属性探索算法改进及本体构建研究

论文摘要

随着语义Web的迅速应用与发展,我们需要对海量数据信息进行搜索,而本体是共享概念模型的明确的形式化规范说明,是语义Web应用的基础,其构建的质量直接影响着搜索的查全率和查准率。目前的本体构建大都停留在手工和半自动构建阶段,在构建时由于构建者、生活环境等方面的差异,往往会出现对同一本体进行构建,不同的人会得到不同的结果。因此,本体的构建方法一直是语义Web研究专家和学者的研究热点和难点。面对庞大的数据信息,我们需要一种有效的方法来对信息进行提取、组织和表示,通过计算,为本体提供构建的参考模型和层次关系。形式概念分析中的形式背景及概念格是一种较好的知识表示方法;而属性探索算法以形式背景为基础,通过询问专家一系列蕴涵问题来获得形式背景所包含的最大化的知识,为解决本体构建的本体存在差异和本体完备性问题提供有效的方法。属性探索算法不仅能在确定的形式背景中,更重要的是在不确定的形式背景中找到内涵、伪内涵和Duquenne-Guigues基,将领域知识中的隐含知识推导出来,找出各个属性之间的关系,以及属性和个体之间的对应关系,有效地解决了在本体构建时不确定性情况的问题,灵活地扩充形式背景向完备的方向改进。因此,对属性探索算法的研究及改进,将其结论应用于本体构建,研究新的本体构建方法具有较高的理论价值和实际应用价值。本论文的创新之处在于在国内开创性的研究属性探索算法的理论研究,发现其中的冗余计算情况,提出了两种改进算法,在此基础上对三种算法进行比较,将结论用于构建概念格,并与本体构建结合,提出了基于描述逻辑的属性探索算法的本体构建方法（AEOCM）。本论文的主要研究内容包括:一、详细介绍了描述逻辑、形式概念分析、本体等方面的基础理论知识,在国内开创性的对内涵、伪内涵、Duquenne-Guigues基进行研究,进而深入研究了Franz Baader等人提出的属性探索算法中的各个技术细节的设置和整个运算过程,发现了在其运算下一个Bi+1过程中的冗余计算情况,并说明产生冗余的可能性,为本体构建提供理论基础。二、提出了两种改进的属性探索算法。改进的属性探索算法（Ⅰ）,根据蕴涵集合的性质和特点,通过找到字典序下一个属性集合Bi+1,从相关性的角度判断其为内涵或者伪内涵,避免了冗余计算的情形,证明了其完备性;改进的属性探索算法（Ⅱ） ,对属性集合的基数比较小的情况下,列出属性集合的所有子集合,然后以集合基数相同的集合为一批,分批进行相关性的检测。通过对原属性探索算法及改进算法（Ⅰ）、（Ⅱ）进行了详细的对比分析,说明了各自的优缺点和相应的适用范围,改进的算法不仅简化了判断条件和步骤,更进一步地提高了算法的效率。三、将属性探索算法作为纽带,联系本体构建与形式背景,提出了基于描述逻辑的属性探索算法的本体构建方法（AEOCM）:通过从数据源提取形式背景,经过属性探索,生成概念格,根据对比分析本体与概念格之间的差异所得到的转化规则,将其转化为本体,进一步手工添加和修改完善后,完成本体构建工作。因此,我们可以利用上述方法构建和完善描述逻辑知识库。四、利用AEOCM,构建了两个正方形位置关系的本体。以实例化的方式,详细的介绍了每个环节的计算情况,使该方法从理论层面上升到实际应用层面。本论文在通过对属性探索算法进行深入研究、分析后,提出了两种改进的算法;将属性探索应用于本体构建中,提出了基于描述逻辑的属性探索算法的本体构建方法（AEOCM）,用实例的方式详细地说明了该方法的实现过程,为本体构建提供了一种可行性高,可操作性强的有效方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景和研究意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 研究内容及论文创新点
• 1.3.1 本文研究的主要内容
• 1.3.2 论文的创新点
• 1.4 论文的结构
• 第2章 描述逻辑、形式概念分析、本体构建知识
• 2.1 描述逻辑
• 2.1.1 描述逻辑的体系结构
• 2.1.2 基本描述语言
• 2.1.3 术语公理TBox
• 2.1.4 断言事实ABox
• 2.2 形式概念分析
• 2.2.1 形式概念、属性蕴涵基本知识
• 2.2.2 字典序的基本知识和结论
• 2.2.3 蕴涵伪壳的基本知识和结论
• 2.2.4 概念格和Hasse图的基本知识
• 2.3 语义Web及本体
• 2.3.1 语义Web
• 2.3.2 本体构建
• 第3章 属性探索算法研究
• 3.1 Franz Baader等人提出的属性探索算法研究
• 3.1.1 Franz Baader等人提出的属性探索算法的设置
• 3.1.2 利用Franz Baader等人提出的属性探索算法计算实例
• 3.1.3 出现冗余计算情形
• 3.2 改进的属性探索算法（Ⅰ）及实例
• 3.2.1 改进的属性探索算法（Ⅰ）
• 3.2.2 属性探索算法（Ⅰ）的完备性证明
• 3.2.3 改进的属性探索算法（Ⅰ）实例
• 3.2.4 避免冗余情形的讨论
• 3.3 改进的属性探索算法（Ⅱ）及实例
• 3.3.1 提出改进的属性探索算法（Ⅱ）的理论依据
• 3.3.2 改进的属性探索算法（Ⅱ）
• 3.3.3 改进的属性探索算法（Ⅱ）的实例
• 3.4 三种属性探索算法的比较分析
• 第4章 基于描述逻辑的属性探索算法的本体构建
• 4.1 基于描述逻辑的属性探索算法本体构建的思路
• 4.2 基于描述逻辑的属性探索算法的本体构建方法（AEOCM）的模型
• 4.2.1 预处理模块
• 4.2.2 属性探索模块
• 4.2.3 转化概念格模块
• 4.2.4 本体构建模块
• 4.3 基于描述逻辑的属性探索算法的本体构建方法的讨论
• 第5章 基于描述逻辑的属性探索算法构建本体实现及实例
• 5.1 预处理模块的实现
• 5.2 属性探索模块的实现
• 5.3 转化概念格模块的实现
• 5.3.1 计算形式概念
• 5.3.2 计算直接子结点，生成概念格
• 5.4 本体构建模块的实现
• 5.4.1 类的构建
• 5.4.2 个体的构建
• 5.4.3 手工调整本体
• 5.4.4 两个正方形的位置关系OWL本体代码
• 5.5 小结
• 第6章 总结与展望
• 6.1 目前工作的总结
• 6.2 下一步的改进方向和工作
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢