基于概念相似度的档案数据自动分类算法

针对现有分类算法存在的分类准确性差,并且分类过程中造成档案数据缺失的问题,引入概念相似度,开展档案数据自动分类算法研究。通过档案资源标记矩阵的建立,采集档案数据;结合概念相似度,对不确定分类数据进行聚类;引入融合学习技术,实现自动化分类档案数据。通过对比实验证明,文章算法的应用可保证档案数据分类的准确性,并且在分类过程中不会出现数据丢失的问题。

基于弱概念相似度的组推荐方法

网络数据下的概念认知与知识发现是网络背景下机器学习和人工智能的重要研究方向,已被引入到推荐系统研究中。现有的基于概念格的推荐方法忽视了节点之间的网络结构关系,同时构造概念格的效率低且构建概念集合的约束条件较严,在大规模的社交网络中难以实现。为解决这些问题,本文在网络形式背景的框架下,综合复杂网络的拓扑结构和弱概念相似度,提出了基于弱概念相似度的组推荐算法。首先,定义属性度、属性密度来描述属性的重要性,通过改进的节点影响力来确定专家节点;其次,利用专家节点划分社区,在划分的社区中通过属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐;最后,利用MovieLens数据集和Filmtrust数据集分析了各参数对本文所提算法的影响,并确定了参数的合理取值。将本文所提算法与其他推荐算法进行比较测试,实验验证了本文算法的有效性。

基于本体概念相似度的语义Web服务匹配算法

通过定义本体中概念之间的语义距离来计算本体概念之间的相似度,提出一种基于该相似度的Web服务的精确匹配算法,新的算法与经典的OWL-S/UDDI匹配算法比较,不仅在等级上保持一致,而且使同一等级或不同等级之间的服务匹配都达到精确的程度。用GEIS系统中Web服务的数据进行两种算法的性能测试,得出相似度匹配算法的平均查准率是OWL-S/UDDI匹配算法的1.8倍,平均查准率是OWL-S/UDDI匹配算法的1.4倍。

一种基于概念相似度的数据分类方法

依据数据属性间的相似信息,提出了一种分类方法.该方法将属性矢量化,属性作为m维空间的基本矢量,数据记录作为属性矢量的和.利用属性间先验的概念相似信息,给出了求取任意属性矢量对的相似距离算法,并将数据间相关度计算转换为属性矢量及其相互投影的公式,从而得到任意两条数据的相关度;利用相关度,提出了一种分类算法.用详实的实验证明了该算法的有效性.

领域本体中的概念相似度计算

借鉴计算语言学中的语义距离思想,提出了RDFSchema构词所描述的本体概念相似度计算方法,并利用该方法对农业知识本体(AO)所描述的部分概念进行了相似度计算和分析.结果表明,该方法可以定量地分析概念、特性之间的相似度,并可以指导基于领域知识本体的语义查询中的概念集扩充和查询结果排序.

本体中概念相似度的计算

本体是概念、属性和关系的集合。本体异构是本体间互操作的主要障碍,解决本体异构最好的方法是本体映射。本体映射的关键是概念相似度的计算,但计算时一般不考虑关系和属性对相似度的影响,计算结果存在误差。论文从两个方面对概念的相似度进行计算。首先计算概念的语义相似度,然后计算概念描述相似度。实验表明该计算方式可以提高计算结果的精确度。

基于本体的概念相似度计算

概念相似度的计算是信息检索领域的研究热点。本体在信息检索和人工智能领域的广泛应用,为概念相似度计算带来新的方法。该文提出一种利用本体来计算概念间相似度的方法,综合考虑语义距离和本体库统计特征。加入概念的深度、语义重合度和概念间强度的辅助影响。实验结果表明,该方法对概念相似度的计算有效,可应用于面向Web的信息检索。

一种综合的概念相似度计算方法

本体映射可以用来解决本体异构问题,也是本体结盟、本体集成、本体合并、本体翻译等的技术基础。本文针对目前本体映射中概念相似度计算所存在的问题,提出了一种综合的相似度计算方法。首先根据两个概念名称相似性过滤出最相关的概念,减少相似度的计算;然后基于概念实例、基于概念属性、基于概念关系计算概念相似度,并进行综合;最后对其性能进行了简单分析。

基于图学习的本体概念相似度计算

根据边的类型、顶点深度、边的密度和强度以及边关联的两顶点的属性计算有向边的权重,通过图学习正则化模型得到优化函数.将本体结构图中每个顶点映射成一个实数,通过比较实数间的差值判断两概念的相似程度.实验表明该方法对于计算本体概念间的相对相似度是有效的.

基于本体的概念相似度计算方法研究

相似度计算是本体映射过程中的一个重要步骤,首先给出相关术语的定义,并针对本体映射中计算概念相似度时计算量过大问题,提出了一种综合的概念相似度计算方法,即根据概念名称的相似度筛选出最相关的概念,产生概念的候选概念集,然后只对概念与候选概念集中的概念分别计算基于属性、基于结构的概念相似度,进行相似度的合并,其中基于属性的概念相似度计算包括数据类型属性和对象类型属性的相似度计算,基于结构的概念相似度计算包括父概念、子概念和兄弟概念的相似度计算,最后通过实例验证了改进方法具有较高的精度,并指出未来可能的研究方向.

一种基于语义的本体概念相似度的计算方法

本体映射是实现异构本体互操作的有效方法,其关键技术在于概念相似度的计算。本文提出了一种概念相似度的计算方法,主要从概念名称、概念属性、概念关系来计算概念相似度,通过引入候选概念集和信息增益,提高了相似度的准确率,简化了相似度的计算过程。

领域本体的概念相似度计算

随着本体在信息检索、人工智能等领域的广泛应用,面向本体的概念相似度计算成为了本体研究的一大热点。当前领域本体中概念相似度的研究主要是利用概念的上下位关系进行计算,但这并没有完整反映出概念的语义信息。论文提出的算法将概念相似度计算分为两层,一层是概念语义初始相似度层,其主要利用概念之间的距离来计算概念的初始相似度。另一层是概念非上下位关系相似度层,其在概念初始相似度的基础上,计算概念通过非上下位关系体现出的相似度。最后通过综合计算,得到领域本体中概念的实际相似度。实验证明,该方法充分利用了本体中概念的语义信息,得到的结果也比较合理。

基于概念格的概念相似度计算

为了提高信息检索的查全率和查准率,经常要处理相似的概念,因此计算概念间的相似度是必要的。概念由对象和属性两部分组成,所以基于概念格相似度计算的也分为两部分:一是利用概念格的层次关系计算对象的相似度,另一部分计算属性的相似度。其次,概念间的相似度与概念在概念格中的深度有关,计算时利用深度对结果加以修正。计算模型利用了概念较为完整的信息,计算结果与人工判断基本吻合。

基于FCA的概念相似度计算方法

针对传统基于特征的概念相似度计算方法准确性不高的问题,提出了基于FCA的概念相似度计算方法。该方法利用辞典形成两个本体特征之间的偏序关系,建立形式背景;以此为基础形成概念格。引入新的基于概念格的相似度计算模型,以概念格的不可约下确界元素作为相似度计算的依据。实验结果证明该方法提高了概念匹配的准确率。

本体映射中一种综合的概念相似度计算方法

本体映射是实现异构本体间互操作的有效方法,其核心环节是概念相似度的计算。针对传统概念相似度计算方法中存在的不足之处,提出了一种综合的概念相似度计算方法——DISS模型。该算法从概念定义、概念实例、概念结构三个方面计算相似度。实验证明,该算法改善了传统计算方法中存在的片面性和不完善性问题,提高了本体映射的查全率和查准率。

多策略概念相似度计算方法LMSW

本体映射是语义集成的关键,国内外对本体映射进行了深入的研究。将机器学习的方法引入到组合概念相似度的权值计算中来,提出了基于Widrow-Hoff理论的权值确定算法LMSW。通过梯度下降法来搜索最佳拟合训练样例的权向量,从而计算出组合的概念相似度,最终实现组合多种概念相似度算法的本体映射。实验表明该算法比单独使用概念相似度计算方法在查全率、查准率上均有所提高。

本体映射过程中概念相似度计算方法的改进

针对本体映射中概念相似度计算中存在的一些不足之处,提出了一种改进的方法。首先根据本体概念树的特点以及数据挖掘的思想,提出了一种改进的侯选映射集设置的方法,减少了相似度计算的工作量。进而根据本体和本体中概念的特点,综合概念名称、概念实例、概念的属性、结构、关系等因素。设计了一种改进的相似度的计算方法。改善了相似度计算中存在的片面性和不完善性问题,提高了本体映射的查全率和查准率。初步实验表明该算法在计算复杂度、查全率和查准率上都要优于Glue方法。

基于概念格的跨本体映射中概念相似度计算方法

随着各种本体构建方法和诸多实验本体的相继涌现,以跨本体通信、跨本体协同为目的的本体对应相关研究在近年来受到国际学术界的普遍关注.为了最大限度复用现有本体,解决本体对应中跨本体映射的核心问题,在对当前本体映射中概念相似度的计算方法进行梳理和总结的基础上,提出了以＂基于概念格的对象-属性相似度（object-attribute similarity based on concept lattice,OASBCL）＂法计算跨本体映射中概念的相似度.通过对该方法在跨本体映射中的应用举例,阐明了方法的有效性.并在此基础上从概念格与本体互补、相似度要素指标、映射性质三个方面对该方法进行了讨论.以尝试探索一种能够支持异构本体间跨本体映射的形式化的概念相似度计算方法.

知网的形式概念分析及概念相似度研究

将知网的义项、义原及其关系映射到形式化概念分析的语境中,生成一个基于知网的形式概念格。一方面,提供了一种将知网中概念关系转换为概念格的表征方式,从格中任意一个节点出发,可以很方便地访问到与此相关的各种知识,从而为信息检索和知识推理提供很大方便;另一方面,也提出了一种通过对形式概念格进行分析来计算概念相似度的方法。实验证明该方法克服了以往计算方法的若干不足,并能有效地在相关应用领域如协作学习言论分析中加以应用。

基于概念相似度计算的多策略本体映射方法

针对本体异构问题,提出基于概念相似度计算的多策略映射方法。选择过滤候选概念集及信息增益计算策略,缩小概念范围,减少计算量。计算时采用基于名称、概念属性和概念关系策略,并综合考虑实例相似度和结构相似度,通过赋予权值进行相似度合并,最终得到准确而完整的映射对。实验结果表明,该方法总体映射效果良好。