面向Web的領域知識演化關系抽取研究.pdf

1、互聯網的迅猛發(fā)展，帶來了大量非結構化、異構化的數據，互聯網環(huán)境下相同領域中不同的知識概念間存在著多種關系，但是這些無序化的知識概念數據相互雜糅在一起，給學習者快速而又全面的了解與學習領域知識帶來了困難，同時也給構造互聯網領域知識的應用帶來了挑戰(zhàn)。目前關于領域知識的研究大多集中于上下位關系、等同關系等關系的研究。然而領域知識間的演化關系對于學習者學習和理解領域知識，梳理領域知識的前序和后續(xù)邏輯關系具有重要意義。就目前的研究所閱讀的文獻而言

2、，暫未發(fā)現針對這一方面的研究。因此，針對領域知識的演化關系抽取具有重要的研究意義與實用價值。本文對 Web環(huán)境下的領域知識演化關系抽取開展了以下工作：
　　第一，針對 We b數據的特殊性，利用詞頻統(tǒng)計與人工挑選的方法構建特征詞詞典，為 Web數據進行文本分類提供前提；
　　第二，在構建特征詞詞典的基礎上，提出一種基于特征詞的We b領域知識文本分類方法。實驗表明該方法具有良好的準確率與召回率，能有效的從 We b數據中分類

3、出含有領域知識的數據，為面向 Web的領域知識演化關系抽取研究奠定基礎；
　　第三，提出演化關系的定義，根據定義建立了領域知識演化關系推理模型，為不同結構、不同語義的領域知識關系表達建立準確的句法分析機制，利用知識概念之間的語義角色關系設計領域知識演化關系模式；
　　第四，在定義與推理模型的研究基礎上，提出了基于條件隨機場(Conditional Random Fields，CRF)模型的領域知識演化關系抽取方法，對于不同的

4、演化關系模式，建立了統(tǒng)一的演化關系抽取理論模型。實驗表明，該方法較同類關系抽取模型具有更好的實驗性能，能有效地發(fā)現領域知識之間的演化關系；
　　最后，在前面的研究基礎上，將演化關系抽取的結果應用在“機器學習”領域，設計并繪制了一個“機器學習”領域知識圖譜，該圖譜能夠有效挖掘領域學科下知識集合的演化體系，識別重難點知識，清晰明了的展示“機器學習”領域中具有演化關系的領域知識，給學習者學習與了解“機器學習”領域提供支撐，對學科建設以及