国外标签本体研究进展

为解决folksonomies的问题,提出给标签、标注行为增加语义的标签本体,并利用语义网本体建模标注行为和folksonomies。标签本体的发展从关注标注活动发展到关注folksonomy(协同标注活动),并从标签含义的角度,创建MOAT跨越标注行为与语义检索的鸿沟。标签本体正走向统一、共享的新阶段。     

社会化标注系统的标签语义检索研究综述

社会化标注系统中标签的语义模糊性和形式不规范使得资源管理与共享越来越困难,为准确定位标签语义,文章从扩展标签语义与涌现标签语义两个方面,对标签语义检索研究现状进行了综述,分析了社会化标注系统中标签语义检索的研究动态和不足,并总结得出可计算性高、可操作性强、能智能获取标签的语义关系是社会化标注系统标签语义检索的未来研究方向。     

社会化标注系统中典型标签族的语义维度识别

本文利用SOM神经网络的自组织特征,对delicious网站的典型标签族进行分类,从而识别社会化标注系统中标签的语义维度,为信息用户对标签的使用提供语义方面的参考。     

三种图像语义标注模式的标注效果对比研究

通过实验采集用户的图像标注结果,对3种图像语义标注模式——基于标签打分的图像标注模式、单标签下基于图像比较的标注模式以及多标签下基于图像比较的标注模式的标注效果进行对比研究。研究发现:1基于标签打分的图像标注模式和单标签下基于图像比较的标注模式能够帮助用户对图像各标签的语义强度进行有效标注;2多标签下基于图像比较的标注模式可以帮助用户对图像各标签语义强度的比例关系进行有效标注;3标注界面中是否同时显示图像的所有标签,可能影响到用户对图像在各标签上语义强度比例关系的判断。     

基于加权元组潜在语义分析的社会标签推荐

社会标注系统中用户生成的标签具有随意性和弱关联性,这将导致标签推荐的精确性降低。本文基于加权元组潜在语义的三维张量结构模型,引入社会网络的结构化分析方法对相关元组进行量化加权,以构建加权的三维张量结构模型,并通过元组的潜在语义分析,得到能体现用户兴趣度的加权元组集。最后,通过典型标注网站Delicious中的用户标注数据集,验证了基于加权元组潜在语义分析的三维张量模型具有较好的标签推荐效果。     

用户标注的语义控制

用户标注是web2.0主要的资源标引和组织方法,由于用户标签组织的平面结构导致标签之间缺乏语义关系,使之很难适应语义信息组织的要求.针对这一问题,探讨在用户标注优化基础上,用户标签的词语网络构建和语义关系处理与控制,简要讨论了用户标注的模型化或本体化.     

基于集成学习的动态Web页面语义标注方法研究

传统Web页面语义标注方法需手工处理,或只可将Web页面中有属性的标签赋予数据,针对无属性标签数据不进行标注,不适于大规模Web页面信息标注,且标注结果不可靠。为此,提出一种新的基于集成学习的动态Web页面语义标注方法。给出动态Web页面语义标注流程。将Web页面转换成DOM树,识别待标注文本。选取抽取信息特征与训练Web页面特征,将含有语义信息的内容分配至概念抽象化的本体上,采用多分类器集成学习方法进行分类,区分待标注信息是属性标签还是数据元素,通过不同分类器预测结果的一致性对相应样本被准确标注的置信度进行衡量。通过训练页面中涵盖的属性标注规则集与抽取信息中的属性名称实现语义标注。实验结果表明,所提方法适于大规模动态Web页面语义标注,标注结果可靠。     

基于多源混合标签的社会化问答社区问题推荐方法研究

【目的/意义】社会化问答社区现已成为网络用户共享、传播及获取知识的重要平台，但其开放性和交互性 也给其问题推荐工作带来了巨大的挑战。本文提出的基于多源混合标签的方法能够有效提高社会化问答社区的 问题推荐质量，以促使问题得到及时有效地解决。【方法/过程】利用自动标签标注系统从问答文本中提取关键词， 将语义扩展后的关键词作为基本标签，并建立多源混合标签库；利用标签表示用户的兴趣偏好与权威度，并建立用 户特征模型；最终通过协同过滤的方式进行匹配推荐。【结果/结论】实验结果表明，本文提出的基于多源混合标签 的问题推荐方法在检全率、检准率以及F值等指标方面均不同程度地优于基于文本相似度的基准方法。     

社会化标注的语义聚类

社会化标注体现了Web2.0时代的集体智慧,隐含了丰富的语义信息。本文分析了社会化标注的认知过程,探讨了社会化标注的浮出语义,提出了一种社会化标注的语义聚类算法。从语义的角度对社会化标注进行分析,有助于理解和挖掘社会化标注的隐含语义,指导平面化的自由分类法进行本体构建,丰富语义网资源。     

基于社会化标注的用户兴趣发现及个性化推荐研究

基于标签的个性化推荐应用越来越普遍,但是标签带有的语义模糊、时序动态性等问题影响着个性化推荐质量,现有研究仅从数量和结构上考虑用户与标签的关系。基于社会化标注系统的个性化推荐首先对融合社会关系的标签进行潜在语义主题挖掘,然后构建多层、多维度用户兴趣模型,提出模型更新策略,最后实现个性化推荐。采集CiteUlike站点数据进行实验分析,结果表明改进算法比传统算法更准确表达用户兴趣偏好,有效提高了个性化推荐准确率。