础上，提出了一种建模信息内容语义清晰化的框架。此框架定义了一种用于解决Agent之间语义失配问题的领域概念化语言DCL。它是面向本体论知识表示语言OKRL的一个组成部分，支持对领域概念、属性和关系，以及表示为规则的公理的形式化描述。最后还讨论了如何定义OML，实现DCL与XML之间的转换，以便更好地在开放环境中使用DCL。     

概念向量文本聚类算法

为了解决基于传统关键词的文本聚类算法没有考虑特征关键词之间的相关性,而导致文本向量概念表达不够准确,提出基于概念向量的文本聚类算法TCBCV(Text Clustering Based on Concept Vector),采用HowNet的概念属性,并利用语义场密度和义原在概念树的权值选取合适的义原作为关键词的概念,实现关键词到概念的映射,不仅增加了文本之间的语义关系,而且降低了向量维度,将其应用于文本聚类,能够提高文本聚类效果。实验结果表明,该算法在文本聚类的准确率和召回率上都得到了较大的提高。     

基于维基百科的领域概念语义知识库的自动构建方法*

针对为检索服务的语义知识库存在的内容不全面和不准确的问题,提出一种基于维基百科的软件工程领域概念语义知识库的构建方法;首先,以SWEBOK V3概念为标准,从维基百科提取概念的解释文本,并抽取其关键词表示概念的语义;其次,通过概念在维基百科中的层次关系、概念与其它概念解释文本关键词之间的链接关系、不同概念解释文本关键词之间的链接关系构建概念语义知识库;接着, LDA主题模型分别和TF-IDF算法、TextRank算法相结合的两种方法抽取关键词;最后,对构建好的概念语义知识库用随机游走算法计算概念间的语义相似度;将实验结果与人工标注结果对比发现,本方法构建的语义知识库语义相似度准确率能够达到84%以上;充分验证了所提方法的有效性。     

基于内容的视频分层语义联想模型

提出一种视频的分层语义联想模型,构造三个层次的信息：概念层次树,场景网络和语义对象网络。利用概念层次树来适应不同的应用环境,场景网络表示视频的时间信息,而语义对象及其关系用来表示视频镜头的内容,通过分属不同镜头的语义对象的关系来表示镜头间的语义相关度。该模型采用基于时间和语义关系的检索方法,搜索结果是收敛的。     

Interschema correspondence establishment in a cooperative OWL-based multi-information server grid environment

Establishing interschema semantic knowledge between corresponding elements in a cooperating OWL-based multi-information server grid environment requires deep knowledge, not only about the structure of the data represented in each server, but also about the commonly occurring differences in the intended semantics of this data. The same information could be represented in various incompatible structures, and more importantly the same structure could be used to represent data with many diverse and incompatible semantics. In a grid environment interschema semantic knowledge can only be detected if both the structural and semantic properties of the schemas of the cooperating servers are made explicit and formally represented in a way that a computer system can process. Unfortunately, very often there is lack of such knowledge and the underlying grid information servers (ISs) schemas, being semantically weak as a consequence of the limited expressiveness of traditional data models, do not help the acquisition of this knowledge. The solution to overcome this limitation is primarily to upgrade the semantic level of the IS local schemas through a semantic enrichment process by augmenting the local schemas of grid ISs to semantically enriched schema models, then to use these models in detecting and representing correspondences between classes belonging to different schemas. In this paper, we investigate the possibility of using OWL-based domain ontologies both for building semantically rich schema models, and for expressing interschema knowledge and reasoning about it. We believe that the use of OWL/RDF in this setting has two important advantages. On the one hand, it enables a semantic approach for interschema knowledge specification, by concentrating on expressing conceptual and semantic correspondences between both the conceptual (intensional) definition and the set of instances (extension) of classes represented in different schemas. On the other hand, it is exactly this semantic nature of our approach that allows us to devise reasoning mechanisms for discovering and reusing interschema knowledge when the need arises to compare and combine it.     

可重构知识管理系统中案例与规则的集成推理方法

传统上的知识管理工具往往在设计时就固定了知识结构,这样的系统不但缺乏通用性,而且也限制了知识检索与推理的效率。介绍一个基于本体的可重构知识管理系统,知识作为本体概念的对象实例,利用本体模型的可定制性,解决了以往知识类型不能扩展的问题。详细阐述了结合案例推理与规则推理的集成推理方法,通过规则学习算法支持了规则库的动态扩充与调整,并将本体类的语义关系应用于推理方法,进一步提高了推理的效率。最后介绍了该系统在某飞机设计研究院的应用情况和今后的研究方向。     

藏文语义本体中的上下位关系模式匹配算法

语义本体是共享概念模型显示的形式化规范说明,其目标是将杂乱无章的信息源转变为有序易用的知识源。目前语义本体还主要依赖于手工创建模式。上下位关系是一种基本的语义关系,常用于语义本体中概念的自动获取和验证。该文首先描述了藏文语义本体的创建方法,进而给出了藏文中的上下位关系模式以及模式匹配算法。上下位关系的模式可以辅助进行概念扩充,也可以作为建立和维护本体的辅助工具,这在一定程度上降低了创建和维护本体的成本。     

基于Web语料的概念获取系统的研究与实现

互联网网页中存在大量的专业知识。如何从这些资源中获取知识已经成为10多年来的一个重要的研究课题。概念和概念间的关系是知识的基本组成部分，因此如何获取并验证概念，成为从文本到知识的过程中的重要步骤。本文提出并实现了一种自动从Web语料中获取概念的方法，该方法利用了规则、统计、上下文信息等多种方法和信息。实验结果表明，该方法达到了较好的效果。     

Fuzzy concepts in an object oriented expert system shell

Fuzzy logic is one of the methods to model the vagueness and imprecision of human knowledge. Some rule-based expert system shells have been successfully developed and have demonstrated the power of fuzzy logic in dealing with inexact reasoning and rule inferences. However, using rules for knowledge representation is not structured enough. In addition, knowledge cannot be easily represented in an abstracted (hierarchical) from. In this article the introduction of fuzzy concepts into object oriented knowledge representation (OOKR), which is a structured knowledge representation scheme, is presented. A framework for handling all the possible fuzzy concepts in OOKR at both the dynamic and static levels is proposed. In order to handle the inheritance mechanism and to model the relations among classes, instances, and attributes, some new fuzzy concepts and operations are introduced. These concepts and operations are developed from the semantic meaning rather than by an ad hoc approach. A prototype of the expert system shell. System FX-I, has been successfully developed based on the above framework, showing the feasibility of handling inexact knowledge in a structural way.     

Supervised learning of semantic classes for image annotation and retrieval

A probabilistic formulation for semantic image annotation and retrieval is proposed. Annotation and retrieval are posed as classification problems where each class is defined as the group of database images labeled with a common semantic label. It is shown that, by establishing this one-to-one correspondence between semantic labels and semantic classes, a minimum probability of error annotation and retrieval are feasible with algorithms that are 1) conceptually simple, 2) computationally efficient, and 3) do not require prior semantic segmentation of training images. In particular, images are represented as bags of localized feature vectors, a mixture density estimated for each image, and the mixtures associated with all images annotated with a common semantic label pooled into a density estimate for the corresponding semantic class. This pooling is justified by a multiple instance learning argument and performed efficiently with a hierarchical extension of expectation-maximization. The benefits of the supervised formulation over the more complex, and currently popular, joint modeling of semantic label and visual feature distributions are illustrated through theoretical arguments and extensive experiments. The supervised formulation is shown to achieve higher accuracy than various previously published methods at a fraction of their computational cost. Finally, the proposed method is shown to be fairly robust to parameter tuning