本體學習中概念和關系抽取方法研究.pdf_第1頁
已閱讀1頁,還剩57頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著社會的發(fā)展,人們對數字信息的需求越來越強烈,信息技術面臨著種種挑戰(zhàn),如信息的表示、知識的共享、軟件的復用等等。如何對網絡上的海量信息組織、管理、維護和復用并為企業(yè)用戶等提供有效迅捷的服務已經成為科研領域一個廣泛關注的問題。本體作為一種共享的概念化模型,已經越來越為人們所關注,并在人工智能、知識工程、語義檢索等很多領域都得到廣泛的應用。但手工構建本體是一件繁瑣辛苦的任務,需要耗費大量的時間和資源,尤其構建領域本體還需要領域專家的參與,

2、是本體發(fā)展的一大瓶頸。為解決該問題,人們開始嘗試自動或者半自動構建本體,即本體學習。
   本體學習是利用統(tǒng)計、機器學習、自然語言處理等技術半自動或者自動地從已有的文本、HTML文檔、數據庫等數據源中獲得期望本體的技術,目前的研究重點在于概念以及關系的提取。傳統(tǒng)的本體學習方法多采用基于統(tǒng)計的方法,而本體中概念、關系之間更多側重的是語義聚合性,由于忽略了語義因素對抽取結果的影響,對于概念和概念間關系的提取準確性欠缺。
  

3、 針對以上問題,本文提出了一種基于過濾機制的本體學習方法,采用詞匯上下文構造概念向量空間模型,利用余弦法計算相似度來表示詞匯之間的語義相關度。利用語義相關度對提取的概念、概念關系對進行過濾,以達到提高準確率的目的。
   另外,在概念關系學習的基礎上,本文對分類關系的獲取方法進行了探索:采用術語包含法獲取分類關系,并設置了置信度度量公式,對獲取的分類關系賦予可信度度量指標。
   為驗證模型的有效性,本文完成了一個本體學

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論