基于語(yǔ)義本體的特征降維方法研究.pdf

1、特征降維是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的研究重點(diǎn)，尤其在生物醫(yī)學(xué)領(lǐng)域等特殊領(lǐng)域的分類(lèi)研究中。隨著語(yǔ)義網(wǎng)、本體的發(fā)展，基于語(yǔ)義的特征降維研究得到了廣泛關(guān)注。已有的特征降維算法大多基于統(tǒng)計(jì)學(xué)信息，如信息增益法，雖然在文本自動(dòng)分類(lèi)中獲得一定的效果，但是，傳統(tǒng)特征降維算法通常存在以下問(wèn)題：(1) 將所有出現(xiàn)的特征詞列入特征空間，導(dǎo)致特征空間過(guò)大，冗余的特征信息會(huì)對(duì)后續(xù)的數(shù)據(jù)處理任務(wù)產(chǎn)生干擾；(2) 特征空間不具有語(yǔ)義信息，忽略了特征之間的語(yǔ)義信息，以及特

2、征與類(lèi)標(biāo)簽之間的語(yǔ)義關(guān)聯(lián)，導(dǎo)致選擇的特征與類(lèi)標(biāo)簽沒(méi)有語(yǔ)義關(guān)聯(lián)。
　　 為了充分利用特征間的語(yǔ)義關(guān)聯(lián)，本文提出了一種基于本體的特征降維算法OBDR(Ontology-Based Dimension Reduction)，主要包括以下步驟：
　　 首先，采用基于本體的命名實(shí)體抽取技術(shù)，識(shí)別文本中出現(xiàn)的命名實(shí)體作為特征，使得原始特征空間中特征具有豐富的語(yǔ)義信息；
　　 其次，將所有特征空間中的特征根據(jù)在本體中的語(yǔ)義序列

3、映射到簇中，若兩個(gè)特征在本體樹(shù)中具有共同的父結(jié)點(diǎn)或祖父結(jié)點(diǎn)，則將這兩個(gè)特征列入同一簇。
　　 最后，每個(gè)簇都由一個(gè)特征進(jìn)行代替，該特征通過(guò)其在本體中語(yǔ)義序列決定，它可能在簇中，也可能從本體中獲得。
　　 OBDR算法主要思想是采用“最短極大覆蓋”策略，從原始特征空間中選取具有豐富語(yǔ)義信息的特征子集。實(shí)驗(yàn)研究表明，經(jīng)過(guò)OBDR算法特征降維后，基于特征空間的分類(lèi)模型具有較好的分類(lèi)效果，與其他經(jīng)典特征降維算法相比較，OBDR算