本体学习

摘要： 文章通过对国内外本体自动构建和从文中构建本体两个方面的相关综述文献进行评述,得出面向文本的本体自动构建过程的核心内容:概念的自动提取和概念间关系的自动抽取.从概念及其间关系的自动提取两个方面进行相关技术介绍分析并进行总结.指出当前面向文本的本体自动构建研究存在的不足以及接下来研究的重点方向.

摘要： [目的]探讨中文历史事件名识别和抽取的最优模型,用于历史文本的知识重组和中国历史事件本体的构建.[方法]以魏晋南北朝史书文本为原始语料,进行自动标引,运用条件随机场(CRFs)模型,以单个汉字为标注对象,探讨不同汉字角色集合、不同特征对历史事件名识别的影响,寻找最佳模型.[结果]经过实验论证,得到字素的词性倾向和姓氏特征相累加的最佳历史事件名识别模型,F1值高达98.74％,该最佳模型在两个开放场景中的应用也得到较好的识别效果.[局限]由于史书文本的语料特性,本实验的数据量不是特别充足;未在本实验环境下验证汉字角色标注相较于词角色标注的优越性.[结论]定义恰当的角色和特征集合后,CRFs模型可以有效地识别和抽取历史文本中的历史事件名.

摘要： 为获取准确的再制造服务需求以实现服务组合匹配及服务过程,针对客户个体差异性及认知过程的局限性导致需求信息组织和表达混乱、客户隐性需求知识难以抽取的问题,提出一种需求动态获取策略.借鉴制造资源本体建模及本体学习的思想,提出基于本体学习的再制造服务需求自动获取方法.结合再制造及其服务领域特点,建立了再制造服务需求候选本体及其语义表达模型,并在此基础上,通过Web表格有效块划分、相似性计算、内容提取等构建客户再制造服务需求本体.通过应用实例验证了再制造服务需求获取方法的正确性和实用性.

摘要： 本体广泛应用于语义网、自然语言处理、数字图书馆等领域,而自动构建本体是这些领域的难点之一.全自动的本体构建以及如何令机器自己不断学习并更新已有的本体知识的研究仍然缺乏.提出了一种基于认知算法的中文本体自动构建方法,建立了自动构建本体的概念和物理模型,并根据此模型实现了一个初步的自动构建本体的工具,在此基础上基于某些公理化算子来实现对已有本体的扩充、缩减、修正等操作,实验证明该模型和系统很大程度上降低了在构建本体过程中的人力投入.

摘要： 【目的】探讨中文历史事件名识别和抽取的最优模型,用于历史文本的知识重组和中国历史事件本体的构建。【方法】以魏晋南北朝史书文本为原始语料,进行自动标引,运用条件随机场（CRFs）模型,以单个汉字为标注对象,探讨不同汉字角色集合、不同特征对历史事件名识别的影响,寻找最佳模型。【结果】经过实验论证,得到字素的词性倾向和姓氏特征相累加的最佳历史事件名识别模型,F1值高达98.74%,该最佳模型在两个开放场景中的应用也得到较好的识别效果。【局限】由于史书文本的语料特性,本实验的数据量不是特别充足;未在本实验环境下验证汉字角色标注相较于词角色标注的优越性。【结论】定义恰当的角色和特征集合后,CRFs模型可以有效地识别和抽取历史文本中的历史事件名。

摘要： Terms extraction and semantic relation parse based on unstructured domain patent textual is the premise of knowledge mining and further application of patent terms.In this paper,on the basis of the effective domain patent terms extraction,explore and realize the large-scale terms hierarchy parse,building the domain knowledge ontology just containing hierarchical relationships.The study of this paper is focused on three points.Firstly,building the term-patent semantic space based on the position weight.Secondly,to assist determine of clustering categories by the visualizing of large-scale terms through Principle Component Analysis dimensionality reduction.Thirdly,extraction the non-repeated categories labels for the hierarchy structure.The paper works as soon as possible to realize the large-scale Chinese patent terms hierarchy parse automatically,laying the foundation of patent terms non-hierarchy parse and diverse applications on the base of terms semantic relations parse.%对非结构化专利文本中的领域术语进行抽取以及语义关系的解析是挖掘蕴藏在专利文献中的丰富知识,并进行深入应用的前提.本文在领域专利术语有效抽取的基础上,探讨并实现较大规模术语层次关系的解析,构建了含有层次关系的领域知识本体.着重研究了基于位置加权的术语语义空间构建方法,基于主成分分析降维技术进行术语分布可视化以辅助聚类类目的确定方法以及术语层次关系结构中非重复性类目标签的抽取方法.本文工作尽可能实现了较大规模中文专利术语层次关系解析的自动化进行,为术语非层次关系解析以及基于术语语义关系解析的深入应用打下基础.

摘要： Singular value decomposition (SVD) is a commonly used decomposition technique in matrix analysis.It has been widely used in the dimension reduction and denoising of high-dimensional data.In this paper,the matrix SVD technique is applied to the hierarchy parse of domain patent terminology.The core idea is the depth transformation of term semantic space,which aims to express the term with a certain latent feature,instead of document,as an attribute.Specific research includes the construction of original term-document semantic space (TPSS),based on location weighting;term feature extraction,based on SVD;and hierarchy parse,based on term-feature semantic space (TFSS).The feasibility and validity of the proposed theoretical methods are verified by empirical study in this paper.On this basis,the hierarchical relationship of the patent terms in iron and steel metallurgy (I&SM) is parsed,and the result is incorporated into the ontology learning theory system,realizing the ontological and visualization of the patent knowledge in I&SM.%奇异值分解是矩阵分析中常用的分解技术,在高维数据的降维、去噪方面有着广泛的应用.本文将矩阵的奇异值分解技术应用到领域专利术语的层次关系解析中,其核心思想是术语语义空间的深度转换,旨在用某种潜在特征代替文档作为属性来表示术语.具体研究包括,基于位置加权的原始术语-文档语义空间的构建方法、基于奇异值分解的术语特征抽取方法、基于术语-特征语义空间的术语层次关系解析方法.本文对论述的理论方法进行了实证研究,证实了该方法的可行性和有效性,并在此基础上实现较大规模的钢铁冶金领域专利术语层次关系解析,将解析结果纳入到本体学习理论体系中,实现该领域专利术语的知识本体化与可视化.

摘要： 在进行大规模领域本体的构建时,基于手工方式的构建模式效率较低并且可行性较差.为了解决大规模领域本体的自动化构建问题,提出了一种领域主题词表与网络百科知识库相融合的两阶段领域本体自动化构建方案.第一阶段,进行主题词表至本体的粗映射,形成领域粗糙本体;第二阶段,采用改进的同义词词林与编辑距离相似度相结合的方式对百科知识与粗糙本体进行自动融合、自适应调整和扩充,形成含有丰富语义信息的、良构的领域本体.基于两阶段方法自动化地构建了大规模中国电子政务领域本体(Chinese E-Gov Ontology),从而验证该方法的可行性和有效性.%While constructing a large-scale domain ontology, the traditional manual construction method has low effi-ciency and feasibility. In order to solve the large-scale domain ontology automatic building problem, making use of the cross-domain coverage characteristics of the Chinese online encyclopedia and the e-government thesaurus, based on the improved TongYiCiCiLin similarity computing algorithms, this paper puts forward a two-stage automatic con-structing ontology solution by merging the domain thesaurus and online encyclopedia knowledge base together. Based on the proposed approach, this paper takes the Chinese e-government domain as an example and automatically builds a large-scale ontology as the foundation of Chinese Linked Open Government Data construction. Practice proves that the system has feasibility and robustness in achieving the goal of rapid and automatic building of large-scale domain ontology.

摘要： 为了提高中文领域本体概念抽取的准确率和召回率,提出一种多策略的中文领域本体概念抽取方法.该方法使用模式匹配法改进原有的单字合并法,经词性过滤和缺陷检测筛选出概念集组成用户词典,并送入概念抽取系统进行二次分词获得候选概念集;利用词频-逆向文本频率(TFIDF)方法和信息熵融合得到TFIDFE方法,计算概念权重以获得领域概念集.实验结果表明,该方法在领域术语抽取的准确率、召回率和F值上均有较好的效果.%In order to improve the precision and recall rate of Chinese domain ontology concept extraction,a multi-strategy Chinese domain ontology concept extraction method is proposed in this paper.In this method,the method of pattern matching is used to improve the original Character Combine Method.A user dictionary is composed after screening concept set with word filter and defect detection,and then fed into the system for the second word segmentation to get candidate concept set.Fused from the TFIDF method and information entropy,the TFIDFE method is used to calculate the concept of weight to obtain the domain concept set.Experimental results show that the proposed method has a good effect on the accuracy,recall and F value of domain term extraction.

摘要： 由相互协作的用户在社会性标注系统中产生的大量的标注数据可以作为各种语义网应用的数据源.文中提出一种基于社会性标注的本体学习方法来挖掘蕴涵在社会性标注中的语义信息,提出一种隐含包容层次结构来刻画标签空间中潜在的结构,并基于此模型推导出本体学习算法.首先利用集合论的方法确定标签之间的包容关系,并将其表示为标签包容关系图.在将此图转化为层次关系时,为解决包容关系的不一致性,提出一种基于随机游走的标签普遍性排序方法.最后提出一种自顶向下的凝聚式层次聚类算法来生成概念层次结构.在实际社会性标注系统中采集的数据集上进行的实验表明,与目前的代表性方法相比,文中提出的方法在性能上有明显的提高.

摘要： 现有的中文本体学习中,关于非分类关系获取的研究方法大都停留在判断两个概念是否存在关系的层次上,即无法为获取的非分类关系赋上语义标签.本文提出一种方法,首先利用统计函数获取具有非分类关系的关联概念对,然后通过语言学知识表示方法为获取的非分类关系赋上语义标签.该方法在一定程度上克服了以往方法无法获取的非分类关系语义标签的难题.实验结果表明本文的方法可以实现对概念间非分类关系语义标签的获取.

摘要： 近年来,本体学习的研究在计算机领域变得越来越深入,而基于文本的本体学习研究正成为本体学习研究的重点.文章主要探讨了面向文本的本体学习技术,描述了当前国内外本体学习领域的研究现状,对本体学习任务、学习方法、学习工具进行了说明,特别是对本体学习领域关于概念和关系的自动抽取做了详细介绍,文章最后提出了本体学习研究出现的问题以及下一步研究方向.

摘要： 领域本体的匮乏制约了语义Web的发展。本文提出了一种与语言无关的无监督的领域本体学习方法ORI-GO，从数字化图书馆的文档中自动获取领域的概念和关系，主要包括同义关系和上下位关系。首先通过统计分析发现术语，然后利用概念语义距离和共现分析计算概念间的关联度，再使用关联规则和句法模式精炼相关关系，通过概念聚类算法获取上下位关系，最后利用启发式规则对候选本体进行修剪和合并，得到最终的领域本体。实验结果表明，这样的学习策略具有较好的实用性。

摘要： 本文提出了一种基于文本的本体学习框架，该框架共包括术语抽取、本体创建和本体修剪三大功能模块。术语抽取用来从Web文本中识别出与创建本体有关联的术语，本体创建是根据抽取的概念自动生成本体，本体修剪过滤掉不相关和冗余的概念从而得到高质量的领域本体。

摘要： 针对本体学习中的概念学习，提出了一种基于改进遗传算法的本体概念规则的学习方法。该方法在传统遗传算法的遗传操作算子中引入“杂交优势”思想对交叉算子进行了改进，并加强了变异算子的对算法的影响；同时算法存执行过程中对训练样本集使用了约减策略，从而找出了一个能正确覆盖样本空间中所有实例并且不覆盖任何错误实例的规则集合。

摘要： 本文在对当前本体构建技术及本体学习方法进行深入研究的基础上，设计并实现了基于叙词表的领域本体自动构建系统。该系统将叙词表的本体转换技术以及本体学习中关系获取的技术相结合，利用叙词表固有优势，弥补本体学习过程中由于概念及概念间层次关系获取效果不佳的问题，并在此基础上通过对纯文本数据源进行关系学习，获取概念间的非层次关系，使得所构建的领域本体具有更丰富的语义信息。

摘要： 本文针对目前基于模板方法在面向中文文本的本体学习中的缺陷，提出了基于知网和模式自举的中文概念间分类关系获取方法。本文利用知网中概念的上下位关系，发现并过滤错误的分类关系概念对，运用新获取的概念对循环迭代地学习模式，提高了模式集合的完备性．实验证明，本文方法比基于模板的方法在准确率上有明显的提高．

摘要： 本文在总结现有的本体理论与本体学习技术的基础上，建立了一套本体学习的自适应机制。rn 通过获取农业数据源变化信息、本体服务的需求，以及对已构建本体的评估，提出基于多Agent的农业领域本体自适应学习理论与模型，实现对农业领域本体学习规则的实时自动调整，提升农业本体构建的动态适应性及优化能力，对于大规模构建农业领域本体具有一定的实际意义。

摘要： 为了提升自动或半自动构建农业本体的质量，本文提出了一种具有自适应性的农业领域概念提取方法。该方法结合上下文依赖分析、互信息技术和领域度判断等算法，构建贝叶斯网络模型。并且通过大量的数据训练,得出贝叶斯网络条件概率分布表。在概念提取的过程中，对所提取概念的准确率和召回率进行分析，并且利用条件概率分布表中的先验知识，通过贝叶斯网络的逆向推理，确定需要调整阈值的位置，对该位置的阈值进行调整，以实现农业领域概念自适应提取。

摘要： 本发明涉及MIG/MAG焊炬本体(2)、MIG/MAG焊炬手柄(8)和MIG/MAG焊炬(1)。MIG/MAG焊炬手柄(8)配备有与中心通道(33)同轴布置的第二通道(34)以及与第二通道同轴布置的附加的第三通道(35)，其中，在第二通道(34)和第三通道(35)之间设置有连接部分(36)。第一通道(33)具有在接收部分(9)的中心的孔口(37)，第二通道(34)具有在接收部分(9)的外侧面上的孔口(38)，第三通道(35)具有在接收部分(9)的外侧面上的孔口(39)。

摘要： 本发明涉及一种书写、绘图、涂刷或化妆器具，其包括至少一个蜂窝状本体，其中所述至少一个蜂窝状本体是用塑料材料形成的和/或是用由天然材料和塑料材料组成的复合材料所形成，其中所述至少一个蜂窝状本体包括多个彼此平行的纵向中空结构。

摘要： 本发明提供了一种用于向卷积神经网络(CNN)进行交互式表示学习迁移的方法。该方法包括从第一成像模态和第二成像模态获得至少第一输入图像数据集和第二输入图像数据集。此外，该方法包括执行以下中的至少一者：联合训练基于与该第一输入图像数据集相关联的标签的第一受监督学习CNN和基于与该第二输入图像数据集相关联的标签的第二受监督学习CNN，以生成一个或多个共同特征基元和对应映射函数；以及分别利用该第一输入图像数据集和该第二输入图像数据集联合训练第一无监督学习CNN和第二无监督学习CNN，以学习该输入图像数据集的压缩表示，该压缩表示包括共同特征基元和对应映射函数；以及将该共同特征基元和该对应映射函数存储在特征基元储存库中。

摘要： 本发明涉及MIG/MAG焊炬本体(2)、MIG/MAG焊炬手柄(8)和MIG/MAG焊炬(1)。MIG/MAG焊炬手柄(8)配备有与中心通道(33)同轴布置的第二通道(34)以及与第二通道同轴布置的附加的第三通道(35)，其中，在第二通道(34)和第三通道(35)之间设置有连接部分(36)。第一通道(33)具有在接收部分(9)的中心的孔口(37)，第二通道(34)具有在接收部分(9)的外侧面上的孔口(38)，第三通道(35)具有在接收部分(9)的外侧面上的孔口(39)。

摘要： 相似度计算部(211)计算面向第1系统的本体中的1个以上的部分本体各自与第2系统的基准本体的相似度，作为各部分本体的相似度。候选提取部(212)从所述面向第1系统的本体中，提取具有满足相似度条件的相似度的各部分本体和用于对具有满足所述相似度条件的相似度的部分本体彼此进行结合的部分本体的集合，作为本体候选。本体输出部(214)在所述本体候选满足制约条件的情况下，输出所述本体候选作为面向第2系统的本体。

摘要： 一种杆可释放的第一电连接器本体(12)，该第一电连接器本体包括壳体(21)、成组的电连接器(16、18)和杆(20)，该杆(20)被可旋转地安装在壳体(21)中以在缩回位置和伸出位置之间旋转。当第一连接器本体(12)与第二电连接器本体(14)接合以形成与成组的电连接器(16、18)的电连接时，杆(20)通常处于缩回位置。杆(20)旋转到伸出位置使得杆(20)的一端接合并迫使第二电连接器(18)离开第一电连接器(16)。

摘要： 本发明涉及一种书写、绘图、涂刷或化妆器具，其包括至少一个蜂窝状本体，其中所述至少一个蜂窝状本体是用塑料材料形成的和/或是用由天然材料和塑料材料组成的复合材料所形成，其中所述至少一个蜂窝状本体包括多个彼此平行的纵向中空结构。

摘要： 本发明涉及用于使容器本体径向膨胀的方法，涉及用于此方法的设备(5)，并涉及容器本体和容器，该方法包括步骤：i)提供具有纵向焊缝的圆柱形容器本体(1)；ii)在至少一个端处为容器本体(1)提供凸缘(4)；iii)将容器本体(1)在凸缘(4)处周向地夹紧于悬置状态中；以及iv)从夹紧的本体端朝着悬置的本体端使悬置并夹紧的本体径向膨胀。

摘要： 本发明涉及多模态数据的表示学习技术领域，具体涉及一种基于事件本体的多模态事件表示学习方法。具体技术方案为：一种基于事件本体的多模态事件表示学习方法，包括：相关领域事件本体的构建并形成事件本体模型；初始多模态事件信息数据的预处理，根据事件本体中定义的语言表现，将不同的事件归并到不同的事件类中；采用本体模型和多模态预训练模型对多模态事件数据进行嵌入表示；采用图卷积神经网络模型学习本体中由事件和事件以及事件和关系所构成的图结构。本发明能够解决单模态事件表达能力不足、事件之间缺乏语义信息的问题，同时能够保证相似或相关事件之间的语义距离越近，无关或不相似事件的语义距离越远。

摘要： 本发明属于一种自然语言处理和本体学习技术领域，涉及一种基于机器学习的本体实例学习方法，包括：对文档进行预处理后，进行标注语料；选取包括词特征、词性特征、词和词性特征的组合特征在内的各种特征，将语料及待识别的文本转换为特征向量的形式；进行最大熵模型训练，利用标注好的语料训练最大熵模型的参数，得到最大熵分类器；利用最大熵分类器进行实例抽取。本发明可以快速、有效地从大量文本中学习本体的实例。