基于中文文本的本體學(xué)習(xí)關(guān)鍵技術(shù)研究.pdf

1、隨著大數(shù)據(jù)時代的到來，Internet上的知識數(shù)量呈現(xiàn)指數(shù)級增長，其內(nèi)容變得更加豐富、形式更加多樣，如何將這些知識進(jìn)行快速地、準(zhǔn)確地組織和管理成為計算機相關(guān)領(lǐng)域的研究熱點。本體(Ontology)作為解決語義層次上Web信息共享和交換的基礎(chǔ)，自提出以來就引起了國內(nèi)外學(xué)者的廣泛關(guān)注。因此，本體的相關(guān)研究具有重要意義，其研究的主要內(nèi)容包括本體構(gòu)建、本體映射以及本體應(yīng)用等。
　　針對當(dāng)前手工構(gòu)建本體耗時費力、難以動態(tài)更新等諸多瓶頸問題，

2、本文重點對自動或者半自動構(gòu)建本體即本體學(xué)習(xí)進(jìn)行研究，主要研究內(nèi)容包括本體概念抽取、概念關(guān)系抽取等方面，其中概念關(guān)系主要分為分類關(guān)系（上下位關(guān)系）和非分類關(guān)系。針對本體學(xué)習(xí)的相關(guān)研究，本文工作主要包括以下幾個方面:
　　(1)本體概念作為本體的基石，決定了本體構(gòu)建的質(zhì)量。對于本體概念抽取的研究方法:首先，分析了目前一些常用的本體概念抽取方法，領(lǐng)域一致度與領(lǐng)域相關(guān)度相結(jié)合的方法以及CCM與TFIDF相結(jié)合的方法;然后，針對TFIDF方

3、法未考慮到概念在語料集中分布的情況，提出了一種CCM與TFIDFE相結(jié)合的概念抽取方法;最后，將上述這些方法做出對比分析，驗證了本文所提出方法的有效性。
　　(2)上下位關(guān)系作為本體的基本骨架，能夠?qū)⒈倔w概念進(jìn)行層次化劃分。結(jié)合改進(jìn)的K-Means聚類算法，提出一種分類關(guān)系抽取方法:首先，構(gòu)建領(lǐng)域概念的空間向量模型VSM;然后，為減少單一采用余弦距離計算概念間相似度引起的誤差，本文利用歐幾里德距離與余弦距離相加權(quán)的方式計算概念間的

4、相似度;最后，采用改進(jìn)的K-Means算法進(jìn)行概念聚類，并引入Sil指標(biāo)函數(shù)作為確定最優(yōu)簇類數(shù)K的方法。實驗結(jié)果表明，采用該方法可以取得較好的聚類效果。
　　(3)非分類關(guān)系作為本體的主要枝干，使得本體更加完備。對于非分類關(guān)系抽取的研究方法:首先，采用關(guān)聯(lián)規(guī)則方法抽取共現(xiàn)的概念對;然后，根據(jù)概念、動詞共振性原理，采用VF*ICF方法獲取與概念共現(xiàn)的領(lǐng)域動詞，并將其作為關(guān)系標(biāo)簽;最后，結(jié)合對數(shù)似然比方法LLR計算上述抽取的概念對與關(guān)