多知識庫融合的屬性抽取方法.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的普及和社會信息化程度的提高,各個應(yīng)用領(lǐng)域所積累的信息資源在網(wǎng)絡(luò)上飛速增長,網(wǎng)絡(luò)服務(wù)已逐漸成為了人類獲取知識的必要渠道,百科知識庫正是其中最為廣泛應(yīng)用的知識服務(wù)平臺?，F(xiàn)如今依據(jù)不同方法構(gòu)建的知識庫不斷涌現(xiàn),其中基于互聯(lián)網(wǎng)多用戶協(xié)作的維基百科和百度百科是最具代表性的語義知識庫。但是不同語義知識庫之間存在相互獨立性,而且不同知識庫的知識分類體系不同,從而造成不同語義知識庫對相同知識的描述不一致;與此同時,由于不同知識庫對知識描述

2、的偏重點不同,使單一知識庫存在信息片面的問題。
　　針對語義知識庫詞條信息不一致問題,本文提出了“類別-詞條-屬性”融合框架,并對框架的類別、詞條、屬性對象進行形式化定義;通過知識融合的方法構(gòu)建以詞條為主要描述對象的多源知識庫系統(tǒng)。本文將維基百科與百度百科進行融合處理,通過語義相似度計算的方法對不同知識源的沖突語義信息進行處理,很大程度上解決了兩個知識庫的知識信息不一致問題。
　　針對語義知識庫詞條屬性不全面問題,本文提出了

3、屬性傳播的屬性抽取原理,并建立屬性傳播模型,同時提出了基于屬性傳播的屬性抽取算法提取知識庫的詞條屬性,從而來完善知識庫詞條的描述信息?；谠~條屬性抽取的結(jié)果提取知識庫的類別屬性,為了完善類別屬性對類別的描述,提出了基于 K-means的屬性關(guān)聯(lián)詞抽取算法,并且通過語義相似度計算消除K-means聚類出現(xiàn)的關(guān)聯(lián)偏移問題。
　　實驗結(jié)果表明,本文提出的基于屬性傳播的詞條屬性抽取的算法具有較高的準確率,有效地完善了詞條屬性信息;以及基于