实例驱动的自适应本体学习

doi:10.3778/j.issn.1002-8331.2009.28.009

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (28): 31-34.DOI: 10.3778/j.issn.1002-8331.2009.28.009

实例驱动的自适应本体学习

张瑞玲，王文斌，王秀峰，陈秋双

南开大学信息技术科学学院，天津 300071

收稿日期:2008-11-11 修回日期:2009-01-22 出版日期:2009-10-01 发布日期:2009-10-01
通讯作者: 张瑞玲

Instances driven adaptive ontology learning

ZHANG Rui-ling，WANG Wen-bin，WANG Xiu-feng，CHEN Qiu-shuang

College of Information Technical Science，Nankai University，Tianjin 300071，China

Received:2008-11-11 Revised:2009-01-22 Online:2009-10-01 Published:2009-10-01
Contact: ZHANG Rui-ling

摘要/Abstract

摘要： 针对知识管理中本体构建存在的问题，将聚类算法与ODP（Open Directory Project）目录有机结合，给出了一种基于知识资源元数据的自适应本体学习方法。根据元数据对文档进行聚类形成本体概念，将生成的概念分别映射到ODP中确定概念间的层次关系，生成初始本体；根据内聚性和相关性的变化进行自适应本体学习，实现本体更新和概念丰富，以及时跟踪知识的变化。提出的自适应本体学习方法能够很好地反映研究领域的演变过程和发展趋势，满足知识型组织进行知识管理和研究人员共享知识的需求。实验结果表明了方法的有效性。

关键词: 知识管理, 本体学习, 开放式目录项目, 聚类

Abstract: To solve problems in knowledge management，an adaptive ontology learning approach based on metadata of knowledge resources is proposed by integrating clustering algorithm and ODP（Open Directory Project）.Ontology concepts are generated by clustering documents based on their metadata，and concept hierarchy is formed based on the hierarchy of mapped concepts in ODP.In order to track the changes in knowledge，adaptive ontology learning is conducted to update the ontology and enrich ontology concepts based on the changes of cohesion and correlation of clusters.The adaptive ontology learning approach proposed in this paper can reflect evolution process and tendency in research area，and meet demands for knowledge management of knowledge organization and knowledge sharing of researchers.Experimental result demonstrates the validity of the approach.

Key words: knowledge management, ontology learning, Open Directory Project（ODP）, clustering

中图分类号:

TP181

张瑞玲，王文斌，王秀峰，陈秋双. 实例驱动的自适应本体学习[J]. 计算机工程与应用, 2009, 45(28): 31-34.

ZHANG Rui-ling，WANG Wen-bin，WANG Xiu-feng，CHEN Qiu-shuang. Instances driven adaptive ontology learning[J]. Computer Engineering and Applications, 2009, 45(28): 31-34.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.

实例驱动的自适应本体学习

Instances driven adaptive ontology learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics