基于Ontology的建模方法

Ontology作为一种描述概念与概念之间关系的模型,能够解决知识共享和重用问题,近年来已被广泛应用于计算机科学的众多领域中,如数字图书馆、软件复用、Web异构信息的处理和语义Web等。介绍了Ontology的定义、分类及组成,并且介绍了建立本体的步骤,通过一个具体的实例详细阐述了建立本体的过程,最后给出了建立本体的构造图。

事件本体模型及事件类排序

给出了事件、事件类的定义,分析了事件类之间的关系,在此基础上形成了面向事件的本体模型,为基于语义的知识处理提供了新的方法与技术。在事件本体模型的基础上以事件类排序为实例,研究了基于HARank(Hubs-Authorities Rank)算法的事件类排序方法,给出了实验结果,并对其进行了评价。与传统本体相比,事件本体以更高粒度的事件作为知识表示单元,更适合表示运动世界的知识。

构建知识本体方法体系的比较研究

阐述了当前的 7种主要的知识本体构建方法 ,并对它们进行了比较研究 ,指出了它们各自的优势、缺点和不足。

UML类图向OWL本体转换工具的设计与实现

介绍了UML类图向OWL本体转换的方法,给出了基于J2SE平台的转换工具(UML2OWL)的设计思想与实现技术.利用DOM API解析、提取UML类图元素,并根据UML-OWL转换规则,将其转换为相应的OWL本体元素.工具开发和案例研究表明,该转换方法在转换UML类图到OWL本体上是可行的,基于该转换方法的自动转换工具是可实现的.

基于本体的UML类图语义推理

统一建模语言(UML)是一个半形式化的语言,其语义部分是采用自然语言描述的,使得它在建模过程中会产生语义不一致等问题。在详细比较UML类图与本体的基础上,提出了一种UML类图的形式化方法;首先将UML类图转换为相应的本体;然后根据本体提供的推理算法(Tableau)对转换得到的本体进行推理,检测其中的不一致性从而修改UML类图,最后达到精确UML类图。

基于本体的分层抽象模型

KRA表示模型给出了对物理世界W进行形式化建模的一般框架。在扩展后的广义KRA模型中引入本体概念,将抽象对象库扩展为本体类,在本体类中实现KRA模型框架中的感知层、语言层和理论层的知识共享和重用,简化了KRA模型的表示。分别定义了作用在物理世界W和本体类上的3种本体抽象算子(集):基本本体抽象算子、实体本体抽象算子集和连接本体抽象算子集,并给出了本体类之间的映射关系,通过这种映射关系能够实现模型抽象和模型还原。对本体类的抽象度进行形式化的定义,并给出了相关定理,指出在这样的框架中利用抽象映射可以自动构建物理世界W的抽象度不同的模型。

基于聚类分析法的本体构造方法

根据聚类分析法的特点,提出基于聚类分析法的本体构造方法。首先根据类的相关属性构造了一个数据矩阵,并利用矩阵中的值计算新生成的类和未合并类之间的绝对值距离,然后根据距离的大小对类进行合并,并产生新的类。用同样的方法计算新生成的类和未合并类之间的绝对值距离,直到得出最顶层的类为止。并以酒本体的构造为例来具体说明该方法。

基于GRA本体映射研究

基层用户产生的本体映射关系蕴含着相关领域内的类层次结构,利用这部分知识可用于新映射关系的产生.但是现有系统存在以下缺点:类层次复杂性考虑不足,矛盾知识不完全删除和效率低下.针对这些问题,文章提出将基层本体映射的相似和等价关系进行不同处理的方法,并重新设计了类层次知识库的前向推理规则.实验表明,改进的系统使效率得到提高,在保证查全率的同时可以明显改善查准率,而且能较好支持本体复合映射.

GO功能类与基因差异表达的关联规则挖掘算法

针对基因功能分类体系GeneOntology的层次结构特点 ,修改关联规则挖掘算法Apriori,开发“挖掘与基因差异表达关联的GO功能组合”软件 (RuleGO) .RuleGO以基因表达谱上的差异表达基因集合和不差异表达基因集合为输入 ,输出组合特征功能类与基因差异表达现象的关联规则 ,有助于解释基因差异表达现象的本质原因 ,如疾病发病机制、药物作用机理等 .将RuleGO和OntoExpress应用在结肠癌和腺癌表达谱数据集上 ,结果显示 ,RuleGO比OntoExpress能发现更多的与差异表达现象关联的特征功能类 ,更能看到在OntoExpress上不能发现的组合特征功能类 .另外 ,结果显示 ,将规则的置信度和支持度要求设置较高时 ,一般只有组合功能类才能满足要求 ,这提示在基因表达谱分析中不宜采用单个角度的单个功能分类单元 。

本体中继承关系的形式化表示及其应用

本体关系中最重要的关系是子类/父类关系(继承关系),在子类/父类关系中,存在着除了继承以外丰富的语义关联。但本体的研究中,存在着形式化程度不够的问题,人们常用自然语言解释这些关系,然而这样的解释通常是有歧义的。为了严格、准确描述这些语义关联,基于本体研究了它们的形式化描述,同时扩展UML,可视化地表示它们,并在此基础上,应用它们判定知识库中的某些错误。

基于本体的工作流抽象模型

基于本体的抽象模型框架,提出一种工作流的感知建模方法,通过感知特定领域中实际运行的具体工作流获得构建该领域工作流抽象模型的知识,既可为工作流模型的设计提供共享和重用机制,也可直接构造该领域的工作流抽象模性,实现工作流的部分或全部自动化运行.并给出了工作流行为本体类和行为关系本体类的定义,形式化地描述了两个本体类的动态构建和扩展过程,同时给出了在基于本体抽象模型框架下的工作流抽象建模过程.

基于模糊概念模型的模糊本体构建方法

针对从预先定义的概念层次生成模糊本体这一非常困难的问题,提出利用模糊概念模型来构建模糊本体.基于模糊集理论,对UML概念模型及OWL DL本体进行了模糊扩展,从二者的逻辑基础说明了利用模糊UML类图构建模糊OWL DL本体的可行性,进而研究了从模糊UML类图到模糊OWL DL本体的形式化映射方法,给出了映射规则及公理的创建过程.利用现有的模糊概念模型构建模糊OWL DL本体可以有效降低建立模糊本体的复杂性,同时增强了本体的表达能力.

基于任务类知识需求模板和用户模型的知识需求研究

为了解决企业知识共享和再利用过程中遇到的困难,首先利用ontology将异构知识源进行有效的集成,给出了基于ontology的异构知识源集成框架.然后利用任务类知识需求模板和用户模型的相互作用,建立了用户知识需求模型,实现知识的自动供给,为企业员工提供个性化服务.还给出了任务类知识需求模板和用户模型的自学习算法.最后给出了一个验证实例.

基于OWL本体的UML类图推理

分析UML模型一致性检测的研究意义,以及UML类图推理的研究现状,提出一种基于OWL本体的UML类图推理方案。研究UML类图向OWL本体转换的映射规则,给出UML类图包含关系、可满足性、等价关系和相离关系的判断方法及其推理规则。利用Jena推理机制实现了UML类图包含关系、可满足性、等价关系和相离关系的推理。

构建领域本体的方法

本文介绍了开发领域本体(Domainontology)的基本方法和实施步骤,进一步强调了定义类的等级体系、类的实例以及属性过程中的实施要点,成为我们建立农业知识组织体系实践的指南。

UML模型到OWL本体知识库的转换研究

UML是标准的对象建模语言,已成为公认的建模标准,但UML模型的推理能力较弱。OWL表示的本体可以描述类与类之间的各种关系,从语义上建立类信息的全面描述,其表达能力及推理能力都较强。本文比较分析了UML类和OWL类的异同,阐述了UML类可向OWL类转换原理。通过OWL DL定义了UML的类图,描述了类和子类的关系。以学生本体为例,实现了UML类图的OWL本体形式化表示,进而将UML模型转换为相应的OWL本体,实现了UML类图中知识的再利用,为本体建设提供了新的途径。

多类软件本体的恶意软件语义描述模型

针对恶意软件语义方法中的描述困难和检测难等问题,提出了一种基于多类软件本体的恶意软件语义描述模型,基于OWL本体的知识表示方法,通过软件行为和软件结构信息实现对恶意软件语义的描述.该模型将面向对象的知识表示方法和本体相结合,定义恶意软件相关本体的概念类、对象属性以及恶意软件行为语义的本体表示方法,使用多类软件本体自动生成软件的语义描述本体,既可以表示恶意软件的语义信息,也可以使用混合推理方法标记软件的恶意行为.实验结果表明了该方法的可行性,能够保证语义描述本体的生成质量和效率,并能有效地达成恶意软件行为的标记.

基于描述逻辑的UML类图一致性检测

为解决UML类图一致性检测问题,分析了UML类图、DLs和OWL DL的特点,给出了UML类图的OWL DL本体表示形式,研究了UML类图转化为OWL DL本体知识库的方法,证明了转化方法的正确性,提出了一种基于描述逻辑的UML类图一致性检测方案。该方案通过将UML类图转换为OWL DL本体知识库,利用OWL DL强大的推理功能实现UML类图一致性检测。最后以实例证明了该方案的可行性。

卢卡奇哲学体系中的人学思想

在卢卡奇的哲学体系中,蕴涵着丰富的人学思想:在本体论中,卢卡奇认为,人是哲学本体论的出发点和基本内容,人的有目的的劳动和“人的观念”是本体论的重要范畴,物化使人失去主体性、创造性、完整性;在辩证法理论中,卢卡奇认为,人是具体的总体,辩证法是以人为主的辩证法;在认识论中,卢卡奇认为,主体对客体的认识是在主体和客体的相互作用中进行,作为认识主体的具体的人是可变的;在社会历史观上,卢卡奇认为,人是社会的存在物,是社会历史过程的主体和客体,人类社会是人能动创造的产物等。

基于GO与基因表达谱挖掘特征基因功能类

我们研制了基于Gene Ontology与基因表达谱挖掘与实验条件相关的特征基因功能类的算法OntoFexed,它的特点是分别采用信息增益方法和Rand Index评价单个基因功能类与一组基因功能类鉴别差异表达基因与不差异表达基因的能力。算法的优点是充分利用了GO的结构信息来搜索特征功能类,并能给出各个抽象层次上的特征功能类。我们将OntoFexed应用于腺癌数据集和NCI60数据集,发现OntoFexed确能发掘与实验条件相关的功能类,且算法对主要的参数有较高的稳健性。