本文针对如何更好的建模上下文进行了研究。在上下文的建模和利用中存在着一些问题,本文针对低质量上下文、模糊上下文和缺失上下文三个方面进行了提高上下文质量、模糊本体建模和补全缺失上下文的研究。然后分别将它们应用在了光伏发电预测、文献摘要、文献检索的领域。研究内容如下:研究内容1:对于低质量上下文,本文提出了一种新的方法来建立了高质量本体模型,该本体模型可提高上下文质量。该本体先将上下文按照其来源的不同进行分类,共分为用户上下文、网络上下文、传感器上下文和邻居上下文四种。然后对这些分类后的上下文进行质量评估,最后选择高质量的上下文来代替低质量上下文,从而提高上下文的质量。上述研究成果可应用在光伏发电预测领域,解决环境上下文数据质量低的问题。在仿真实验中,本文建立了光伏发电高质量本体来获取光伏功率预测所需要的上下文信息。结合门控循环神经网络预测模型,该方法可以提高光伏功率的预测精度,使得在光伏并网时电网能更加安全地运行。研究内容2:对于模糊上下文,本文构建了一种模糊上下文本体来对用户文章的上下文进行建模和收集,并将其应用于文献摘要领域来提高文献摘要的精度。在文献摘要领域,各种词汇由于其所处领域不同会呈现不同的意思。本文提出的方法可以通过模糊上下文本体中的领域隶属度、用户兴趣隶属度和主题隶属度找出能够准确描述文章内容的词语。最后通过这些关键的摘要词语来获得准确的摘要。通过文献摘要实验证明,该模糊本体较传统方法平均精度可以提高15%左右,使得读者们通过摘要就能准确了解文章内容。研究内容3:完全缺失的上下文,新发表文献的被引频率为空,就属于完全缺失上下文。本文通过对新发表文章的被引频率进行推理预测,然后将推理得到的被引频率应用在了文献检索中,从而提高了文献检索的精度。具体是通过将文献上下文本体和模糊神经网络推理模型结合,利用其它存在的上下文推理得到缺失的上下文并将这些文献检索上下文应用于文献检索领域。经过文献检索实验表明,该方法比单纯使用Best Matching方法平均精度提高了20%左右,并且该方法可以使检索到的文献更符合用户兴趣。