基于文 天職類的本體匹配及其運用探討

1、基于文 天職類的本體匹配及其運用探討    內容導讀： 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同工作。語義Web的基礎之一是本體,為了讓機器能夠理解Web的內容,需要建立本體,并利用本體中定義的概念作元數據來標記Web的內容。語義概念的相似性度量一直以來都是人工智能領域的研究熱門。人工智能領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。本論文以文天職類的機器學習理論為基礎,提出了本體概念匹配的整體框架,借助改進的貝葉斯(Bayes)分類器和支持向量機分類器分析本體中的個

2、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,給出了基于文天職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絡教育的概念型知識學習系統(tǒng),使論文的研究成果體現在該系統(tǒng)中。現將論文的主要研究內容概括如下:先容和綜述論文的理論基礎。主要包括語義網、本體論、文天職類技術、描述邏輯推理及其研究現狀?；贐ayes的文天職類模型的研究。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性的樸素貝葉斯文天

3、職類改進模型,對于大部分種別的資源,改進后的樸素貝葉斯算法都能得到較高的正確率和召回率,同時該分類器對各種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、概念與種別的映射關系?；谥С窒蛄繖C(SVM)的文天職類模型研究?；诮y(tǒng)計學習理論的支持向量機算法具有堅實的數學理論基礎和嚴格的理論分析,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門。它使用結構風險最小化原則,綜合了統(tǒng)計學習、機器學習和神經網絡等方面的技利用本體半結構信息來幫助分類的策略。根據對真實Web數據集的測試結果,表明本文提出的本體概念匹配算法具備很好的

4、匹配精度?；诿枋鲞壿嫾捌渫评頇C方法。它能夠實現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本體測試的條件|教育論文網|是需要完成實例數據的匹配和關聯的處理,這將對本體匹配方案的評估 學屬性,采用計算機可處理(可讀、可推理)的方式進行組織,形成“知識空間”(KnowledgeSpace)。知識空間用資源描述框架(RDF/RDFS)元數據描述,并用Web本體語言(OWL)描述的本體組織知識。知識空間包括多個本體,而本體匹配是系統(tǒng)亟待解決的問題,本文提出的本體匹配框架和算法在一定程度上解決了該問題?！娟P鍵詞】：語義Web本體本體匹配文天職類網絡教育知識空間【論文提綱】：·

5、摘要3-5· ABSTRACT5-12· 1緒論12-36· 1.1課題的背景和意義12-14· 1.2互聯網的數據組織形式及其現狀14-17· 1.3語義WEB的體系結構17-19· 1.4本體論及其研究現狀19-32········· 1.5論文的主要研究內容32-36· 2基于貝葉斯分類器的文天職類技術研究36-58· 2.1文天職類概念36-37· 2.2問題描述37···

6、83; 2.3文天職類應用37-38···· 2.4文天職類模型的評估38-42··· 2.5樸素貝葉斯文天職類方法及其改進42-57······實驗環(huán)境的構建52-53··· 2.6小結57-58· 3基于支持向量機分類器的多類文天職類技術研究58-94· 3.1SVM分類原理58-62· 3.2SVM分類中的模型選擇及優(yōu)缺點62-63· 3.3SVM分類的主要問題及解決方法63· 3

7、.4一種改進的多分類支持向量機63-79···· 3.5多類支持向量機文天職類實驗79-92····· 3.6小結92-94· 4本體概念的相似度評估94-120· 4.1問題描述94-96· 4.2本體匹配的應用領域96-97· 4.3本體集成的主要模式97-98· 4.4本體匹配的主要方法98-100· 4.5主要的本體匹配框架100-106····· 4.6基于文天職類的本體匹配框架106-

8、119······· 4.7小結119-120· 5本體匹配方案的測試評估120-140· 5.1問題描述120-123···配的概念可滿足測試122-123· 5.2描述邏輯與推理算法123-130··· 5.3基于描述邏輯匹配方案評估130-133···· 5.4基于本體語義滿足性的評估技術133-136···· 5.5概念間依靠關系檢測概念的可滿足性1

9、36-138···· 5.6小結138-140· 6本體匹配在知識學習中的應用研究140-164· 6.1知識學習概述140-142· 6.2知識教學系統(tǒng)142-147···· 6.3概念型智能學習系統(tǒng)模型(CILSM:CONCEPTURALINTELLIGENCEEARNINGSYSTEMMODEL)147-150··· 6.4共享網絡資源的本體學習技術研究150-158···· 6.5基于本體的知識集成和查詢158-162····2-164· 7總結與展望164-166· 7.1主要結論164-165· 7.2后續(xù)研究工作的展望165-166· 致謝166-168· 參考文