摘要
ABSTRACT
1 绪论
1.1 课题的背景和意义
1.2 互联网的数据组织形式及其现状
1.3 语义WEB 的体系结构
1.4 本体论及其研究现状
1.4.1 本体的定义及相关概念
1.4.2 本体的描述语言
1.4.3 描述逻辑
1.4.4 本体的构建方法
1.4.5 本体的开发工具
1.4.6 本体的应用
1.4.7 本体匹配的方法
1.4.8 本体及本体匹配的研究现状
1.5 论文的主要研究内容
2 基于贝叶斯分类器的文本分类技术研究
2.1 文本分类概念
2.2 问题描述
2.2.1 文本分类问题描述
2.2.2 单标号文本分类与多标号文本分类
2.2.3 类别中心分类与文档中心分类
2.3 文本分类应用
2.3.1 自动索引
2.3.2 文本过滤
2.3.3 Web 文档分类
2.4 文本分类模型的评估
2.4.1 分类模型的评估
2.4.2 评估指标
2.5 朴素贝叶斯文本分类方法及其改进
2.5.1 朴素贝叶斯文本分类方法及其存在的问题
2.5.2 相关特征项对文本分类的影响
2.5.3 特征项相关性的度量
2.5.4 基于特征相关性的朴素贝叶斯文本分类模型
2.5.5 反馈方法应用于贝叶斯文本分类
2.5.6 实验环境的构建
2.5.7 实验采用的关键算法
2.5.8 实验及结果分析
2.6 小结
3 基于支持向量机分类器的多类文本分类技术研究
3.1 SVM 分类原理
3.2 SVM 分类中的模型选择及优缺点
3.3 SVM 分类的主要问题及解决方法
3.4 一种改进的多分类支持向量机
3.4.1 现有多分类支持向量机
3.4.2 基于二叉树的多类支持向量机原理及算法描述
3.4.3 二叉树多类支持向量机改进
3.5 多类支持向量机文本分类实验
3.5.1 实验比较的方法
3.5.2 基于多类支持向量机的文本分类器
3.5.3 实验环境
3.5.4 实验及结果分析
3.6 小结
4 本体概念的相似度评估
4.1 问题描述
4.2 本体匹配的应用领域
4.3 本体集成的主要模式
4.4 本体匹配的主要方法
4.5 主要的本体匹配框架
4.5.1 Anchor — PROMPT 方法
4.5.2 Cupid 方法
4.5.3 GLUE 方法
4.5.4 Similarity Flooding 方法
4.6 基于文本分类的本体匹配框架
4.6.1 基于文本分类的本体概念分类器的构造
4.6.2 基于实例分类的概念相似度的度量
4.6.3 两个概念的相似度计算算法
4.6.4 基于半结构数据信息的相似评估策略
4.6.5 基于选举策略的概念匹配对选择策略
4.6.6 实验以及结果分析
4.7 小结
5 本体匹配方案的测试评估
5.1 问题描述
5.1.1 本体错误产生的原因
5.1.2 本体错误的类型
5.1.3 本体匹配的概念可满足测试
5.2 描述逻辑与推理算法
5.2.1 OWL 与描述逻辑基础
5.2.2 Tableaux 算法和基于描述逻辑的推理
5.3 基于描述逻辑匹配方案评估
5.3.1 概念可满足性测试
5.3.2 匹配方案的评估方法
5.3.3 本体匹配以及评估实例
5.4 基于本体语义满足性的评估技术
5.4.1 概念语义可满足性测试
5.4.2 基于语义匹配方案的评估方法
5.4.3 基于语义匹配方案的评估方法分析
5.5 概念间依赖关系检测概念的可满足性
5.5.1 概念不可满足性的依赖简介
5.5.2 不可满足性的依赖检测算法思想
5.5.3 不可满足性的依赖检测算法
5.6 小结
6 本体匹配在知识学习中的应用研究
6.1 知识学习概述
6.2 知识教学系统
6.2.1 网络教学系统
6.2.2 LMS 学习管理系统
6.2.3 LTSA 学习技术系统
6.3 概念型智能学习系统模型(CILSM: CONCEPTURAL INTELLIGENCE EARNING SYSTEM MODEL)
6.3.1 CILSM 系统框架
6.3.2 基于CILSM 的个性化学习实现方法
6.4 共享网络资源的本体学习技术研究
6.4.1 学习资源元数据标准
6.4.2 学习资源元数据的语义
6.4.3 面向CILSM 的本体学习研究
6.5 基于本体的知识集成和查询
6.5.1 问题描述
6.5.2 本体映射示例
6.5.3 概念型智能学习系统模型CILSM 的本体匹配过程
6.6 小结
7 总结与展望
7.1 主要结论
7.2 后续研究工作的展望
致谢
参考文献
附录
A. 作者攻读博士学位期间发表或录用的论文
B. 作者在攻读博士学位期间参加的科研项目
C. 作者在攻读博士学位期间主持的科研项目
D. 作者在攻读博士学位期间获奖的科研项目