基于知识库的本体学习方法的研究

摘要

本体是语义Web的核心，其学习算法逐渐成为语义Web的一个研究热点。已有的本体学习工作集中在术语、同义词、概念、分类体系和关系层，而公理层的研究很少。OWL DLP是能够转换为一阶Horn逻辑的OWL DL子集，也是RDFS的超集。Horrocks等人的研究表明，OWL DLP覆盖了大部分语义Web本体。本文选取OWL DLP的部分常用公理，构造了本体学习的测试基准，并提出了一个基于关系的OWL DLP本体学习算法。 研究OWL DLP本体学习算法需要一个合适的测试基准，但现有的数据集都不太适合用于OWL DLP本体学习的评价，因此构造学习OWL DLP本体的测试基准是一个全新的工作。它不仅可以满足本文的需要，还可以为其他研究人员提供一个学习OWL DLP本体算法的公共测试平台。本文构造测试基准的方法是在现有的本体上，通过分离本体的概念层和实例层，得到本体学习所必需的训练样例和评价学习结果所必需的黄金标准本体。当本体实例不能满足学习要求的时候，使用定义生成规则的方式自动生成实例，从而得到比较完备的测试基准。本文构造出了4个测试基准，其中2个的训练样例个数超过10万。 为了验证这4个测试基准是否可以为本体学习提供必需的训练样例，本文提出了一个基于关系的OWL DLP本体学习算法。该算法首先基于关系学习从断言集合学习一阶Horn子句集，再将一阶Horn子句集转换为OWL DLP本体公理。在学习规则集时，本文改进了经验式ILP算法——FOIL算法，使其在没有反例的情况下也能进行学习。然后通过手工的方式，将所得到的规则集映射到OWL DLP公理。实验结果表明，此算法在本文所构造的测试基准上具有较好的精度和召回率，验证了本文构造出的测试基准可以满足学习算法的需要。

目录

文摘

英文文摘

声明

第一章 绪言

1.1 研究背景

1.1.1 研究意义

1.1.2 应用背景

1.2 本文工作

1.2.1 研究目标

1.2.2 研究内容

1.3论文安排

第二章 相关研究

2.1 本体学习方法

2.1.1 基于非结构化数据的本体学习

2.1.2 基于结构化数据的本体学习

2.1.3 基于半结构化数据的本体学习

2.2 本体学习工具

2.2.1 基本框架

2.2.2 主要工具

2.3 本体学习资源

2.3.1 领域语料库

2.3.2 WordNet

2.3.3 Web

2.3.4 数字化图书馆

2.4 本体学习评价标准

2.4.1 先验方法

2.4.2 后验方法

2.5 本体学习相关技术

2.5.1 信息抽取

2.5.2 知识获取

2.6 归纳逻辑程序设计

2.6.1 ILP的早期研究

2.6.2 ILP研究近况

2.6.3 ILP系统的类型

2.6.4 ILP系统的结构

2.7 小结

第三章 OWL DLP本体学习测试基准构造

3.1 OWL DLP简介

3.2 OWL DLP本体实例生成算法

3.2.1 预处理

3.2.1 节点生成算法

3.2.2 边添加算法

3.3 OWL DLP本体实例分离算法

3.3 实验结果与分析

3.4 小结

第四章 基于关系的OWL DLP本体学习

4.1 规则集学习算法

4.1.1 数据结构

4.1.2 单条规则的学习算法

4.1.3 多条规则的学习算法

4.2 OWL DLP公理和一阶Horn子句之间的关系

4.3 实验结果与分析

4.4 小结

第五章 总结与展望

5.1 工作总结

5.2 未来展望

致谢

参考文献