图书摘要概念图标引方法研究

图书标引是图书检索的前提和基础,把图书或摘要标引成概念图的形式,将有利于满足基于自然语言表述的图书检索需求。从科技类文献摘要出发,通过手工标引,总结常用的概念间关系作为概念图标注的关系集合,结合叙词表构造术语部件库,以便辅助术语识别,用MBL方法进行概念关系构建,在此基础上,提出了一个概念图生成算法,并开发了一个概念图半自动标引的实验原型系统。原型系统的实验表明,该种概念图半自动标引方法获得了较高的正确率。     

基于CmapTools的概念图知识模型在在线信息素养教育中的应用研究

在总结信息素养教育现状与不足的基础上,分析概念图对信息素养教育所提供的功能支持,提出以概念图知识模型作为信息素养内容的组织和展现形式并与E-learning环境进行有机融合的一种理念,引入软件工具CmapTools构建信息素养概念图知识模型实例,并将其应用于E-learning环境平台中,从而为学习者提供一个可视化的信息素养知识和技能的自主、协作学习环境。     

文本挖掘中的知识模式表示、评价及检索机制

在当前的文本挖掘中,缺乏检索机制,即使对于挖掘到的简单事实也很难被其他用户检索到,对于知识模式更难达到共享。因此应该建立知识模式库,对文本挖掘得到的知识模式采用统一的表示方式、统一的评价标准、统一的检索机制,让任何一种模式都能被对它感兴趣的用户检索到,进而加以利用。本文提出了一种知识模式的框架表示方法,对文本挖掘出的模式进行统一表示、存储,构建知识库,并对知识库中的模式进行内部和外部评价,利用语义相似及领域知识对知识库中的模式进行检索。     

概念图研究演进的知识图谱分析

以ISI Web of knowledge收录的文献题录作为数据样本,利用可视化动态网络分析工具———CiteSpaceⅡ对所采集的数据进行文献共引分析和聚类分析,绘制出概念图研究发展演进的知识图谱,揭示了概念图研究的三个不同时期,得出各个时期的代表人物和代表文献;展现了概念图研究和应用的热点领域,以科研评价、教育教学、生物医学和企业知识学习为代表;呈现出以概念图的定量化分析、知识管理、三维概念图、概念图的网络实时协作构建以及新概念图模型和软件为代表的前沿研究领域。     

基于蚁群优化的贝叶斯网络学习与知识概念图构建

针对现有贝叶斯网络学习搜索效率不高、易陷入局部最优解问题,提出一种利用互信息熵作为启发式信息的蚁群优化搜索算法--ACOMI.该算法依据节点之间的互信息熵、交叉信息熵和网络的MDL评分进行贝叶斯网络最佳结构搜索.提出了多种搜索空间限制的策略,加速了问题的求解过程.实验表明,ACOMI算法得到的结果准确性高,搜索效率比同类算法(ACOB)有大幅提高.作者将其应用到e-learning中知识概念图的搜索和构建中,得到了很好的结果.     

近年来受控词表宏观结构显示的研究进展

通过对ISO2788-1986、GB13190-1991以及ANSI/NISO Z39.19-2005三部词表编制标准中宏观结构部分内容的比较分析研究,可知叙词表的宏观结构显示方式在不断完善.概念图、本体显示、详情显示等一些新的词表可视化显示开始投入使用,而以叙词表为依托发展起来的OverView、Kenardus项目也在积极研发之中.叙词表已不仅仅是标引查词的工具,它已逐渐成为网络信息资源的一部分,并运用到构建知识组织系统中.     

基于知识模型的文本信息检索可视化研究

信息检索可视化是指把文献信息、用户提问、各种情报检索模型以及利用检索模型进行信息检索过程中不可见的内部语义关系转换成图形,在一个二维或三维的可视化空间中显示出来,并向用户提供信息检索的技术。基于知识模型的文本信息检索可视化,是利用信息资源的元数据信息来进行可视化检索。图1。参考文献29。     

智能检索模型研究

提出了一个智能检索形式框架模型，论述了实例化该模型的建模技术、知识表示和检索算法，对30个智能信息检索系统进行了模型框架、知识表示和检索算法的统计分析，总结了三种类型的智能检索模型实例化方案。     

基于短语结构索引的自然语言检索

对基于短语结构索引的自然语言检索中的有关问题进行了研究。首先探讨了自然语言检索过程中针对源文本的各类索引形式，分析了这些索引的特征和形式。在对支持自然语言检索的有效性和生成难度判断的基础上，提出了使用短语结构索引进行检索的方案。论文分析了短语结构索引的三种表示方法，给出了短语结构索引的结构，并说明了针对短语结构索引的检索过程。     

主题图技术与相关知识组织方法的比较研究

通过简单介绍主题图的定义及其核心概念,与相关的知识组织方法,如索引、词汇表、叙词表、分类法、概念图,以及语义网中的知识表现等进行了比较。     

规则增强的知识图谱表示学习方法

知识图谱（Knowledge Graph,简称KG）的表示学习方法旨在将知识图谱的实体和关系表示为稠密低维实值向量, 进而在低维向量空间中高效计算实体、关系及其之间的复杂语义关联, 在知识图谱的构建、推理、融合、挖掘以及应用中具有重要作用。已有的知识图谱表示方法仅仅考虑了知识图谱中的直接事实,忽略了知识图谱中一些隐藏的语义信息,这些语义信息对于知识图谱关系和实体的嵌入表示有着重要的影响。本文提出了一种规则增强的知识图谱表示学习方法,该方法首先通过知识图谱规则挖掘的方法提取一组可代表知识图谱语义信息的Horn 逻辑规则,随后通过基于规则的物化推理方法将相应的隐藏语义信息注入到知识图谱表示学习模型中。实验结果表明,基于规则增强的方法可以显著提升已有知识图谱表示学习模型在链接预测和定理预测上的效果和性能。     

Ӣ�ĿƼ�����ժҪ�����������ʵ乹��

��[Purpose/significance] The abstract of scientific papers is a vital indexing object within information organization. Meanwhile, indexing the abstract according to certain rules is conducive for not only scientific communication or knowledge discovery, and intelligence analysis as well. Thus, how to realize auto-index accurately and quickly, for millions of unstructured abstracts existed nowadays is a crucial problem to be addressed.[Method/process] This study assumed that different categories of abstract are inherently consistent, that is, the study of structured abstract can provide a method and technical reference for unstructured abstract auto-indexing. Acting in accordance with this assumption and based on the US National Library of Medicine's structural element labeling terminology, this study accomplished mapping across abstract element classifications and proposed BOMRC system, a normalization indexing method for structured abstract. Then we collected research sample and used text mining method to analyze multiple features of structured abstract quantitatively and statistically, such as word frequency, TF-IDF value, as for dimension of words, verbs, three-word lexical chunks and four-word lexical chunks, which enabled us propose a semantic feature dictionary for structured elements. Finally, we used unstructured abstract to test the validity of the semantic feature dictionary.[Result/conclusion] The results show that the semantic feature dictionary method can effectively identify various structural elements of scientific paper abstract, and it can be used to optimize the automatic recognition model, which may be based on machine learning methods.     

英文科技论文摘要的语义特征词典构建

[目的/意义] 论文摘要是信息组织的重要标引对象,将论文摘要按一定结构进行标引有利于科学传播、知识发现和情报分析。如何对现有非结构式摘要进行精准快速的自动标引是亟待解决的现实问题。[方法/过程] 假定不同类别的摘要具有内在一致性,即对结构式摘要的研究可为非结构式摘要自动标引提供方法和技术参考。据此,基于美国国家医学图书馆结构要素标签术语集和标签分类映射关系,提出结构要素BOMRC体系和结构式摘要的识别与规范化标引方法。其次选取研究样本并采用文本挖掘方法对样本语料中的单词、动词、三词词块、四词词块等词汇进行词频、TFIDF值等多个指标的定量统计分析,构建能够进行结构要素识别的语义特征词典。最后利用非结构式摘要测试集进行语义特征词典有效性检验。[结果/结论] 结果显示,利用语义特征词典方法能够有效识别非结构式摘要的各类要素,并可用于优化以机器学习方法为核心的自动识别模型。     

高校图书馆复杂网络构建与智慧化应用探索

[目的/意义] 高校图书馆信息化水平高,但数据挖掘与智慧化水平有待提升。复杂网络以图数据库为存储和图查询的载体,对图结构数据进行统一组织和挖掘。图嵌入、图算法技术相较于传统机器学习方法能够充分挖掘图结构数据中的隐含联系。本研究运用复杂网络技术融合多源数据,探索图嵌入技术、图算法等图结构数据挖掘方法在提升图书馆智慧化水平中的作用。[方法/过程] 首先基于可获取的数据进行数据特征分析与清洗;其次结合数据特征构建复杂网络概念模型,采用Neo4j批量导入技术实现网络构建和存储;最后探索图算法、图嵌入技术在图结构数据挖掘中的应用。[结果/结论] 以图结构融合多源数据构建图书馆复杂网络,并以图数据库作为存储介质。图算法与图嵌入技术在在用户画像分析、精准推荐、智能问答等图书馆智能化应用等方面具有独特优势。     

国外基于本体的信息系统概念建模研究

信息系统概念建模是在信息系统开发的需求分析阶段,为促进相关人员之间的理解和沟通,对某些领域的静态现象和动态现象进行形式化地表示和建立文档的活动,属于需求工程和软件工程的子学科。基于本体的信息系统概念建模是指用本体理论或模型支持信息系统概念建模的方法。本文根据目前国外学者对基于本体的信息系统概念建模的研究情况,将其分为两个主要的学派:一是BWW本体学派;另一个是REA学派。在此基础上介绍和比较了两大学派的研究成果,并对其未来的研究方向进行了展望。     

图书馆的概念信息服务

图书馆的概念信息服务是随着计算机网络化时代的到来，虚拟图书馆，数字图书馆的出现而产生后种新的服务方式。这种服务方式以注释和主题的方法，联系等级发类信息系统，深入地揭示文献信息中知识和知识之间的关系，以利于读者（用户）充分用网上图书馆的动态文献信息知识。在浩如烟海的网上文献信息中，在还没有网上标准化，规范化的时代，概念信息服务无疑是读者利用网络化图书馆的一盏指路明灯。     

领域概念语义网络的数据库设计——以情报学概念语义网络为例

概念语义网络作为一种揭示知识单元间内在联系的知识组织体系,有利于提高信息检索系统与用户的交互性,实现概念检索、智能导航与知识推理.本文结合知识表示语言与本体构建理论,以情报学概念语义网络为例,详细介绍了面向领域的概念语义网络的开放数据库设计.文中介绍的概念语义网络数据关系模型具有较强的通用性与扩展性,适用于不同类型,不同规模的概念语义网络的设计与实现,对于构建领域概念语义网络有一定的参考借鉴意义.     

概念知识库的设计与学习方法

概念知识库包含两类知识元素:与专业领域相关的概念,概念之间的语义关系。概念库中,属分等级关系是概念之间诸关系中最本质的关系,是组织概念库的核心元素。图2。表3。参考文献4。     

基于概念相关性度量的语义Web服务匹配：模型及匹配器原型

针对当前主流语义Web服务匹配方法过分强调服务请求与服务广告的精确匹配从而导致用户在实际中难以获得真正所需要的Web服务、或在服务自动发现与集成任务中计算负荷过大的问题,本文把基于本体的概念语义相关性度量模型引入Web服务匹配,提出一个新的更"轻便"的语义Web服务匹配模型.该模型使用一系列概念组分别描述服务的服务类别、输入、输出、前提、效果等诸方面的语义信息,在此基础上通过基于本体的概念组之间的相关性度量模型分别评价服务请求与服务描述在这些方面的语义匹配度.总体语义匹配度被定义为输入、输出、前提、效果方面的语义匹配度的加权和.基于这一匹配模型,本文进而研究了相应的服务匹配器原型.初步的数据试验表明,本文所提模型能较好地适应用户需求表述的模糊性,从而提高服务匹配的召回率;从计算复杂性看,本文所提模型也优于基于严格逻辑推理的语义Web服务匹配模型.     

中文问句与RDF三元组映射方法研究

探索中文问句与RDF三元组的转换方法:首先对中文问句的特点进行分析,然后结合RDF(S)模型的优势,探索RDF三元组与问句语义的对应关系,进而提出直接映射和间接映射两种映射方式。该方法只需做浅层的句法分析,将获取的限定成分映射为三元组内部的语义标签,从而降低句法分析和三元组组配的难度。最后分析映射方法中存在的问题并提出未来工作的重点。