高效的异构本体的映射算法研究

基于本体的概念间相似度计算已经在信息检索等诸多领域成为当今信息技术研究的热点问题之一。本文的工作是针对描述同一领域的多个本体间存在的异构问题,设计一种快速高效的映射算法来实现异构本体的融合。本文提出了一种基于异构本体的相似度计算方法,通过字面概念相似度和语义结构(包括节点深度、节点密度、边权重、信息量等)相似度等方面的综合计算,可以准确地得到异构本体间的概念映射关系;同时,通过对映射方法的优化,算法的匹配速度也有很大程度的提高。实验结果表明,该算法可以有效地排除本体异构的影响,得到较好的概念相似性计算效果。     

一种综合加权的本体概念语义相似度计算方法

基于本体的概念语义相似度近年来在信息科学的多个领域获得了广泛的应用,其计算方法也为诸多学者所关注。分析现有基于本体的概念语义相似度计算方法的工作原理和优缺点,提出一种对概念共享路径的重合度和概念最低共同祖先节点的深度进行综合加权的概念语义相似度算法。该算法灵活简便、可扩展性强,能够应用于不同类型的本体。使用基因本体和植物本体的部分数据进行了实验并与两种现有算法进行了比较,实验结果证明了提出的计算方法的正确性和有效性。     

一种基于本体的概念相似度计算及其应用

概念的语义相似度研究,是知识表示以及信息检索领域中的一个重要内容。本文提出了基于语义相似度和相关度的综合概念相似度计算方法,考虑了语义距离和本体库特征,加入概念的信息重合度、概念的深度、概念的密度和不对称因子的辅助影响。通过实验和两种传统的语义相似度计算方法进行对比,本方法能更好地区分本体树中不同关系的概念对,验证了该方法的有效性。     

改进的领域本体概念语义相似度计算方法

基于领域本体的树状层次结构,从路径距离、语义重合度、语义深度、语义密度和概念属性几个角度讨论并优化了领域本体概念语义相似度的计算方法。该方法在聚焦爬虫网页分析中的成功应用,充分验证了它对概念语义相似度进行量化的准确性。     

基于本体的概念相似度计算

概念相似度的计算是信息检索领域的研究热点。本体在信息检索和人工智能领域的广泛应用,为概念相似度计算带来新的方法。该文提出一种利用本体来计算概念间相似度的方法,综合考虑语义距离和本体库统计特征。加入概念的深度、语义重合度和概念间强度的辅助影响。实验结果表明,该方法对概念相似度的计算有效,可应用于面向Web的信息检索。     

领域本体的概念相似度计算

随着本体在信息检索、人工智能等领域的广泛应用,面向本体的概念相似度计算成为了本体研究的一大热点。当前领域本体中概念相似度的研究主要是利用概念的上下位关系进行计算,但这并没有完整反映出概念的语义信息。论文提出的算法将概念相似度计算分为两层,一层是概念语义初始相似度层,其主要利用概念之间的距离来计算概念的初始相似度。另一层是概念非上下位关系相似度层,其在概念初始相似度的基础上,计算概念通过非上下位关系体现出的相似度。最后通过综合计算,得到领域本体中概念的实际相似度。实验证明,该方法充分利用了本体中概念的语义信息,得到的结果也比较合理。     

基于本体结构的概念间语义相似度算法

针对本体模型的结构特点,从模型概念间的宽度、深度、密度等方面分析本体概念相似度的计算,将其合并为结构因素。结合语义重合度、语义距离等影响相似度的因素综合考虑,提出一种基于本体结构的计算概念间语义相似度的算法。通过建立本体模型并进行实验分析,总结出本体结构方面各因素对本题概念语义相似度的影响。     

面向教学资源查询的语义相似度和相关度算法

在基于距离的语义相似度计算方法的基础上,综合多种因素对相似度的影响,提出一种新的相似度和相关度计算方法。将其应用到教学资源领域本体,计算本体概念间的相似度和相关度。实验结果显示该算法可以提高传统基于距离的相似度算法的性能。最后比较了利用该算法的语义查询与传统关键字查询的结果。     

针对构件测试本体的语义相似度计算方法

为了提高构件测试信息的检索效率,针对现有本体语义相似度计算方法作用于构件测试本体时容易出现漏检的问题,提出一种结合本体概念和属性的综合语义相似度计算方法。该方法首先结合概念的结构、层次、子代节点个数和祖先节点个数等因素计算概念相似度;然后,结合属性的概念相似度和数据类型相似度计算属性相似度;最后,综合概念相似度和属性相似度计算本体的语义相似度。实验表明该方法可以有效应用于构件测试领域及其他领域的信息检索。     

基于本体的概念相似度计算及其应用

提出了基于语义相似度和相关度的综合概念相似度计算方法.语义相似度考虑了语义距离和本体库特征,加入概念的信息量、概念的深度、概念的密度和不对称因子的辅助影响;语义相关度从直接相关、间接相关、直接继承和间接继承几个方面考虑.通过实验和两种传统的语义相似度计算方法进行对比,本方法能更好地区分本体树中不同关系的概念对,验证了该方法的有效性.     

改进模糊划分聚类的协同过滤推荐算法

针对传统协同过滤（CF）推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷，提出一种改进模糊划分聚类的协同过滤推荐算法（GIFP-CCF+）。在传统基于修正余弦相似度计算方法上，引入时间差因子、热门物品权重因子以及冷门物品权重因子以改善相似度计算结果；同时引入改进模糊划分的GIFP-FCM算法，将属性特征相似的项目聚成一类，构造索引矩阵，同索引间根据项目间的相似度寻找项目最近邻居构成推荐，从而提高协同过滤算法（CF）的精度。通过与Kmeans-CF、FCM-CF和GIFP-CCF算法进行仿真对比实验，证明了GIFP-CCF+算法在推荐结果和推荐精度上具有一定的优越性。     

一种改进的本体相似度综合映射方法研究

为了解决本体映射方法中计算量大、方法单一的问题,提出本体相似度综合映射方法。首先分解合适的本体,将规模比较大的本体分解为小本体,以降低映射计算的时间复杂度;然后根据本体映射的启发规则筛选出候选概念集,对候选概念集进行基于世界知识体系的本体概念相似度计算,再进行语义相似度和结构相似度计算,并把这3种不同算法得到的相似度值进行加权综合,给出最终的本体概念相似度值,再根据该值进行本体映射;最后通过设计实验来验证算法的正确性与有效性,结果表明本方法能在提高映射效率的同时保证良好的查询效果。     

近似概念的遗传生成算法及其推荐应用

由于构造概念格的时间复杂度高,在推荐领域已有研究者提出用概念集合来替代概念格.但目前对概念集合的研究未考虑近似概念的作用,因此将近似概念引入推荐应用,并提出基于遗传算法(GA)的近似概念生成算法(ACGA)和相应的推荐应用方案.首先由启发式方法生成初始概念集合;其次用交叉算子对初始概念集合中的概念的外延两两求交集,从而...     

改进DTW下界函数的距离度量方法研究

动态时间弯曲算法（DTW）是一种常见的时间序列相似性度量方法,对数据挖掘任务起着至关重要的作用。针对现有DTW算法的时间复杂度高、度量精确度一般的特征,提出一种DTW下界函数的提前终止算法（LB＿ESDTW）。引入提前终止思想,提高算法的执行效率;再在提前终止算法思想的基础上,与DTW下界函数相结合,提出一种基于提前终止DTW的下界函数算法（LB＿ESDTW）。该算法在保证高效的运行时间效率的同时,也使得算法的度量准确率得到了提升。实验结果表明,LB＿ESDTW在绝大部分时间序列数据集中,都表现出良好的适应性,针对不同类别的时间序列,都能有良好的度量性能。     

基于用户聚类与项目划分的优化推荐算法

针对传统协同过滤推荐算法没有充分考虑用户属性及项目类别划分等因素对相似度计算产生的影响,存在数据稀疏性,从而导致推荐准确度不高的问题.提出一种基于用户属性聚类与项目划分的协同过滤推荐算法,算法对推荐准确度有重要影响的相似度计算进行了充分考虑.先对用户采用聚类算法以用户身份属性聚类,进而再对项目进行类别划分,在相似度计算中增加类别相似度,考虑共同评分用户数通过加权系数进行综合相似度计算,最后结合平均相似度,采用阈值法综合得出最近邻.实验结果表明,所提算法能够有效提高推荐精度,为用户提供更准确的推荐项目.     

一种改进的隐私保持协同过滤推荐算法

采用随机扰乱技术的协同过滤推荐算法会降低推荐精度,基于此,提出扰乱强度权重的概念及其度量方法,给出一种改进的基于随机扰乱技术的隐私保持协同过滤推荐算法。该算法依据推荐用户的扰乱强度计算相应的扰乱强度权重,相似度的计算综合考虑用户评分相似度和扰乱强度权重两方面因素。实验表明,改进后的算法在不影响隐私保护效果的前提下,提高了推荐精度。     

基于自然语言检索的综合相似度计算算法

随着人工智能的发展,自然语言检索已逐步成为信息检索领域中的研究热点,而文本相似度计算算法直接决定着检索效果.在分析已有研究工作的基础之上,分别在统计信息层面和语义信息层面上提出了对应的相似度计算算法,最后提出了一种综合相似度计算算法,并通过相关实验验证了综合相似度计算算法对自然语言智能检索的有效性.     

模糊C-均值聚类算法的优化

针对传统模糊C-均值聚类算法（FCM算法）初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法（Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法）。该算法通过计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离计算样本集的相似度,以满足不同度量单位数据的要求。实验结果表明,FCMBMD算法在聚类中心、收敛速度、迭代次数以及准确率等方面具有良好的效果。     

基于关键点的不同长度时间序列相似性度量

目前,时间序列的相似性大多是在原始序列上进行判断和比较的,原始序列维度较高,计算量大,不利于相似性比较。提出了新的关键点（转折点或极值点）算法,除利用常用的极值法求非单调序列的关键点外,还提出了求单调序列关键点的新算法,利用该算法可以压缩时间序列,降低维度,又能保持序列的轮廓。在关键点时间序列上提出了新的相似性判定算法,利用该算法可计算任意两序列的相似度,并且提高了相似性判定的鲁棒性,减少人为干预设置阈值带来的影响。实验结果表明,基于时间序列关键点的相似性算法能很好地判定任意两序列的相似性,减少了计算量,提高了鲁棒性及减少人为干扰,对时间序列数据挖掘中的聚类与预测有很好的帮助作用。     

基于概念间边权重的概念相似性计算方法

介绍了传统的基于距离的相似度计算方法,针对其在距离计算中包含语义信息不充足的现状,提出了一种改进的使用WordNet的基于概念之间边的权重的相似性度量方法。该方法综合考虑了概念在词库中所处层次的深度和密度,即概念的语义丰富程度,设计了一种通用的概念语义相似性计算方法,该方法简化了传统语义相似性算法,并解决了语义相似性计算领域的相关问题。实验结果表明,所提方法在Rubenstein数据集上与人工判断有着0.9109的相关性,与其他经典的相似性计算方法相比有着更高的准确性。