基于文本分類的本體匹配及其應用研究.pdf

1、語義Web不是一種全新的Web,而是對當前Web的擴展,其中的信息被賦予明確的含義,使機器和人能更好地的協(xié)同工作。語義Web的基礎(chǔ)之一是本體,為了讓機器能夠理解Web的內(nèi)容,需要建立本體,并利用本體中定義的概念作元數(shù)據(jù)來標記Web的內(nèi)容。語義概念的相似性度量一直以來都是人工智能領(lǐng)域的研究熱點。人工智能領(lǐng)域的相似性度量模型致力于從特定的知識表述中計算出概念間的相似性。本論文以文本分類的機器學習理論為基礎(chǔ),提出了本體概念匹配的整體框架,借助

2、改進的貝葉斯(Bayes)分類器和支持向量機分類器分析本體中的個體實例特征,建立了一個基于實例的本體概念相似性度量模型,給出了基于文本分類的概念相似性度量算法,并提出了概念匹配后概念的可滿足性和本體一致性的檢測策略。最后,本文將提出的本體匹配理論用于網(wǎng)絡教育的概念型知識學習系統(tǒng),使論文的研究成果體現(xiàn)在該系統(tǒng)中。現(xiàn)將論文的主要研究內(nèi)容概括如下:①介紹和綜述論文的理論基礎(chǔ)。主要包括語義網(wǎng)、本體論、文本分類技術(shù)、描述邏輯推理及其研究現(xiàn)狀。②基

3、于Bayes的文本分類模型的研究。樸素貝葉斯分類算法是一個簡單、有效而且在實際使用中很成功的分類算法,其性能可以與其他典型分類算法相媲美,在某些場合還優(yōu)于其他分類器。本文在引入互信息等因素后,提出了基于特征相關(guān)性的樸素貝葉斯文本分類改進模型,對于大部分類別的資源,改進后的樸素貝葉斯算法都能得到較高的準確率和召回率,同時該分類器對各類別資源分類性能提高的效果不一樣。事實上,該模型引入了語義特征,建立了傳統(tǒng)特征與概念、概念與類別的映射關(guān)系。

4、③基于支持向量機(SVM)的文本分類模型研究?；诮y(tǒng)計學習理論的支持向量機算法具有堅實的數(shù)學理論基礎(chǔ)和嚴格的理論分析,具有理論完備、全局優(yōu)化、適應性強、推廣能力好等優(yōu)點,是機器學習中的一種新方法和研究的新熱點。它使用結(jié)構(gòu)風險最小化原則,綜合了統(tǒng)計學習、機器學習和神經(jīng)網(wǎng)絡等方面的技術(shù),在最小化經(jīng)驗風險的同時,有效地提高了算法泛化的能力。它與傳統(tǒng)的機器學習方法相比,具有良好的潛在應用價值和發(fā)展前景。本文針對基于二叉樹的多分類支持向量機自身存

5、在的問題,提出了改進二叉樹結(jié)構(gòu)生成的思想,最后對這種改進的樹結(jié)構(gòu)算法進行了設計及分析。改進后的BT-SVM多分類方法有比較高的分類準確率,它用于多類文本分類達到了預期的效果。④本體概念相似度計算算法。在分析了目前常用的本體匹配技術(shù)的基礎(chǔ)上,提出了基于文本分類技術(shù)的本體概念匹配的框架。算法的主要思想是利用本體中概念的文本實例集,通過訓練獲得概念的文本分類特征。再對本體概念的文本數(shù)據(jù)集進行交叉學習分類和計算并獲取了兩個本體所有概念對的相似度

6、評估矩陣。為了充分利用多種分類器的優(yōu)勢,在概念匹配過程中,給出了利用概念對相似度的突出度策略,克服了單一文本分類器對某些文本數(shù)據(jù)不敏感的問題,同時還給出了利用本體半結(jié)構(gòu)信息來幫助分類的策略。根據(jù)對真實Web數(shù)據(jù)集的測試結(jié)果,表明本文提出的本體概念匹配算法具備很好的匹配精度。⑤基于描述邏輯及其推理機方法。它能夠?qū)崿F(xiàn)本體一致性和可滿足性的全面測試和分析。然而要使用推理機實現(xiàn)本體測試的前提是需要完成實例數(shù)據(jù)的匹配和關(guān)聯(lián)的處理,這將對本體匹配方

7、案的評估帶來巨大的工作量,本文提出了面向語義的本體匹配評估策略,進一步拓展了本體概念之間的關(guān)系,并對實際工程應用具有重要的參考意義。⑥概念型智能學習系統(tǒng)模型(CILSM:ConcepturalIntelligenceLearningSystemModel)。目前,網(wǎng)絡教學系統(tǒng)促進了教育的發(fā)展,但其本質(zhì)是傳統(tǒng)教學的擴展,而不能完全適應信息社會終身學習的需要,因為它們只是一個新型的學歷教育系統(tǒng)。由于Web是當前最豐富的學習資源,所以本文提出