面向医学的本体学习方法

现有的大多数本体都是通过手工构建的。本体的构建是一项费时费力的过程,特别在医学领域更是如此。对此,提出了基于中文分词和文本挖掘技术的自动领域本体构建方法,该方法能大大提高本体构建的效率,保证本体的构建质量。     

基于主体网格的本体驱动自主学习系统

网上学习系统大多只是教材的一种电子化,没有实现用户的个性化教学。该文提出建立基于本体驱动的智能知识导航图。在学习过程中,用户可定制个性化学习内容,主体网格平台可通过Agent动态搜集个性化信息,在参考已建立的知识点本体后,基于用户行为观察的方式创建个性化学习档案,并利用主体网格智能平台AGrIP的多Agent协作提供个性化的、智能自主学习系统,为用户提供更好的知识服务。     

面向文本的本体学习研究概述

对本体（ontology）的研究在计算机领域变得越来越广泛,但手工构造本体是一项繁琐而辛苦的任务,还会导致知识获取瓶颈。本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体的（半）自动构建。本体的学习可以面向文本、知识库、结构化数据、半结构化数据和无结构数据。本文主要介绍了面向文本的本体学习,并对其中的学习内容、学习方法、学习工具、学习过程和系统评价等关键技术进行了说明,特别介绍了学习方法中的基于统计的方法、词汇句法模式法和形式概念分析法并对其优缺点做了简单的分析。     

Web知识本体集成

WWW(World Wide Web)是一个开放、分布式的环境,其中包含了大量的信息,使用知识本体可以帮助用户进行网络信息获取。在WWW上存在许多版本的知识本体,知识本体之问可以通过引用关系来实现知识本体之问的互操作和重用。由于WWW的快速增长特性以及Web知识本体之问的相对独立性,如何集成知识本体成为更好地支持Web知识本体重用的关键问题。本文提出了一种将知识本体表示转换为一阶谓词逻辑形式表示的方法,并在此基础上提出了检查知识本体与其引用的知识本体一致性的方法以及实现知识本体集成方法。     

基于Web构造领域本体方法的研究

利用Web资源完成本体构造方法的研究。不仅会缩短本体的构造周期，而且还会扩大本体的应用范围．但由于基于Web的数据提取、知识获取比较困难，与实际应用相比还有一定的距离．该文分析了基于Web本体构造数据源的动态、海量、异质、变化、开放性等特点，本体构造的基础问题——形式化表示方法，总结了本体构造的关键技术及技术难点．初步设计了一个系统结构，为实现基于Web领域本体构造方法提供了一个框架性的思路．     

知识网格环境下基于本体的CBR诊断系统架构研究

提出知识网格环境下基于本体的分布式多案例推理系统架构。该架构引入基于本体的案例推理服务器和任务-方法本体,实现了过程性知识和陈述性知识分离,有效地解决了案例推理重用问题;在案例推理服务器中共享本体约束指导下,各案例库可以灵活地表达各自领域知识,实现知识集成,解决了传统案例推理系统知识局限性问题,实现了各企事业单位之间知识共享和重用。该架构是开放的并采用Web Service技术构建,能够实现网格异构环境下系统集成,具有很强的扩展性。     

一种融合知识网格的知识构建系统设计

知识网格提供良好的跨越异构系统共享知识能力,但同时网格环境的复杂性阻碍了对数据、资源和知识的有效访问。在基于本体的基础上,本文提出了加入知识网格中间件层的知识网格体系结构,并阐述了相应的知识网格层次和具有的功能。     

面向网络化制造服务的本体知识建模研究

针对目前网络化制造环境下,服务描述、发现过程中语义信息动态表达不足的问题,从Web服务的角度提出了一个基于本体的制造服务知识建模方法,并在此基础上构建制造本体模型,最后给出服务模糊匹配的评定方法。重点研究解决了制造服务过程中不同对象间的信息交流、数据交换和知识资源重用三个问题,有效地实现网络制造环境下资源共享与优化配置,为语义Web的网络协同制造服务平台的构建奠定了基础。     

网格中基于本体的服务和知识发现服务

管理和利用由网格应用和网格操作所产生的海量数据,以及对网格资源和网格服务的智能使用是新一代网格的两个主要特征。为此,新一代网格应当具有被称为网格智能的知识发现和知识管理的功能。本体和元数据是实现网格智能的两个基本要素。此外,语义建模是网格支持高层服务和动态服务发现与组成的必要条件。本文对这些新兴服务进行了描述．并在知识网格上实现了一个基于本体的知识发现服务。     

通用知识网格下以用户为中心的数据挖掘本体研究

分布异构的海量数据挖掘是数据挖掘领域急待解决的课题，通用知识网格（UKB）架构模型用于在网格环境下创建大规模的分布式知识发现和知识集成系统。本体服务器是整个架构的核心模块，负责本体的管理和查询。数据挖掘本体服务是本体服务器提供的主要服务。本文主要介绍通用知识网格下以用户为中心的数据挖掘本体的设计和OWL实现。数据挖掘本体可满足各种不同领域、不同层次用户的知识发现服务，使系统具有开放性、可扩展性和高用户可用性。还介绍了一个反洗钱领域数据挖掘解决方案实例。     

语义网格中基于多策略学习的Ontology匹配方法

近些年来,语义Web和网格计算这两个方向在各自的研究社区分别发展着,这两方面的交叉即语义网格(semantic grid)则是最近一段时间兴起的研究领域．通过给网格附加语义层,能够促进网格自组织的形成．现有的Gnd社区都是使用集中式的、一致性的、可扩充的Ontology库．超越集中式的语义存储是语义网格发展面临的最大挑战之一．针对网格社区间的Ontology异构性这个问题,提出了一种多策略的Ontology匹配学习方法．它使用多种分类方法来学习Ontology之间的匹配：使用一般的基于统计的分类方法来发现数据实例内部的分类特征;或者使用基于一阶逻辑的学习算法FOIL来发现数据实例之间的语义联系．在单个方法预测的基础上,匹配系统使用称之为最突出的冠军的匹配委员会方法来集成分类结果．实验表明在现实的知识领域中,系统能达到很高的匹配精度．     

网格数据挖掘本体的建模

网格技术的发展使网格数据挖掘成为处理分布异构海量数据的重要手段。该文将本体引入到网格数据挖掘中。讨论了网格数据挖掘本体的结构,并提出了网格数据挖掘本体的建立过程,最后讨论了网格数据挖掘本体实现。     

网格数据挖掘本体的建模

网格技术的发展使网格数据挖掘成为处理分布异构海量数据的重要手段。该文将本体引入到网格数据挖掘中,讨论了网格数据挖掘本体的结构,并提出了网格数据挖掘本体的建立过程,最后讨论了网格数据挖掘本体实现。     

一种本体和上下文知识集成化的数据挖掘方法

在数据挖掘中使用本体和上下文知识能够将普遍的知识和特定的知识引入数据挖掘的决策因素中,是增进数据挖掘准确性的有效手段,同时也是数据挖掘领域研究的热点和难点之一.针对该问题,首先探讨了本体与上下文知识的集成化表示方法,包括上下文知识分类方法、如何在本体描述方法上扩展上下文知识及上下文知识转化方法.其次,以层次化结构的本体与上下文知识为例,构建了一个依据于本体和上下文知识集成的归纳学习算法并验证了该算法的有效性和准确性.     

基于知识点本体的学习资源框架设计

针对目前语义缺失,缺少可重用性、互操作性、共享性的学习资源现状,提出将知识点本体引入学习资源库功能模型的构建和学习知识的表达,模型中采用KDD技术对领域学科知识点的内在联系及层次关系进行分析和研究．并构建领域知识点本体模型,为学习资源适应个性化学习提供语义基础,实现资源的共享和重用。     

一种基于Web的通用本体学习框架

提出一种通用的多策略本体学习框架,通过对Web上各专业领域文档集进行挖掘来实现本体自动构建。讨论本体学习中本体概念的抽取、概念之间语义关系的抽取和分类体系的自动构建等关键技术,通过实验对算法进行测试和评价。由于集成了多种机器学习算法,该方法在概念抽取和语义关系学习方面具有更高的准确性,采用通用本体WordNet和HowNet作为语料库,可适用于不同的专业领域。通过按需获取Web文档,该方法能实时生成本体。     

基于Web的本体学习模型的设计与实现

对本体(ontology)的研究在计算机科学领域变的越来越广泛,但手工构建本体是一项繁琐而辛苦的任务,还容易导致知识获取瓶颈,无法保持本体的更新。本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体的自动或半自动构建。该文提出了基于Web的本体学习模型,分析了模型实现中的文档预处理、术语抽取、概念选择、概念分类等关键技术。