基于文 天職類的本體匹配及其運(yùn)用探討

1、基于文 天職類的本體匹配及其運(yùn)用探討    內(nèi)容導(dǎo)讀： 語義Web不是一種全新的Web,而是對當(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)來標(biāo)記Web的內(nèi)容。語義概念的相似性度量一直以來都是人工智能領(lǐng)域的研究熱門。人工智能領(lǐng)域的相似性度量模型致力于從特定的知識表述中計(jì)算出概念間的相似性。本論文以文天職類的機(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)

2、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(wǎng)絡(luò)教育的概念型知識學(xué)習(xí)系統(tǒng),使論文的研究成果體現(xiàn)在該系統(tǒng)中?，F(xiàn)將論文的主要研究內(nèi)容概括如下:先容和綜述論文的理論基礎(chǔ)。主要包括語義網(wǎng)、本體論、文天職類技術(shù)、描述邏輯推理及其研究現(xiàn)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(gè)簡單、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)性的樸素貝葉斯文天

3、職類改進(jìn)模型,對于大部分種別的資源,改進(jìn)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(shí)該分類器對各種別資源分類性能提高的效果不一樣。事實(shí)上,該模型引入了語義特征,建立了傳統(tǒng)特征與概念、概念與種別的映射關(guān)系。基于支持向量機(jī)(SVM)的文天職類模型研究?；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門。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)等方面的技利用本體半結(jié)構(gòu)信息來幫助分類的策略。根據(jù)對真實(shí)Web數(shù)據(jù)集的測試結(jié)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(jī)方法。它能夠?qū)崿F(xiàn)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(jī)實(shí)現(xiàn)本體測試的條件|教育論文網(wǎng)|是需要完成實(shí)例數(shù)據(jù)的匹配和關(guān)聯(lián)的處理,這將對本體匹配方案的評估 學(xué)屬性,采用計(jì)算機(jī)可處理(可讀、可推理)的方式進(jìn)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(shù)據(jù)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(gè)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(guān)鍵詞】：語義Web本體本體匹配文天職類網(wǎng)絡(luò)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(lián)網(wǎng)的數(shù)據(jù)組織形式及其現(xiàn)狀14-17· 1.3語義WEB的體系結(jié)構(gòu)17-19· 1.4本體論及其研究現(xiàn)狀19-32········· 1.5論文的主要研究內(nèi)容32-36· 2基于貝葉斯分類器的文天職類技術(shù)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(yīng)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(jìn)42-57······實(shí)驗(yàn)環(huán)境的構(gòu)建52-53··· 2.6小結(jié)57-58· 3基于支持向量機(jī)分類器的多類文天職類技術(shù)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(diǎn)62-63· 3.3SVM分類的主要問題及解決方法63· 3

7、.4一種改進(jìn)的多分類支持向量機(jī)63-79···· 3.5多類支持向量機(jī)文天職類實(shí)驗(yàn)79-92····· 3.6小結(jié)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(yīng)用領(lǐng)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(jié)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(shù)133-136···· 5.5概念間依靠關(guān)系檢測概念的可滿足性1

9、36-138···· 5.6小結(jié)138-140· 6本體匹配在知識學(xué)習(xí)中的應(yīng)用研究140-164· 6.1知識學(xué)習(xí)概述140-142· 6.2知識教學(xué)系統(tǒng)142-147···· 6.3概念型智能學(xué)習(xí)系統(tǒng)模型(CILSM:CONCEPTURALINTELLIGENCEEARNINGSYSTEMMODEL)147-150··· 6.4共享網(wǎng)絡(luò)資源的本體學(xué)習(xí)技術(shù)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(jié)與展望164-166· 7.1主要結(jié)論164-165· 7.2后續(xù)研究工作的展望165-166· 致謝166-168· 參考文