面向Web的领域知识演化关系抽取研究

发布时间：2017-06-14 21:04

  本文关键词：面向Web的领域知识演化关系抽取研究，由笔耕文化传播整理发布。

【摘要】：互联网的迅猛发展,带来了大量非结构化、异构化的数据,互联网环境下相同领域中不同的知识概念间存在着多种关系,但是这些无序化的知识概念数据相互杂糅在一起,给学习者快速而又全面的了解与学习领域知识带来了困难,同时也给构造互联网领域知识的应用带来了挑战。目前关于领域知识的研究大多集中于上下位关系、等同关系等关系的研究。然而领域知识间的演化关系对于学习者学习和理解领域知识,梳理领域知识的前序和后续逻辑关系具有重要意义。就目前的研究所阅读的文献而言,暂未发现针对这一方面的研究。因此,针对领域知识的演化关系抽取具有重要的研究意义与实用价值。本文对Web环境下的领域知识演化关系抽取开展了以下工作:第一,针对Web数据的特殊性,利用词频统计与人工挑选的方法构建特征词词典,为Web数据进行文本分类提供前提;第二,在构建特征词词典的基础上,提出一种基于特征词的Web领域知识文本分类方法。实验表明该方法具有良好的准确率与召回率,能有效的从Web数据中分类出含有领域知识的数据,为面向Web的领域知识演化关系抽取研究奠定基础;第三,提出演化关系的定义,根据定义建立了领域知识演化关系推理模型,为不同结构、不同语义的领域知识关系表达建立准确的句法分析机制,利用知识概念之间的语义角色关系设计领域知识演化关系模式;第四,在定义与推理模型的研究基础上,提出了基于条件随机场(Conditional Random Fields,CRF)模型的领域知识演化关系抽取方法,对于不同的演化关系模式,建立了统一的演化关系抽取理论模型。实验表明,该方法较同类关系抽取模型具有更好的实验性能,能有效地发现领域知识之间的演化关系;最后,在前面的研究基础上,将演化关系抽取的结果应用在“机器学习”领域,设计并绘制了一个“机器学习”领域知识图谱,该图谱能够有效挖掘领域学科下知识集合的演化体系,识别重难点知识,清晰明了的展示“机器学习”领域中具有演化关系的领域知识,给学习者学习与了解“机器学习”领域提供支撑,对学科建设以及相关课程教学可能具有一定的参考价值。
【关键词】：领域知识 文本分类 演化关系 关系抽取 条件随机场
【学位授予单位】：西南科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：G434
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-14
• 1.1 研究背景9-10
• 1.2 研究目标与意义10-11
• 1.3 研究内容11-12
• 1.4 论文的章节安排12-14
• 2 国内外研究现状14-24
• 2.1 文本分类研究现状14-19
• 2.1.1 文本分类国外研究现状14-15
• 2.1.2 文本分类国内研究现状15-16
• 2.1.3 本研究中文本分类使用算法16-19
• 2.2 关系抽取研究现状19-23
• 2.2.1 关系抽取国外研究现状19-20
• 2.2.2 关系抽取国内研究现状20-21
• 2.2.3 本研究中关系抽取使用算法21-23
• 2.3 本章小结23-24
• 3 基于特征词的WEB领域知识分类研究24-32
• 3.1 引言24
• 3.2 相关工作24-25
• 3.3 领域知识文本分类研究25-28
• 3.3.1 特征词词典构建25-26
• 3.3.2 特征词权重计算26
• 3.3.3 领域知识文本分类方法26-28
• 3.4 实验28-31
• 3.4.1 实验设置及评估标准28-29
• 3.4.2 实验结果29-31
• 3.5 本章小结31-32
• 4 面向WEB的领域知识演化关系抽取32-46
• 4.1 引言32
• 4.2 相关工作32-34
• 4.3 演化关系推理模型34-36
• 4.3.1 演化关系模式34-35
• 4.3.2 演化关系推理35-36
• 4.4 演化关系抽取方法36-39
• 4.4.1 CRF句子层面关系抽取算法36
• 4.4.2 特征选择36-38
• 4.4.3 标记策略38-39
• 4.5 实验39-45
• 4.5.1 实验设置及评估标准39
• 4.5.2 实验结果39-45
• 4.6 本章小结45-46
• 5 领域知识演化关系抽取应用46-49
• 5.1 引言46
• 5.2 领域知识图谱展示界面46-48
• 5.3 本章小结48-49
• 结论49-51
• 致谢51-52
• 参考文献52-58
• 攻读硕士学位期间发表的学术论文及研究成果58

  本文关键词：面向Web的领域知识演化关系抽取研究，，由笔耕文化传播整理发布。

本文编号：450505