基于文本分類的本體匹配及其應(yīng)用研究.pdf

1、語(yǔ)義Web不是一種全新的Web,而是對(duì)當(dāng)前Web的擴(kuò)展,其中的信息被賦予明確的含義,使機(jī)器和人能更好地的協(xié)同工作。語(yǔ)義Web的基礎(chǔ)之一是本體,為了讓機(jī)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(lái)標(biāo)記Web的內(nèi)容。語(yǔ)義概念的相似性度量一直以來(lái)都是人工智能領(lǐng)域的研究熱點(diǎn)。人工智能領(lǐng)域的相似性度量模型致力于從特定的知識(shí)表述中計(jì)算出概念間的相似性。本論文以文本分類的機(jī)器學(xué)習(xí)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(jìn)的貝葉斯(Bayes)分類器和支持向量機(jī)分類器分析本體中的個(gè)體實(shí)例特征,建立了一個(gè)基于實(shí)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(cè)策略。最后,本文將提出的本體匹配理論用于網(wǎng)絡(luò)教育的概念型知識(shí)學(xué)習(xí)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?jī)?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(yǔ)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(gè)簡(jiǎn)單、有效而且在實(shí)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(chǎng)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(jìn)模型,對(duì)于大部分類別的資源,改進(jìn)后的樸素貝葉斯算法都能得到較高的準(zhǔn)確率和召回率,同時(shí)該分類器對(duì)各類別資源分類性能提高的效果不一樣。事實(shí)上,該模型引入了語(yǔ)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(jī)(SVM)的文本分類模型研究?；诮y(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)算法具有堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)和嚴(yán)格的理論分析,具有理論完備、全局優(yōu)化、適應(yīng)性強(qiáng)、推廣能力好等優(yōu)點(diǎn),是機(jī)器學(xué)習(xí)中的一種新方法和研究的新熱點(diǎn)。它使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,綜合了統(tǒng)計(jì)學(xué)習(xí)、機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等方面的技術(shù),在最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)的同時(shí),有效地提高了算法泛化的能力。它與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,具有良好的潛在應(yīng)用價(jià)值和發(fā)展前景。本文針對(duì)基于二叉樹(shù)的多分類支持向量機(jī)自身存

5、在的問(wèn)題,提出了改進(jìn)二叉樹(shù)結(jié)構(gòu)生成的思想,最后對(duì)這種改進(jìn)的樹(shù)結(jié)構(gòu)算法進(jìn)行了設(shè)計(jì)及分析。改進(jìn)后的BT-SVM多分類方法有比較高的分類準(zhǔn)確率,它用于多類文本分類達(dá)到了預(yù)期的效果。④本體概念相似度計(jì)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(shí)例集,通過(guò)訓(xùn)練獲得概念的文本分類特征。再對(duì)本體概念的文本數(shù)據(jù)集進(jìn)行交叉學(xué)習(xí)分類和計(jì)算并獲取了兩個(gè)本體所有概念對(duì)的相似度

6、評(píng)估矩陣。為了充分利用多種分類器的優(yōu)勢(shì),在概念匹配過(guò)程中,給出了利用概念對(duì)相似度的突出度策略,克服了單一文本分類器對(duì)某些文本數(shù)據(jù)不敏感的問(wèn)題,同時(shí)還給出了利用本體半結(jié)構(gòu)信息來(lái)幫助分類的策略。根據(jù)對(duì)真實(shí)Web數(shù)據(jù)集的測(cè)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(jī)方法。它能夠?qū)崿F(xiàn)本體一致性和可滿足性的全面測(cè)試和分析。然而要使用推理機(jī)實(shí)現(xiàn)本體測(cè)試的前提是需要完成實(shí)例數(shù)據(jù)的匹配和關(guān)聯(lián)的處理,這將對(duì)本體匹配方

7、案的評(píng)估帶來(lái)巨大的工作量,本文提出了面向語(yǔ)義的本體匹配評(píng)估策略,進(jìn)一步拓展了本體概念之間的關(guān)系,并對(duì)實(shí)際工程應(yīng)用具有重要的參考意義。⑥概念型智能學(xué)習(xí)系統(tǒng)模型(CILSM:ConcepturalIntelligenceLearningSystemModel)。目前,網(wǎng)絡(luò)教學(xué)系統(tǒng)促進(jìn)了教育的發(fā)展,但其本質(zhì)是傳統(tǒng)教學(xué)的擴(kuò)展,而不能完全適應(yīng)信息社會(huì)終身學(xué)習(xí)的需要,因?yàn)樗鼈冎皇且粋€(gè)新型的學(xué)歷教育系統(tǒng)。由于Web是當(dāng)前最豐富的學(xué)習(xí)資源,所以本文提出