基于粗糙集和模糊聚类的政务本体学习模型

根据政务信息资源的特点,提出了一种新的政务本体学习模型。首先通过命名实体获取领域概念,然后利用粗糙集和模糊聚类理论对模式匹配算法进行改进,进而采用改进的模式匹配算法获取领域概念之间的显式和隐式关系。大量的实践证明:利用该模型能够从庞大的政务信息资源中有效地进行政务本体学习,克服了传统模式匹配算法不能很好地获取概念之间隐式关系的问题。

Apriori算法在政务本体构造中的应用

获取政务频繁词汇与词群是建立实用政务本体,实现政务信息资源深度开发利用的前提。提出了基于Apriori算法发现政务频繁词汇与词群的方法,并结合政务训练文档,做了相关实验。该方法首先利用典型政务文档,构造政务字典,并获取政务句子数据库。在此基础上,通过Apriori算法来发现句子数据库中的政务频繁项集和词群。

电子政务领域本体的构建方法研究

针对目前电子政务信息资源存在的多种分类体系,提出在电子政务业务模型的基础上,构建电子政务领域知识本体的方法,目的是实现电子政务领域信息资源类目映射。首先分析当前电子政务信息资源的分类体系,然后研究现有领域本体构建理论和电子政务业务的结合,提出电子政务领域知识本体的构建理论,最后以科技项目审批管理为例,建立相应的政务业务模型,抽取核心概念,利用protégé工具建立本体并存储为OWL语言。

政务领域本体术语的自动抽取

提出一种新的政务本体术语自动抽取的方法。首先通过中文分词技术和单字合并法提取政务文本中的词作为候选术语;通过C-value求解法和TF-IDF算法对候选术语进行过滤抽取,从而实现政务领域术语的自动抽取。通过实验比较,发现该方法在不影响领域术语抽取召回率的同时可以提高抽取术语的正确率。