基于本體的知識庫分類研究.pdf

1、語言知識庫是自然語言處理的基礎資源，知識庫中知識的豐富程度、知識表示形式以及知識的組織方式直接關系到基于知識庫的自然語言處理應用的性能。
　　 現(xiàn)有基于領域分類的知識庫大多是在以人為對象的詞典基礎之上建立起來的，知識的覆蓋度低，知識庫更新周期長，獨立存儲的領域知識無法滿足知識共享以及降低知識冗余的需求。另一方面，現(xiàn)有自然語言處理應用大多只涉及到詞匯層面的知識，而以概念以及概念之間的關系為描述對象的語義知識很少被使用，從而限制了相

2、關應用的性能。
　　 針對現(xiàn)有知識庫在構建和使用中存在的不足，本文提出一種基于通用電子詞典來自動擴充領域詞典的詞匯領域標注方法，并借助本體知識庫良好的分類特性、概念的形式化描述來改善現(xiàn)有知識庫在知識表示、知識存儲和知識共享等方面的性能。本文的主要工作包括以下四個方面:
　　 1.提出一種基于詞匯注釋信息的單詞領域標注方法。該方法利用領域詞典和一部包括詞匯注釋信息的通用電子詞典來訓練領域標注模型，并利用該模型自動為通用電子

3、詞典中的新詞加注領域標記，在降低人力成本的前提下提高知識庫的覆蓋度;
　　 2.提出一種自適應的層次化分類體系生成方法，并在該分類體系的基礎上實現(xiàn)層次化的領域標注。該方法利用領域詞典所包含的詞匯信息來分析領域之間的相關度，在此基礎上自動生成層次化分類樹，并進一步實現(xiàn)自頂向下的層次化領域標注方法;
　　 3.針對領域術語存在“一詞多義”和“多詞同義”的問題，提出一種基于本體的概念化特征描述模型C-VSM，通過將文本中的詞匯

4、映射到本體上的概念節(jié)點，達到詞義消歧和合并同義詞的目的，在有效減少文本特征數(shù)量的同時提高主要特征的權重，從而提高文本表示的準確性;在此基礎上實現(xiàn)訓練文本和待分類文本的概念化表示，從而將C-VSM用于傳統(tǒng)的文本分類器;
　　 4.研究實現(xiàn)了基于C-VSM模型的文本分類算法，包括特征選擇方法、特征權重計算和文本相似度計算等。針對低頻特征和非平衡語料對文本分類性能的影響，提出一種信息增益和文檔頻率相結合的均勻特征選擇方法;在此基礎上通