基于加权语义网的专家知识发现及表示方法

在分析传统的以词形为切入点来建立知识内在关联的基础上，从语义网络的角度对专家知识发现及表示方法进行了研究。在语义关系建模时，综合考虑知识元的语义关系及其在文本中的重要性，提出了知识加权语义网（WSNK），从而实现专家知识的准确获取和表示。该方法可通过网络图表示专家知识的构成、通过语义描述专家知识领域等，具有客观、准确、易于理解等特点。最后结合一个实例对方法进行了验证和分析，结果表明，该方法能够客观、准确地理解和表示专家的知识。

基于加权语义网的文本相似度计算的研究

基于词频统计思想的传统文本相似度算法,往往只考虑特征项在文本中的权重,而忽视了特征项之间的语义关系。综合考虑了特征项在文本中的重要程度以及特征项之间的语义关系,提出构建文本特征项的加权语义网模型来计算文本之间的相似度,并在模型构建的过程中,对特征项的选取、权值计算做了适当的改进。最后用实验验证了基于加权语义网的文本相似度算法相较于传统的算法,相似度计算的精确度有了进一步的提高。

基于加权语义网和有效信息的个性化用户兴趣建模

为了提高个性化用户兴趣建模的准确率,对用户建模过程进行了优化。在计算文档相似度时,综合考虑特征词的语义关系以及在文档中的分布情况,引入加权语义网,提高了文档相似度计算精度;在计算兴趣度权值时,引入有效信息的概念及量化方法,以解决用户兴趣类权值计算过于主观的问题,并提出具体权值算法,提高了权值计算的准确性。实验结果表明,改进的方法在用户兴趣聚类和兴趣类别权值计算的准确率上都较以往方法有较大提高。