论文部分内容阅读
本体是一种能够在语义层次和知识层次上对信息进行描述的概念模型，主要是用来描述概念以及概念之间关系。自从本体的概念提出了就引起了国内外很多科研工作者的关注，而且在计算机等许多其他领域得到了广泛的应用，例如知识管理、电子商务、信息检索、语义Web以及智能系统集成等方面。虽然目前已经有很多本体构建的编辑环境，而且可以满足构建本体基本需求，但完全依靠人工来获取概念以及概念之间的关系来构建本体，依然是一项费时费力的工作。为了使用知识获取技术来降低本体构建的开销，进而采用了本体学习(Ontology Learning)技术。本体学习结合了本体工程、机器学习和统计等方法自动或者半自动的构建本体。近些年来，本体学习成为了研究的热点问题。本体学习的任务主要包括概念获取、关系获取、公理获取。这三个方面构成了本体学习中从易到难的层次。本文主要研究本体学习中关系的获取方法，包括分类关系和非分类关系，主要的研究工作如下：1)提出了本体原型系统的总体框架，对原型系统的需求和关键技术做了详细的分析。2)分别通过基于模式匹配和聚类的方法实现对概念间分类关系的获取，其中对于聚类的实现，提出了改进的K-means方法获取分类关系，并对两种方法的实现做了比较和分析。3)对于概念间的非分类关系，首先使用了基于扩展规则的方法和基于启发式AE的方法，最后提出了基于VF*ICF和对数似然比的方法获取非分类关系，最后对三种方法进行了分析与对比。4)最后结合以上的研究方法，实现了一个本体学习的原型系统，对其中的关系获取做出了实现。