一种基于本体相似度计算的文本聚类算法研究

王栋，吴军华：可以自动更新的本体概念语义相似度计算2009,30(19)44190引言词语相似度计算在自然语言处理、智能检索、文档聚类、文档分类等很多领域起很重要的基础作用。

概念之间的语义相似度计算是自然语言处理研究的一个重要组成部分，也是人工智能应用中亟待解决的问题[1]。

本体之间的语义相似度应该随着时间的变化和知识的更新而变化。

比如，现在大部分人在网上搜索“苹果”这个词的时候，根本不是想着“苹果是一种水果”，而是作为“计算机”、“手机”之类的电子产品。

最近“Google ”出了一款手机，那么“Google ”和“手机”就应该联系在一起，而它们之前没什么联系。

本文提出了一种自动实时更新的本体概念之间语义相似度计算方法，利用知网的结构严谨和搜索引擎来提高算法的性能，并进行了实验比较。

1相关理论1.1本体本体(Ontology )已经成为语义Web 、知识工程、数据集成、人工智能、信息检索等研究领域的热门课题。

本体原来被哲学家用来描述事务的本质。

1993年，Tom Gruber 提出本体的一个公认的定义，即“本体是概念模型的明确的规范说明”，Gruber 还提出了构造本体的5条准则。

后来，Brost 在其基础上稍作修改，提出更明确定义：“本体是共享概念模型的形式化规范说明”。

Studer 等人在此进行了深入的研究后，认为本体是共享概念模型的明确的形式化规范说明。

这包含了4层含义：概念化、明确化、形式化和共享。

很多研究人员从实践出发，提出了不少有益于构造本体的标准用来指导人们构造本体，其中最有影响力的是Gruber 在1995年提出的构造本体的5条准则：清晰性、完全性、一致性、最大单调可扩展性、最小承诺和最小编码偏好。

5条准则给出了构造本体的基本思路，但不足之处是非常模糊和难以掌握。

后来，不少研究人员给出补充，其中最著名的是Arpirez 提出的3个规则：概念名称命名标准化、概念层次多样化、和语义距离最小化。

基于本体的语义搜索研究综述1 引言语义网的目标是扩展现有的Web标准和技术，实现自动化地处理Web语义[1]。

传统的搜索引擎使用关键词检索用户需要的信息，实际上在网页搜索过程中，可以使用多种方式来表达查询，将关键词映射要相关主题的语义层。

在搜索过程中使用本体能够加强用户与计算机之间的语义沟通，使查询结果更接近用户的需求。

目前已经公布的基于本体的搜索引擎有很多。

它们的应用领域和具体实现都有所不同，但是它们的目标都是提高搜索的查全率和查准率。

基于本体的语义搜索能更加智能地在Web查询过程中使用各种方法或结构。

研究人员常用领域本体表达特定领域知识的概念和关系。

本文将介绍这些搜索引擎利用领域本体处理查询请求所采用的不同方法。

1）相关术语传统的搜索依据的是关键词是否在文档中出现。

基于本体的语义搜索定义为利用领域本体的背景知识库进行信息检索的过程。

领域本体是具有层次结构的术语集，这些术语是描述此领域知识库的框架[2]。

用实体、实例和属性来表示词语之间的关系或槽。

基于本体的语义搜索的目的是最大化查准率和查全率。

分类标准本节介绍几种不同的基于本体的搜索的分类标准。

分类标准是在搜索过程中的重要步骤，包括：本体技术，语义标注，索引，排序，信息检索模型和性能改进。

1）本体技术本体是实现语义Web的基础，相关技术包括推理机，标注工具，基于本体的爬虫和挖掘工具。

在几种不同的本体描述语言里，RDF和OWL得了广泛的认可。

Java语言提供了Jena API和AJAX技术，可以用来存储和处理RDF数据。

2）语义标注概括地说，语义标注是在文本中分配实体，用以链接到它们的语义描述[15]。

语义标注分为手动语义标注、半自动语义标注和自动语义标注三种类型。

下面是语义标注的先决条件：本体，定义实体类；语义标注中可能涉及到这些类。

实体标识，允许区分并链接到它们的语义描述。

一个实体描述的知识库。

3）索引索引是为了更快的检索信息而进行的信息存储。

2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
科研热词 遥感图像分割 迭代最优化 进化聚类 色度直方图 舌质舌苔分离 舌象 聚类分析 知识分类 模糊c均值聚类 模糊c-均值 有限混合伯努利模型 数据挖掘 故障诊断 彩色图像分割 子空间聚类 基于内容的图像检索 可信子空间 二元数据 em算法 d-s证据理论
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
科研热词 聚类 领域本体 迭代收敛 词的聚类 词的相似度 词汇情感倾向 自适应 置信半径 粒子对 社区发现 点对点技术 混合算法 极值优化算法 文本 数据场 复杂网络 基因聚类 基准词 场论 k-means聚类 k-means算法
2014年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
科研热词 聚类 空间fcm 磁共振成像 滑动窗口 混合差分进化 测度函数 最大距离 文本距离 文本聚类 数据流 图像分割 各向异性扩散 ◢f◣度量值 k-means聚类算法 fcm
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
科研热词 聚类 模糊c-均值聚类 数据挖掘 鬼影 高维数据 高斯距离 隶属矩阵 遗传算法 选择和变异机制 逆向工程 训练样本点优化 蛙跳算法 自适应权重 胶囊内窥镜 聚类演化 聚类分析 粒子对 病灶数量保留率 点云数据 混合算法 模糊聚类 模糊c-均值聚类算法 最佳缝合线 方差权重矩阵 归一化互相关系数 归一化互信息量 差分进化 子空间聚类 多分辨率融合 多分类支持向量机 基因聚类 图像误删率 图像拼接 区域分割 分布式数据流 仿射传播聚类 代表点 主动学习算法 k-means算法

基于领域本体的P2P网络检索算法研究摘要：针对p2p网络检索质量差的问题，提出了一种基于领域本体的p2p网络检索算法。

该算法设计了一个共享的节点本体，用rdf工具对节点进行语义抽取和知识表示，同时给出相应的查询表示及语义相似性计算方法。

实验结果表明，该算法能够有效地提高检索质量。

关键词：p2p网络检索质量领域本体相似性计算0 引言随着越来越多的资源出现在p2p网络中，一个渐增的需求是找出一种有效的方法来检索这些资源。

本文提出一种基于领域本体的p2p网络搜索算法，通过采用领域本体来封装节点知识，实现基于领域本体的知识查询，以提高检索质量。

1 基于领域本体的p2p节点模型基于文献应用领域的一个p2p网络，其节点包含节点本体(领域内的概念化模型)、本地数据(描述具体文献属性的元数据)、本地知识库(共享的知识)以及本地知识(对知识库的一个抽象的、语义上的描述)等。

每个节点用一种能被其它节点理解的方式将本地节点数据进行结构化和形式化，即提取节点知识。

例如，某个节点上存储了人工智能（ai）方面的书（book）这种文献。

其知识可抽象为文献集合{book}和主题集合{ai}。

2 基于领域本体的p2p网络检索算法2.1 节点本体设计与知识抽取文献检索应用涉及两个主要概念，即文献和主题。

因此，可将p2p节点本体细分为文献本体和主题分类本体加以设计。

由于已存在有acmcss这样的主题分类本体，因此只需对文献本体加以设计。

根据领域本体的思想，本文采用w3c的rdf知识表示工具设计文献领域中的概念、属性和关系及与主题本体的联系等。

概念也称类，包括文献(document)、书(book)、会议论文(paper)等；属性包括标题(title)、作者(author)和主题(topic)等；关系包括父类关系(superclassof)、子类关系(subclassof)、实例和类的关系(type)等，例如学位论文(paper)和文献(document)的关系为subclassof。