知网的形式概念分析及概念相似度研究

将知网的义项、义原及其关系映射到形式化概念分析的语境中,生成一个基于知网的形式概念格.一方面,提供了一种将知网中概念关系转换为概念格的表征方式,从格中任意一个节点出发,可以很方便地访问到与此相关的各种知识,从而为信息检索和知识推理提供很大方便;另一方面,也提出了一种通过对形式概念格进行分析来计算概念相似度的方法.实验证明该方法克服了以往计算方法的若干不足,并能有效地在相关应用领域如协作学习言论分析中加以应用.     

《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。     

一种基于知网的概念相似度计算方法

概念相似度计算是句子相似度计算的基础,以知网中的义原关系为依据,认为两个概念,其独立义原对相似度大小起着决定性作用;独立义原越相近,描述的信息差越小,它们的相似度也就越大.提出了一种基于知网的概念相似度的计算方法,定义了概念相似度公式.实验表明,据此计算概念相似度,在一定程度上和人的直观更加符合的结果.     

基于《知网》概念定义的情感词典构建研究

情感倾向,就是人对人或事物的看法,即主观色彩,通常分为褒贬、积极消极、好坏等方面。情感词语的情感倾向判别和权值赋予问题是文本倾向性分析研究中的基础,情感权值的研究在文本倾向性分析、舆情分析、文本分类等研究领域有着广泛的应用,最具有代表性的方法是通过对《知网》中词语的义原相似度的计算来进行词语相似度的计算。在其词语相似度计算方法的基础上,对《知网》词语概念库glossary.dat文件进行提取、修剪和增删,并通过同义词、反义词和人工甄选种子词语,使其对于情感词的权值的计算研究更加精确,实验结果表明,该方法在情感词褒贬义判别、权值取值上和应用上都有不错的效果。     

基于知网相关概念场的中文词向量

词向量是词的低维稠密实数向量表示,在自然语言处理的各项任务中都扮演了重要角色。目前词向量大多都是通过构造神经网络模型,在大规模语料库上以无监督学习的方式训练得到,这样的模型存在着两个问题: 一是低频词词向量的语义表示质量较差;二是忽视了知识库可以对该模型提供的帮助。该文提出了利用知网相关概念场来提升词向量语义表示质量的模型。实验结果表明,在词语相似度任务、词语相关度任务和词语类比任务上,该模型使得斯皮尔曼相关性系数和准确率都得到了显著的提升。     

改进的基于《知网》的词汇语义相似度计算

针对当前基于《知网》的词汇语义相似度计算方法没有充分考虑知识库描述语言对概念描述的线性特征的情况,提出一种改进的词汇语义相似度计算方法。首先,充分考虑概念描述式中各义原之间的线性关系,提出一种位置相关的权重分配策略;然后,将所提出的策略结合二部图最大权匹配进行概念相似度计算。实验结果表明,采用改进方法得到的聚类结果F值较对比方法平均提高了5%,从而验证了改进方法的合理性和有效性。     

基于领域知网的中文自动答疑系统的设计

针对传统中文自动答疑系统的不足,借鉴《知网》的思路,并在此基础上提出了一种基于领域知网的中文自动答疑系统CQASTH。为验证系统答疑的准确性,实现了一个实验系统CMHQAES。实验表明,CQASTH实现了语义理解和语义计算,提高了答疑的准确率。     

基于Petri网的OwL-S语义匹配机制研究

传统的UDDI不支持语义推理以及基于服务属性的匹配,因此存在召回率低、匹配效率低等问题。基于此问题提出了一种基于Petri网的OWL-S语义匹配机制,即借助Multi-Agent服务发现框架,使用PNSDL描述语言来发布和请求服务。该匹配机制借助Petri网对服务的描述能力,通过使用可能性和必然性程度代表服务可以胜任需求的置信度,从而实现服务的匹配。该机制具有强大的逻辑推理能力及对多服务的建模能力,能提高匹配的真实度、匹配度等。     

概念匹配方法综述*

详细介绍了概念匹配方法研究的背景和意义,分析和比较了现有的概念匹配方法及其优缺点和应用,并展望了概念匹配方法发展的方向。     

构建知网关系的网状表示

本文介绍了一个针对知网关系的网状表示结构及其实现方法。通过构建三张数据表:概念表、特征表和关系表,以及建立它们的记录项之间的双向多元联系,可以方便地把知网的所有知识(概念、特征以及它们之间的各种关系) 集成在一起,从而为进一步进行基于知网的信息检索和知识推理打下很好的基础。     

基于主题词表和 FCA的网页语义概念树构建研究

针对用户使用网站效率低和网站质量差的问题,提出了利用形式概念分析（FCA）来构建网页语义概念树的方法。该方法首先利用信息抽取、自然语言处理等技术对网页集进行文本抽取、分词,提取出描述文本语义的特征词;再以主题词表为参照,设计基于搜索引擎的词语相似度算法,将抽取的特征词全部转换成主题词表中主题词,对将抽取的语义信息转换成形式背景,利用规则、聚类等技术对形式背景进行约简。最后通过设计的建格算法构建概念格,实现概念树构建。实验结果表明,利用该方法构建的概念树可以作为网站本体模型的基础,对语义评估具有积极的意义,具有一定的应用价值和借鉴意义。     

Web服务匹配中基于语义距离的概念相似度计算方法的改进

在Web服务匹配中,基于语义距离的概念相似度计算方法居于重要的地位。因现有基于语义距离的概念相似度计算方法未考虑语义不对称性和语义密度的影响,导致计算结果不够准确。为提高概念相似度计算的准确性,在现有研究的基础上,通过增加不对称因子和密度因子,对基于语义距离的概念相似度计算方法加以改进。最后通过算例对改进后的方法的可行性进行了验证,经对比分析表明改进后的方法更真实地反映了概念间的语义关系,计算结果更加符合客观实际。     

基于语义的网格服务匹配研究*

随着网格技术的发展,网格服务匹配成为了新的研究热点。服务匹配是有效提高网格资源利用的关键技术。分析了服务匹配中广泛存在的服务提供方与服务请求方往往无法做到事先沟通的原因,提出了将语义引入服务描述语言以及服务匹配算法的基于语义的网格服务匹配技术,并结合服务匹配的具体应用,提出了相应的解决方案。     

结合匹配度和语义相似度的Deep Web查询接口模式匹配

查询接口模式匹配是Deep Web信息集成中的关键部分,双重相关性挖掘方法（DCM）能有效利用关联挖掘方法解决复杂接口模式匹配问题。针对DCM方法在匹配效率、匹配准确性方面的不足,提出了一种基于匹配度和语义相似度的新模式匹配方法。该方法首先使用矩阵存储属性间的关联关系,然后采用匹配度计算属性间的相关度,最后利用语义相似度计算候选匹配的相似性。通过在美国伊利诺斯大学的BAMM数据集上进行实验,所提方法与DCM及其改进方法比较有更高的匹配效率和准确性,表明该方法能更好地处理接口之间模式匹配问题。     

基于动态信任语义库的Web服务匹配算法

针对传统基于语义的Web服务匹配算法无法解决模糊语义下匹配的问题,提出一种基于动态信任语义库的Web服务匹配算法。将交互实体对服务提供者的评价行为进行灰色聚合,筛选出可信实体;依据可信实体对服务提供者的服务描述,提取语义信息,构建动态的语义库,对于Web服务描述中的模糊语义概念,从可信实体的服务描述中抽取相应概念并替换;计算服务请求向量与服务描述向量的语义相似度,衡量Web服务的匹配程度。实验结果表明,在存有模糊语义的情况下,该算法具有更好的匹配效果。     

基于本体概念相似度的遥感信息服务匹配研究

构建了一个遥感信息领域本体,基于领域本体和WordNet词典对遥感信息服务进行语义扩展,提出了一种基于本体概念相似度的遥感信息服务匹配方法,并对Leacock和Chodorow语义相似度计算模型进行改进。实验结果表明,该改进模型比距离模型和信息量模型都有提高,基于本体概念相似度的遥感信息服务匹配方法的查全率和查准率都能达到70%以上,较关键字匹配方法有显著提高。     

一种基于情境的语义索引方法

搜索引擎中的索引方法是目前研究的活跃领域之一。为了解决基于关键字索引方法中由同义词和多义词带来的语义混淆与分歧问题,在已有的研究基础上,提出了一种语义索引方法。通过使用本体对索引中情境信息的细化来控制检索的范围,应用概念匹配的方式保证了检索结果相关程度并减少了漏检程度,同时给出了结果排序方法;利用该索引方法检索在精准程度方面有明显提高。实验表明,该方法提高了检索的查准率和查全率,排序具有较好的效果。     

利用概念格发现领域关键词间的语义关系

提出一种利用概念格发现领域关键词间的语义关系的方法,定义了关键词间两种语义关系:相似关系和蕴含关系;关键词根据其出现频率高低分为高频关键词、中频关键词,低频关键词,进而形成关键词的语义空间.为发现高层次主题间语义关系提供了条件,也为形成语义网络奠定了一定的基础.在上海某服装搜索引擎项目中取得了很好的效果,可以直接应用于搜索引擎中的相关搜索和关键词扩展.     

基于规则和语义匹配的模型合成研究*

设计一种基于规则和词汇语义匹配的模型合成框架,采用形式化方法描述模型及合成过程,提出语义匹配算法和合成规则,自动识别匹配元素并确定合成规则,根据规则自动生成合成模型。该框架较好地处理了模型合成中模型种类的多样性及模型命名的灵活性问题。