基于文 天职类的本体匹配及其运用探讨

1、基于文 天职类的本体匹配及其运用探讨    内容导读： 语义Web不是一种全新的Web,而是对当前Web的扩展,其中的信息被赋予明确的含义,使机器和人能更好地的协同工作。语义Web的基础之一是本体,为了让机器能够理解Web的内容,需要建立本体,并利用本体中定义的概念作元数据来标记Web的内容。语义概念的相似性度量一直以来都是人工智能领域的研究热门。人工智能领域的相似性度量模型致力于从特定的知识表述中计算出概念间的相似性。本论文以文天职类的机器学习理论为基础,提出了本体概念匹配的整体框架,借助改进的贝叶斯(Bayes)分类器和支持向量机分类器分析本体中的个

2、体实例特征,建立了一个基于实例的本体概念相似性度量模型,给出了基于文天职类的概念相似性度量算法,并提出了概念匹配后概念的可满足性和本体一致性的检测策略。最后,本文将提出的本体匹配理论用于网络教育的概念型知识学习系统,使论文的研究成果体现在该系统中。现将论文的主要研究内容概括如下:先容和综述论文的理论基础。主要包括语义网、本体论、文天职类技术、描述逻辑推理及其研究现状。基于Bayes的文天职类模型的研究。朴素贝叶斯分类算法是一个简单、有效而且在实际使用中很成功的分类算法,其性能可以与其他典型分类算法相媲美,在某些场合还优于其他分类器。本文在引入互信息等因素后,提出了基于特征相关性的朴素贝叶斯文天

3、职类改进模型,对于大部分种别的资源,改进后的朴素贝叶斯算法都能得到较高的正确率和召回率,同时该分类器对各种别资源分类性能提高的效果不一样。事实上,该模型引入了语义特征,建立了传统特征与概念、概念与种别的映射关系。基于支持向量机(SVM)的文天职类模型研究。基于统计学习理论的支持向量机算法具有坚实的数学理论基础和严格的理论分析,具有理论完备、全局优化、适应性强、推广能力好等优点,是机器学习中的一种新方法和研究的新热门。它使用结构风险最小化原则,综合了统计学习、机器学习和神经网络等方面的技利用本体半结构信息来帮助分类的策略。根据对真实Web数据集的测试结果,表明本文提出的本体概念匹配算法具备很好的

4、匹配精度。基于描述逻辑及其推理机方法。它能够实现本体一致性和可满足性的全面测试和分析。然而要使用推理机实现本体测试的条件|教育论文网|是需要完成实例数据的匹配和关联的处理,这将对本体匹配方案的评估 学属性,采用计算机可处理(可读、可推理)的方式进行组织,形成“知识空间”(KnowledgeSpace)。知识空间用资源描述框架(RDF/RDFS)元数据描述,并用Web本体语言(OWL)描述的本体组织知识。知识空间包括多个本体,而本体匹配是系统亟待解决的问题,本文提出的本体匹配框架和算法在一定程度上解决了该问题。【关键词】：语义Web本体本体匹配文天职类网络教育知识空间【论文提纲】：·

5、摘要3-5· ABSTRACT5-12· 1绪论12-36· 1.1课题的背景和意义12-14· 1.2互联网的数据组织形式及其现状14-17· 1.3语义WEB的体系结构17-19· 1.4本体论及其研究现状19-32········· 1.5论文的主要研究内容32-36· 2基于贝叶斯分类器的文天职类技术研究36-58· 2.1文天职类概念36-37· 2.2问题描述37···

6、83; 2.3文天职类应用37-38···· 2.4文天职类模型的评估38-42··· 2.5朴素贝叶斯文天职类方法及其改进42-57······实验环境的构建52-53··· 2.6小结57-58· 3基于支持向量机分类器的多类文天职类技术研究58-94· 3.1SVM分类原理58-62· 3.2SVM分类中的模型选择及优缺点62-63· 3.3SVM分类的主要问题及解决方法63· 3

7、.4一种改进的多分类支持向量机63-79···· 3.5多类支持向量机文天职类实验79-92····· 3.6小结92-94· 4本体概念的相似度评估94-120· 4.1问题描述94-96· 4.2本体匹配的应用领域96-97· 4.3本体集成的主要模式97-98· 4.4本体匹配的主要方法98-100· 4.5主要的本体匹配框架100-106····· 4.6基于文天职类的本体匹配框架106-

8、119······· 4.7小结119-120· 5本体匹配方案的测试评估120-140· 5.1问题描述120-123···配的概念可满足测试122-123· 5.2描述逻辑与推理算法123-130··· 5.3基于描述逻辑匹配方案评估130-133···· 5.4基于本体语义满足性的评估技术133-136···· 5.5概念间依靠关系检测概念的可满足性1

9、36-138···· 5.6小结138-140· 6本体匹配在知识学习中的应用研究140-164· 6.1知识学习概述140-142· 6.2知识教学系统142-147···· 6.3概念型智能学习系统模型(CILSM:CONCEPTURALINTELLIGENCEEARNINGSYSTEMMODEL)147-150··· 6.4共享网络资源的本体学习技术研究150-158···· 6.5基于本体的知识集成和查询158-162····2-164· 7总结与展望164-166· 7.1主要结论164-165· 7.2后续研究工作的展望165-166· 致谢166-168· 参考文