基于扩展语义网的知识资源组织技术研究

采用知识点的方式组织知识资源,有利于知识的获取、分享、分配和存取。但是传统的树型结构对知识的整体关系描述能力不足,不利于分布式环境下对知识资源的查找和定位。语义网是一种可以详细描述本体间复杂关系并具有天然分布式特性的技术。然而一般的语义网本身不是按照知识点的方式进行组建。本文对语义网进行扩展,使其适用于描述基于知识点组织的知识资源。通过应用案例,按照知识点进行扩展的语义网可以有效地描述知识资源间的相互关系,便于知识的理解和利用,并且对知识的查找和定位也变得更加方便。

面向主题会话的扩展语义框架

随着人工智能技术的发展,基于人机会话的智能化技术成为当前研究热点,知识表示是人机会话领域的研究难点之一。在众多的知识表示方法中,框架表示法由于具有适应性强、概括性高、结构化良好、推理方式灵活的特点而得到人们的广泛应用。本文在基于篮球运动主题会话课题研究中,提出了一种扩展语义框架表示方法。与传统的表示方法相比,该扩展语义框架能够解决基于领域的知识处理、常识推理和语句生成问题,能够很好地满足受限人机会话系统的要求。

扩展语义单位的意义建构模式研究

词汇语法理论的提出打破了传统语言学中词汇、语法之间的二元对立,确立了以词项为核心的语言观。在新语言观的指导下,意义单位的研究逐渐从单词转向了短语层面。扩展语义单位作为形式和意义的最佳结合体,将意义单位的研究扩展到所有围绕关键词项而产生的相关型式,从本质上实现了词语、语法、语义和语用功能的共选。本文采用基于数据和数据驱动相结合的研究方法,以词项adjust to为例探讨了各种共选关系对于意义的建构作用,并对词项共选关系之间的关系进行了深入分析,指出后者处于语言描述的核心地位,对语言教学和研究有重要的启示作用。

可扩展语义Web服务体系结构设计与服务发现

随着计算机应用的普及和网络技术的飞速发展,位于网络上的Web服务的数量和种类也与日俱增,如何快速准确地发现满足用户需求的Web服务变得越来越重要。针对现有的Web服务体系结构存在不可扩展、语义信息不足和服务发现效率低等问题,提出了一种可扩展语义Web服务体系结构,以满足现代企业基于SOA构建分布式大规模复杂系统的需求。研究了该体系结构中服务的发布与删除算法,以及由服务的发布与删除引起的Web服务体系结构上的动态调整算法,从而使系统的存储资源得到充分利用,保证了服务的发现效率。研究了基于OWL-S描述的Web服务发现过程及算法,利用仿真实验验证了所提的方法的可行性。

基于扩展语义特征机器学习消歧的基因提及标准化

提出了一种基于扩展语义向量的特征表示方法,利用机器学习的方法来解决基因提及标准化中的消歧问题。首先应用高性能的命名实体识别系统识别文献中的基因提及;其次采用不同的搜索策略生成候选结果;再次以扩展语义信息作为特征用机器学习的方法进行消歧;最后利用Wikipedia构建后过滤器对候选结果进行过滤处理。在BioCreative Ⅱ GN任务测试集上的试验表明,该方法的F值达到了83.2%。

融合词性语义扩展信息的事件检测模型

事件检测是事件抽取中的关键步骤,依赖于触发词进行事件类型分类。现有主流事件检测方法在稀疏标记数据上性能较差,模型过度拟合密集标注的触发词,在稀疏标记的触发词或者未见过的触发词上容易失效。改进方法通常通过扩充更多训练实例来缓解这一问题,但扩充后的数据分布不平衡,存在内置偏差,仍然表现不佳。为此,建立一种融合词性语义扩展信息的事件检测模型。对词粒度扩展信息进行分析,在不增加训练实例的条件下缩小候选触发词的范围,并对候选触发词进行语义扩展,挖掘候选触发词的上下文中蕴含的丰富语义,缓解了标记数据稀疏造成模型训练不充分的情况。通过词性筛选模块寻找候选触发词并对其进行语义扩展挖掘词粒度语义信息,融合句子粒度语义信息提升语义表征的鲁棒性,最终利用Softmax分类器进行分类完成事件检测任务。实验结果表明,该模型在ACE2005和KBP2015数据集上的事件检测任务中的F1值分别达到79.5%和67.5%,有效提升了事件检测性能,并且在稀疏标记数据实验中的F1值达到78.5%,明显改善了标记数据稀疏带来的不良影响。

支持语义扩展的多关键词密文检索方案

现有的多关键词的检索研究集中在支持关键词的精确匹配,文中提出一个支持语义扩展查询的多关键词密文检索方案,基于信息内容计算方法同时考虑到关键词与文档的关系引入TF-IDF技术实现语义扩展;采用平衡二叉树的索引结构,使用安全k近邻算法加密索引向量和语义扩展查询向量,确保计算出准确的相关性得分,实现多关键词排序搜索。通过进行索引和陷门的机密性、查询无关联性等安全性分析表明,本文实现的检索方案是安全的,可以防止内部威胁。

认知语言学视角下汉日“大/小”的语义扩展对比研究

该文从认知语言学的视角出发,对汉日“大/小”的语义扩展进行了对比研究。通过分析发现:汉日“大/小”在原型义和扩展路径上存在相似之处,它们都可以从空间域的原型义扩展到数量、状态、时间、心理4个抽象域。但汉语“大/小”的语义扩展范围更大,语义生成能力更强;汉日“大小”存在相似性最主要的原因是空间概念是人类最早认识的概念之一,且中日两国自古就是一衣带水的邻邦,日语受汉语文化影响深远。中日两国语言环境、思维认知和文化价值取向等的不同,导致了汉日“大/小”在语义扩展上存在差异性。该文以期为汉日“大/小”教学提供新思路,为汉日语言学习者学习多义词提供一定的参考。

基于语义层级细粒度的海量文献标引研究

[目的/意义]信息资源爆炸式增长使科技文献知识的组织趋于自动化,文献自动标引是组织构建科技文献数字资源的基础和关键。针对目前科技文献自动标引语义粒度不够精准以及难以适应大规模海量文献标引的问题,提出了基于语义层级细粒度的自动标引方法。[方法/过程]在传统知识组织自动标引方法的基础上,对知识组织工具中的语义资源进行深入挖掘,借助知识组织中概念间的语义层级结构对概念信息进行语义扩展,并设计基于语义层级细粒度的概念遴选方法以解决传统方法标引效率过低的问题,从而实现对大规模文献的概念高效标引。[结果/结论]实验结果表明,文章所提出的方法较好地实现了概念表示效果,有效降低了不相关概念在标引结果中出现的几率,并且在提高了标引结果文献相关性的同时大大减少了标引所需的时间,实现了知识组织工具在自动标引领域更深层次的利用,为科技文献数字资源的挖掘计算提供有价值的参考和支持。

一种利用词典扩展数据库模式信息的Text2SQL方法

现有Text2SQL方法严重依赖表名和列名在自然语言查询中的显式提及,在同物异名的实际应用场景中准确率急剧下降.此外,这些方法仅仅依赖数据库模式捕捉数据库建模的领域知识,而数据库模式作为结构化的元数据,其表达领域知识的能力是非常有限的,即使有经验的程序员也很难仅从数据库模式完全领会该数据库建模的领域知识,因此程序员必须依赖详细的数据库设计文档才能构造SQL语句以正确地表达特定的查询.为此,本文提出一种利用词典扩展数据库模式信息的Text2SQL方法,该方法从数据库表名和列名解析出其中的单词或短语,查询词典获取这些单词或短语的语义解释,将这些解释看成是相应表名或列名的扩展内容,与表名、列名及其他数据库模式信息(主键、外键等)相结合,作为模型的输入,从而使模型能够更全面地学习数据库建模的应用领域知识.在Spider-syn和Spider数据集上进行的实验说明了所提出方法的有效性,即使自然语言查询中使用的表名和列名与数据库模式中对应的表名和列名完全不同,本文方法也能够得到较好的SQL翻译结果,明显优于最新提出的抗同义词替换攻击的方法.

从“去”的意象图式看“V+去”结构的语义扩展

在“去”的本义、语法意义以及认知经验的基础上构建“去”的意象图式,并通过对该图式的不同侧面——人或事物的状态、人或事物运动的路径、处所与人或事物的关系、处所的边界的关注和解读,结合隐喻机制理论,呈现“v+去”结构语义拓展的路径和理据。

基于语义扩展的Web服务发现方法

提出了一种基于语义扩展的Web服务发现方法,对服务描述和服务请求中的领域概念进行了同义扩展、特征扩展和合成扩展,在输入输出的匹配上提出了“扩展的语义包含”的概念,实验表明,该方法在不降低服务查准率的前提下,提高了服务的查全率。当单个服务不能满足服务请求时,尝试服务组合匹配服务请求的方式,采用基于H*算法的启发式的服务组合方法,将问题转化为搜索从初始节点到目标节点的通路问题,该方法采用估值函数引入了启发知识,提高了搜索的效率。

语义查询扩展中词语-概念相关度的计算

在基于语义的查询扩展中,为了找到描述查询需求语义的相关概念,词语.概念相关度的计算是语义查询扩展中的关键一步.针对词语.概念相关度的计算,提出一种K2CM(keyword to concept method)方法.K2CM方法从词语.文档.概念所属程度和词语.概念共现程度两个方面来计算词语.概念相关度问语.文档.概念所属程度来源于标注的文档集中词语对概念的所属关系,即词语出现在若干文档中而文档被标注了若干概念.词语.概念共现程度是在词语概念对的共现性基础上增加了词语概念对的文本距离和文档分布特征的考虑.3种不同类型数据集上的语义检索实验结果表明,与传统方法相比,基于K2CM的语义查询扩展可以提高查询效果.

面向旅游领域的语义查询扩展方法

针对传统语义查询扩展方法存在返回结果多以及准确率不高的问题,以旅游领域为背景,提出一种语义加权查询扩展方法。利用本体推理能力与本体中的实体相关度进行查询扩展,结合TF-IDF算法的词频加权与语义相关度加权改善检索结果的排序。实验结果表明,相比其他2种方法,该方法能使更多符合要求的查询结果靠前排列,提高了旅游信息检索的正确率。

基于语义扩展的多关键词可搜索加密算法

云存储中为保护数据所有者的数据安全性和隐私性,采用数据加密后再提供按需数据服务的方式,可搜索加密技术是解决加密数据接入的关键方法.但搜索时的多关键词不加区别和忽视索引之间的关联性会造成搜索时间长和准确率低等问题,提出一种基于语义扩展的多关键词可搜索加密算法.首先,基于依存句法区分多关键词的重要性进行语义扩展,并生成多关键词陷门;其次,基于凝聚层次聚类和关键词平衡二叉树,构建索引关联性的索引树结构;最后,引入剪枝参数和相关性得分阈值对索引树进行剪枝,在索引树中过滤掉索引无关的子树.基于真实数据集的理论和实验分析表明:所提算法能够抵抗规模分析攻击,并能提高搜索时间效率和搜索准确率.

疑问代词“怎么”的语义扩展过程

"怎么"的语义是从原型语义逐步向次边缘语义、边缘语义扩展的。在语义扩展过程中,"怎么"首先失去疑问语义,由具体指代扩展为抽象指代,接着进一步扩展,"怎么"与客观世界相联系的指代关系褪尽,扩展出否定、感叹、类语气词等主观语义。"具体指代—抽象指代—无指代"是客观性成分越来越少、主观性因素越来越多而且主观化程度越来越强的过程。与自然种类的范畴化一样,"怎么"的语义扩展是由于认知领域的范畴化所致,与特定语境中主体的认知状态、认知程度有关,是主体在构建意义时的一种心理过程。

教育资源元数据语义扩展查找方法的研究

随着网络教育资源的急剧增长 ,如何有效地提供教育资源查找服务 ,成为一项重要而迫切的研究课题 由于教育资源同网格资源一样具有海量、异构、广域分布等特性 ,于是采用网格资源查找技术中基于元数据的资源查找方法实现教育资源的查找 与其他基于元数据资源查找方法不同的是 :利用自动构建的语义关系库 ,实现教育资源元数据同义扩展、蕴涵扩展、外延扩展以及并列扩展 。

一种基于本体的知识库语义扩展搜索方法

为使知识库的信息搜索突破传统基于关键字查询的局限,提出一种基于本体的知识库语义扩展搜索方法。将本体和语义扩展引入知识库,对用户查询条件进行扩展搜索,通过相关度分析对搜索结果进行排序,使搜索效果得到优化。实验结果表明,该方法能提高搜索查全率和查准率。

结合语义扩展度和词汇链的关键词提取算法

针对影响关键词提取质量的一词多义现象、同义词现象以及文章主题准确全面表达的难点,提出了一种基于语义的关键词提取算法KESELC,利用《同义词词林》语义词典和统计信息计算语义相似度和相关度,进而得出语义扩展度及其计算方法,将语义扩展度和词汇链方法相结合,对文本分别作预处理、多义词词义消歧、同义词合并、词汇链构建、有效特征选取及对权重综合计算的处理,提取出的关键词不仅避免了同义词冗余表达,而且较准确全面地覆盖文本的主题。通过实验对比分析,验证了基于KESELC的方法比基于TFIDF的方法以及基于词汇链的方法具有较优的提取效果,具有一定的实际应用价值。

结合语义扩展和卷积神经网络的中文短文本分类方法

中文新闻标题通常包含一个或几十个词,由于字符数少、特征稀疏,在分类问题中难以提升正确率。为解决此问题,提出了基于Word Embedding的文本语义扩展方法。首先,将新闻标题扩展为(标题、副标题、主题词)构成的三元组,用标题的同义词结合词性过滤方法构造副标题,对多尺度滑动窗口内的词进行语义组合,提取主题词;然后,针对扩展文本构造卷积神经网络(CNN)分类模型,该模型通过max pooling及随机dropout进行特征过滤及防止过拟合;最后,将标题、副标题拼接为双词表示,与多主题词集分别作为模型的输入。在2017自然语言处理与中文计算评测(NLP&CC2017)的新闻标题分类数据集上进行实验。实验结果表明,用三元组扩展结合相应的CNN模型在18个类别新闻标题上分类的正确率为79.42%,比未经扩展的CNN模型提高了9.5%,且主题词扩展加快了模型的收敛速度,验证了三元组扩展方法及所构建CNN分类模型的有效性。