基于Bootstrapping的本體標注方法研究.pdf

1、隨著互聯(lián)網的發(fā)展，web資源呈現(xiàn)出高速增長，但目前互聯(lián)網中的信息處理自動化低，信息之間關聯(lián)性差，即使借助功能強大的搜索引擎，由于冗余信息過多，也無法快速準確地從web資源中獲得有效信息。為了解決這樣的問題，Web創(chuàng)始人Tim Berners-Lee于1998年提出了語義Web的概念，它在現(xiàn)有Web基礎之上新增了擴展層，并在這層上對Web信息進行形式化的描述。因此通過本體詞匯標注Web資源，將Web上資源的狀態(tài)從機器可讀提高到機器可理解的

2、程度，并以此為基礎發(fā)展語義Web是高效獲取Web信息的解決之道。
　　 現(xiàn)有的大部分標注方法自動化程度低，適應性較差，效率低下。本文對本體標注方法進行了系統(tǒng)的研究，探索出了一種基于Bootstrapping的本體標注新方法。先對給定的本體進行解析，生成規(guī)則文件，然后通過文本分類篩選出領域文檔。之后，采用Bootstrapping的方法進行信息標注抽取和Ontology推理，幾次循環(huán)之后，只利用少量的訓練文本就能達到較好的標注效果

3、。本文主要工作如下：
　　 ①提出了一種新的基于Bootstrapping和貝葉斯算法的文本分類自動學習算法。由于待標注文本往往復雜多樣，若直接進行信息標注、抽取，工作量巨大且標注錯誤率高。因此，在標注之前，需要先進行文本分類，抽取出與領域Ontology相關的文檔。為了使分類器能夠在小樣本情況下對文本進行正確的分類和標注，本文提出了一種新的基于Bootstrapping和貝葉斯算法的文本分類自動學習算法，該算法只需少量的訓練

4、樣本作為種子集，來訓練分類器，然后從分類的結果中挑選出部分置信度最高的文本加入到種子集中，作為新一輪的訓練樣本，重復訓練直到結束。這樣，只通過少量訓練樣本就能達到大量訓練樣本訓練的結果。
　　 ②提出了一種利用Bootstrapping和規(guī)則對文本集進行標注的方法。首先，根據(jù)規(guī)則文件對文本集進行初始標注，得到標注好的文本集。然后，利用實例的上下文關系，借鑒WHISK算法對抽取規(guī)則進行歸納，生成新的規(guī)則文件，標注新詞匯。接著，抽

5、取標注過的信息，填充到本體文件中。最后，借助于Ontology推理機，推理本體文件，去除錯誤數(shù)據(jù)，并修剪錯誤的規(guī)則，經過多次迭代，從而使模型能達到自動抽取新實例，豐富、完善本體的目的。待迭代完成后，得到標注好的文本集合和豐富的本體庫。
　　 ③提出了一種基于Bootstrapping的本體標注方法。該方法將領域文本的分類和標注結合成為一個整體模型，模型每次迭代后擴充的本體庫使得分類器得以繼續(xù)進行，而由分類產生的未標注領域文檔又