本体学习中的概念分类关系获取研究与实现

摘要

本体作为语义层次上的知识表示模型，自从被提出后就受到人们的广泛关注。目前国外已经有一些本体及相关应用，如WordNet和Cyc等。但是目前本体的构建主要依靠领域专家和本体工程师手工进行，费时费力，因此人们开始研究如何从数据源中自动或半自动地构建本体，这一技术被称为本体学习技术。
　　 概念是本体的基本组成元素，概念间的分类关系构成了本体的主干，因此在本体学习中概念的获取和概念间的分类关系的获取是本体学习的重点，也是当前本体学习研究中的重点。自由文本是世界上数据量最为丰富的知识源，也是本体学习中最受关注的一种。本文的研究内容是如何从自由文本中获取概念并建立概念间的分类关系。针对这两个问题本文提出了一种概念模型和概念获取方法以及在此基础之上的两种概念分类关系获取方法，并对这些方法进行了实验。
　　 本文的主要的创新点如下：
　　 （1）提出了基于特征词集和同义词集的概念模型以及相应的概念生成方法。使用该概念模型和概念生成方法可以有效避免由于同义词导致的概念重复生成问题，为更高级的知识获取和应用奠定了良好的基础。
　　 （2）提出了基于特征词包含关系的概念分类关系获取方法。该方法通过比较概念词的上下文统计特征来判别概念间的分类关系。虽然该方法目前的实验结果并不理想，但为今后设计更完善好的概念统计特征方法奠定了基础。
　　 （3）提出了同义词和句式匹配相结合的概念分类关系获取方法。通过将同义词和基于句式匹配的分类关系获取方法相结合，不仅显著增加了概念分类关系的获取数量，而且保持了较高的正确率，由此显示出综合方法的优越性。

目录

文摘

英文文摘

声明

第一章 绪 论

1.1 研究背景和意义

1.1.1 本体及本体学习的提出

1.1.2 概念获取及概念分类关系获取

1.1.3 本文的研究内容及意义

1.2 国内外研究现状

1.3 研究目标与创新点

1.4 论文组织结构

第二章 本体学习研究综述

2.1 本体学习概述

2.1.1 本体的定义

2.1.2 本体的建模

2.1.3 本体描述语言

2.1.4 本体学习的任务

2.2 概念获取研究综述

2.2.1 概念词的获取方法

2.2.2 同义词的获取方法

2.3 概念分类关系获取研究综述

2.3.1 基于词法—句法模式的方法

2.3.2 基于分布相似度的方法

2.3.3 基于形式化概念分析的方法

2.3.4 基于同现分析(Co—occurrence Analysis)的方法

2.4 本体学习工具介绍

2.4.1 Text2Onto

2.4.2 Hasti

2.4.3 OntoLT

2.4.4 ASIUM

2.4.5 OntoLearn

2.5 本章小结

第三章 概念获取方法研究与实现

3.1 总体思路

3.2 概念词获取方法介绍

3.3 特征词获取方法介绍

3.4 同义词获取方法介绍

3.5 概念生成方法研究与实现

3.5.1 概念生成方法研究

3.5.2 概念生成算法设计及实现

3.6 本章小结

第四章 概念分类关系获取研究与实现

4.1 总体思路

4.2 基于特征词包含关系的概念分类关系获取方法(TAFWI)

4.2.1 算法研究

4.2.2 算法实现

4.3 同义词和句式匹配相结合的概念分类关系获取方法(TASPM)

4.3.1 算法研究

4.3.2 基于句式匹配的分类关系获取方法

4.3.3 算法实现

4.4 概念分类体系的构建和扩展

4.4.1 概念分类体系图的构建

4.4.2 概念分类体系图的扩展

4.5 本章小结

第五章 系统实验结果及分析

5.1 概念获取实验情况

5.2 概念分类关系获取实验情况

5.2.1 基于特征词包含关系的概念分类关系获取(TAFWI)实验

5.2.2 同义词和句式匹配相结合的概念分类关系获取(TASPM)实验

5.2.3 两种方法的对比

5.3 本章小结

总结和展望

参考文献

攻读硕士学位期间取得的研究成果

致 谢