面向中文網(wǎng)絡百科的本體學習與知識獲取研究.pdf

1、對大數(shù)據(jù)進行研究和分析，將大數(shù)據(jù)轉(zhuǎn)化為信息和知識對于知識工程和信息網(wǎng)絡安全領域都具有重要的科學價值和實際意義。本體知識庫是自動問答、決策支持、語義搜索等應用的基礎，然而本體知識庫的構建費時耗力。中文網(wǎng)絡百科是通過廣大網(wǎng)絡用戶協(xié)作方式創(chuàng)建的網(wǎng)絡大數(shù)據(jù)，是群體智慧的產(chǎn)物，其潛在用戶數(shù)約占世界人口的四分之一，為大規(guī)模、協(xié)作式本體學習與知識獲取提供了比較理想的資源和環(huán)境。本文針對中文網(wǎng)絡百科進行分析，研究適用于中文網(wǎng)絡百科特點的本體學習與知識獲

2、取方法，為從中文網(wǎng)絡百科大數(shù)據(jù)中挖掘海量概念和關系提供理論依據(jù)和算法。主要研究內(nèi)容分為四個部分:
　　(1)分類關系與實例關系獲取:通過對開放分類進行共現(xiàn)分析和語義分析獲取開放分類間的上下位關系，并將其轉(zhuǎn)化為開放分類概念層次結構。針對概念層次結構數(shù)量較多問題，提出概念層次結構聚類方法，將具有語義相似性的層次結構聚合。利用開放分類概念層次結構計算開放分類之間的相似度，在此基礎上計算開放分類的權重，根據(jù)開放分類的權重獲取百科條目與開放

3、分類之間的實例關系，建立海量分類詞匯表。在互動百科數(shù)據(jù)集上進行實驗表明，與代表性方法相比，本文提出的本體學習方法在性能上有明顯提高。
　　(2)屬性關系獲取:將屬性值看做命名實體，從百科文本集中挖掘頻繁k元模式，通過對k元模式進行關聯(lián)分析獲取候選屬性詞語，再借助語義資源去除重復的候選屬性詞語，為類別建立統(tǒng)一的屬性列表。針對每個類別屬性，采用bootstrapping方法獲取屬性觸發(fā)詞，根據(jù)觸發(fā)詞從文本集中挖掘?qū)傩灾党槿∧Ｊ?，并基?/p>

4、層次聚類過濾低頻、不可信的模式。在互動百科文本集上進行實驗表明，與人工定義的類別屬性相比，本文獲取類別屬性數(shù)量較多，且更能體現(xiàn)類別的特征;與代表性方法相比本文提出的屬性值獲取方法在性能上有所提高。
　　(3)實體關系獲取:利用百科結構化信息和百科文本集自動獲取關系抽取的訓練數(shù)據(jù)。從訓練數(shù)據(jù)和語義資源中挖掘關系詞語，通過關系詞語過濾對訓練數(shù)據(jù)進行優(yōu)化，并使用n元模式特征建立分類器，對測試數(shù)據(jù)進行標注，獲取關系實例。實驗結果表明，關系

5、詞語過濾能夠提高訓練數(shù)據(jù)的質(zhì)量，n元模式特征能夠緩解傳統(tǒng)n-gram特征稀疏性問題，提升分類器的性能。并提出NF-Tri-training弱監(jiān)督關系抽取方法，采用Tri-training算法迭代訓練多個分類器，不斷從未標注數(shù)據(jù)中獲得新樣本加入初始訓練集，同時采用數(shù)據(jù)編輯技術對初始訓練集以及新樣本進行剪輯、去噪。實驗結果表明，該方法能夠提高分類器的泛化能力，提升弱監(jiān)督關系抽取的性能。
　　(4)部分-整體關系獲取:從百科文本集中挖掘