本体图驱动的概念相似度算法

采用本体概念映射方法,研究概念间相似度计算问题并提出本体图驱动的概念相似度算法。该算法将概念映射到本体结构图上,通过计算概念的语义、结构及属性相似度得到综合相似度。其中,结构相似度通过语义辐射圆计算模型得到,属性相似度通过概念重心向量夹角余弦得到。通过实验对比证明,该算法在一定程度上提高了相似度准确性,为数据挖掘提供了一定依据。     

基于WordNet的语义相似度算法改进研究

本体匹配解决了本体异构问题,作为本体匹配的关键技术,相似度算法决定了匹配的精度和效率。WordNet中概念节点的语义距离常作为相似度算法的依据。设计了一种新的语义距离计算方法及相似度算法,并以此搭建一个本体匹配框架进行了验证。     

基于本体语义的数字图书馆检索模型研究设计

文章针对当前数字图书馆检索系统的弊端,深入研究了本体的概念、组成及在信息检索领域中的应用,给出了语义及语义相似度的计算方法.在传统数字图书馆检索系统结构的基础上,设计了加入本体语义层的新的检索系统构建模型,通过对该模型各功能模块的详细研究与设计,提出了一种新的基于本体语义的数字图书馆检索系统设计方法.     

一种改进的语义相似度计算模型

在对传统的术语相似度计算方法和模型的研究基础上,提取出最能够影响语义本体相似度因素。然后,在综合传统相似度计算方法的优缺点的基础上,提出了一种被证明是能有效改进相似度计算效果的模型。     

本体映射中概念相似度计算的改进

通过对目前各种本体映射方法的分析,提出一种改进的本体映射的方法.该方法考虑了概念的名称、实例、属性、关系对相似度计算的影响,使概念相似度的计算更加全面、准确.     

基于细化度与相似度的课程知识图谱构建研究

针对目前基于概念相似度聚类的课程概念本体关系构建技术中层次关系划分精确度不足的问题,提出基于课程概念相似度与细化度的课程概念本体构建方法。在计算课程概念相似度的基础上,引入课程概念细化度指标,进一步提升了课程概念本体层次关系构建的准确性,提高了课程知识图谱的数据质量。最后通过课程知识导航服务平台,验证了该方法的有效性。     

基于本体环境迁移的信息共享方法(英文)

为了更好地实现基于分布式本体的知识共享, 提出了一个基于本体环境迁移(OCI)的方法. 该方法同传统的本体集成和映射方法相比, 能减少实现复杂度. 该方法可以分成3个阶段: 给定术语的语义环境确定, 本体术语之间的语义相似度计算以及本体环境迁移. 针对分布式本体的一个本地术语, 其本体环境可以通过使用语义相似度计算从与该术语最相关的本地本体中确定和抽取. 然后, 该环境将被动态地迁移到源本体以获取更丰富的语义信息. 采用多智能体技术, 开发了一个分布式知识共享系统(DKSS)以演示该方法的使用. 实验结果显示, 该方法对分布式本体知识共享是有效的, 不需要维护全局本体或复杂的本体映射, 因此具有更好的可维护性和可伸缩性.     

一种基于综合语义加权临床诊断本体领域概念计算方法

针对当前临床诊断知识库融合过程中,领域概念相似度计算所存在的语义融合不充分且计算方法复杂等不足,提出一种改进的基于语义综合加权的概念对相似度矩阵生成算法.根据概念在概念格中的层次结构来确定概念属性特征集合,从概念节点属性信息量、节点层次以及概念非对称性等三个方面对语义距离度量进行扩展,通过引入横向节点透明度算子、纵向节点深度算子以及非对称算子,使最终语义相似度度量结果更精确.并通过使用一个标准的临床诊断知识库概念对该模型进行实验验证,实验结果表明该方法具有可行性和有效性.     

一种新的自动本体映射算法

提出了一种自动完成本体映射的算法.该算法通过计算本体概念之间元素层与结构层上的相似性来完成相似度的计算.在元素层上,该算法引进了WordNet,通过将WordNet中对应的概念转换为向量,计算向量间夹角的余弦得到元素层概念的相似度.在结构层上,该算法通过加权函数和sigmoid函数,基于元素层的计算结果,将元素层的相似度和结构层的相似度结合起来,完成本体之间相似度的计算,最终完成映射.实验结果表明,该算法的匹配准确率可以达到63%~70%,可以有效地完成本体之间的映射.     

基于WordNet的概念语义相似度研究

WordNet是普林斯顿大学的一个研究项目,目标是建立英语词汇及其词法关系的数据库,这将促进数据互通性、信息搜寻和检索、自动推理和自然语言处理。基于该共享知识本体,提出了一种计算两概念语义相似度的方法。根据该方法实现了一个计算程序模块,并将计算结果同人类的主观判断进行了比较,验证了该方法的有效性。该研究工作可以在面向Web的知识检索领域中得到应用,还可以为本体的相关研究提供一定的理论基础。