基于小规模知识图谱的语义相似度计算

摘要

语义网的发展，促使许多领域有了新的突破，如语义搜索，知识工程，知识图谱，数据连接等。语义网的核心在于本体层知识的表达与表示，同时涉及相关的规则与推理，很多研究领域都是以本体层为基础，进行相关研究，其中语义相似度技术是这些研究领域的一个主要问题。由于互联网内容的大规模、异质多元、组织结构松散的特点，给人们有效获取信息和知识提出了挑战。知识图谱（Knowledge Graph)具有强大的开放组织能力和语义处理能力，为互联网时代的知识化组织和智能应用奠定了基础。 目前主要的语义相似性方法的工作集中在概念之间的语义网络的结构（例如，路径长度和深度）上，或者仅集中在概念的信息内容（IC）上。一般而言，语义相似性度量可以用于基于概念分类法对相似概念进行加权或排序。IC是一个概念的特殊性的量度。IC的较高值与更具体的概念（例如，actor）相关联，而较低的值则更普遍（例如，person）。IC是基于出现在文本语料库中的概念的频率计数来计算的。每一次更具体的概念的出现也意味着更一般的祖先概念的出现。为了缓解基于路径的度量和基于IC的度量的缺点，本文提出了一种新的语义相似度方法，即L-path。将这两种方法结合起来，使用IC来加权概念之间的最短路径长度。为了使基于语料库的IC方法适用于结构化知识图谱，本文提出了一种基于图形的IC计算方法，该方法能够使基于KGs的语义相似性度量在没有离线准备领域语料库的情况下基于KG使用。在实验中，验证了所提方法在知识图中的计算语义相似度具有一定的可行性及可信性，与其他的一些方法进行对比，结果优于其他方法。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文研究内容

1.4 论文组织结构

第二章 相关原理、方法简介

2.1 本体简介

2.2 知识图谱

2.3 涉及相关的知识库

2.4 语义分析方法

2.5 语义相似度度量方法

2.6 本章小结

第三章 基于知识图谱的语义相似性度量方法研究

3.1 方法简介

3.2 方法提出

3.3 本章小结

第四章 实验结果及分析

4.1 语义相似度计算评估方法

4.2 指标和评估

4.3 结果分析与讨论

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢