基于SVM算法的本體實例分類改進研究.pdf

1、信息技術(shù)和Internet的不斷的發(fā)展,不僅帶來了總量上的“信息過載”問題,而且還有結(jié)構(gòu)性的“信息短缺”以及各種“信息陷阱”、“信息迷霧”等問題,使得獲取特定信息的難度不斷加大,因此,有學(xué)者提出知識工程的思想來專門研究如何有效地對知識進行處理。知識工程主要包括知識表示、知識獲取以及知識管理三個基本課題,其中知識表示是知識工程的核心。研究發(fā)現(xiàn),本體能夠很好的表示領(lǐng)域知識,并且能夠提供計算機能夠理解的形式化語義信息,促進計算機之間的通信和互

2、操作,讓計算機模擬人腦的功能準確地、自動地對信息進行處理。
　　 本體自動擴充是當(dāng)前本體研究的熱點問題,所謂本體自動擴充是指自動地對語料進行處理,從中抽取出本體概念實例,在實例與本體概念之間建立關(guān)系,最終建立起本體種群。本體自動擴充研究中最關(guān)鍵的部分是本體實例的分類,即通過特定的分類算法計算實例與概念之間的相似度,一方面把識別出的本體實例填充到相應(yīng)的本體概念當(dāng)中去,另一方面盡可能多的識別出本體概念的實例,提高本體實例分類的準確率

3、和召回率。
　　 目前,本體實例分類的研究主要通過借鑒人工智能、機器學(xué)習(xí)等領(lǐng)域的研究方法進行研究,所應(yīng)用到的方法主要有兩類,一類是基于規(guī)則的方法,這種方法通過構(gòu)建實例識別、分類的規(guī)則來實現(xiàn)本體的自動擴充。另一種基于統(tǒng)計的方法,通過標注語料訓(xùn)練或自學(xué)習(xí)的方式建立統(tǒng)計模型,進而利用該模型抽取本體概念實例實現(xiàn)本體自動擴充。
　　 作為在人工智能、機器學(xué)習(xí)等領(lǐng)域的研究中廣泛應(yīng)用的算法之一——支持向量機算法,能夠被用來解決本體實例

4、的分類問題。支持向量機(SVM)是一種向量空間模型(VSM),它把對文本內(nèi)容的處理簡化為向量空間中的向量運算,并且它以空間上的相似度表達語義的相似度,通過計算向量之間的相似性實現(xiàn)實例的分類。
　　 本文提出了一種SVM算法的改進模型即Onto-Bt-SVM模型,它主要是針對SVM算法難以解決多類分類問題以及特征向量構(gòu)造難度大兩方面的問題進行改進。本文的改進策略主要體現(xiàn)在兩個方面:第一,利用本體自身的概念結(jié)構(gòu)和二叉樹模型組織SVM