基于維基百科的漁業(yè)知識(shí)庫(kù)構(gòu)建研究.pdf

1、本文的目標(biāo)在于利用維基百科作為語(yǔ)義知識(shí)源，構(gòu)建一個(gè)漁業(yè)知識(shí)相關(guān)的語(yǔ)義知識(shí)庫(kù)，文中針對(duì)漁業(yè)知識(shí)的特點(diǎn)，著重對(duì)語(yǔ)義相似度計(jì)算方法和實(shí)體歧義消解方法的分析與研究，并對(duì)語(yǔ)義相似度計(jì)算方法提出了改進(jìn)，提出了自己的實(shí)體消歧算法。本文抽取維基百科頁(yè)面的信息框（infobox）知識(shí)，并以三元組的形式進(jìn)行表示。
　　許多不同的語(yǔ)義相似度計(jì)算方法應(yīng)用于自然語(yǔ)言處理領(lǐng)域，知識(shí)獲取領(lǐng)域和信息檢索領(lǐng)域。目前，很多研究者致力于已經(jīng)存在的方法支持多本體的相似度

2、計(jì)算，以提高相似度的關(guān)聯(lián)值，本文中使用了基于特征的相似度計(jì)算方法，整個(gè)過程支持多本體方法，并使用了啟發(fā)式函數(shù)。通過漁業(yè)知識(shí)數(shù)據(jù)的采集，對(duì)實(shí)體相似度計(jì)算進(jìn)行了實(shí)驗(yàn)。經(jīng)典的基于本體的語(yǔ)義相似度主要分為以下三種：基于路徑的方法，基于特征的方法，基于信息內(nèi)容的方法?；诼窂降姆椒ㄊ亲詈?jiǎn)單的一種方法，通過is-a鏈接計(jì)算本體節(jié)點(diǎn)間的最短路徑，但所有的路徑必須統(tǒng)一相等的長(zhǎng)度?；谔卣鞯南嗨贫扔?jì)算方法克服了基于路徑相似度計(jì)算方法的缺點(diǎn)，基于特征的相似

3、度計(jì)算方法中，本體中的分類鏈接不需要統(tǒng)一為相等的長(zhǎng)度，但是要考慮本體特征集合的重疊程度?；谔卣鞯恼Z(yǔ)義相似度方法可以用于交叉本體，而基于路徑的相似度計(jì)算方法不能。本文的語(yǔ)義相似度的優(yōu)點(diǎn)在于，相比于Tversky的方法，本文的基于特征的相似度計(jì)算方法不使用權(quán)重參數(shù)去衡量語(yǔ)義特征，提高了方法的通用性。
　　對(duì)于知識(shí)庫(kù)的更新來說，知識(shí)庫(kù)新實(shí)體的內(nèi)容獲取是比較重要的一件事情。輸入新的知識(shí)到知識(shí)庫(kù)之前，需要實(shí)體鏈接，以保證新知識(shí)的實(shí)體能夠鏈

4、接到知識(shí)庫(kù)的實(shí)體。整個(gè)過程中，實(shí)體消歧是一個(gè)比較有挑戰(zhàn)性的任務(wù)。命名實(shí)體消歧有很多算法。本文中，命名實(shí)體消歧的處理可以通過不同的語(yǔ)義關(guān)系，相似度方法分析相關(guān)文本。基于提出的方法構(gòu)建了漁業(yè)知識(shí)庫(kù)。本文的實(shí)體消歧算法主要側(cè)重點(diǎn)有兩點(diǎn)：第一，從維基百科，百度百科，互動(dòng)百科收集大量的同義詞集，以支持用戶不同的搜索習(xí)慣；第二，對(duì)于存在無法消歧的實(shí)體，提出了二次消歧算法，以解決有的實(shí)體無法消歧的問題。
　　對(duì)于漁業(yè)知識(shí)庫(kù)的表示、構(gòu)建、挖掘以及

5、在搜索中的應(yīng)用。目前存在的主要問題有：1）目前知識(shí)庫(kù)還處于初期階段；2）人工干預(yù)很重要；3）結(jié)構(gòu)化數(shù)據(jù)在知識(shí)庫(kù)的構(gòu)建中起到?jīng)Q定性作用；4）各大搜索引擎公司為了保證知識(shí)庫(kù)的質(zhì)量多半采用成熟的算法；5）知識(shí)卡片的給出相對(duì)比較謹(jǐn)慎；6）更復(fù)雜的自然語(yǔ)言查詢將嶄露頭角（如命名實(shí)體歧義消解算法）。
　　此外，知識(shí)庫(kù)的構(gòu)建是多學(xué)科的結(jié)合，需要自然語(yǔ)言理解，機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等多方面知識(shí)的融合。有很多開放性問題需要學(xué)術(shù)界和業(yè)界一起解決。我們有理