面向本体学习的粒计算方法地研究.pdf

的运算、有关性质和领域不确定信息的粒近似表示，分析了概念粒度空间模型的 特点。并将基于领域信息系统的本体概念学习和分类关系归结为概念粒度空间生 成的过程。 (2)针对领域本体概念和概念之问关系获取的需要，提出领域多层次概念获 取的粒计算方法 基于所提出的领域概念粒度空间模型，针对领域信息系统中特征值具有不确 定或不精确的情形定义了具体的粒化准则，提出领域多层次概念获取算法(CGS)， 从而为领域信息系统的本体概念学习和分类关系学习提供了一种有效的解决方法 和实现技术。并在该算法的基础上针对领域信息系统具有动态特征和分布性特征 提出了领域多层次概念获取的增量方法(CGS2)，从而能有效地适应动态数据源 的需要。通过算法测试比较、原型演示测试，以及本体学习原型演示系统的初步 应用表明所提出的方法是有效的。 (3)针对领域本体关系概念获取的需要，提出领域多维多层次之间关联关系 挖掘的粒计算方法 通过关联关系的挖掘来实现领域本体关系概念及非分类关系的学习是一种经 常使用的方法。先前的方法是针对非结构化数据源在已经具有概念集的基础上发 现概念之间的关联关系。本文应用特征值域概念层次结构和关联关系挖掘的优化 策略，提出了基于粒计算的领域多维多层次关联关系挖掘算法(G—Approach)。对 所提出的算法进行详细的实例说明，并选择不同类型数据集和其他典型挖掘方法 进行不同角度的测试与比较。测试结果表明了所提出的方法是有效的。另外，本 文所提出的领域多维多层次之间关联关系挖掘的粒计算方法是直接运行于领域信 息系统上，用于发现具有不同概念层次之问的关系概念。因此，所提出的方法不 仅扩展了对复杂数据源数据挖掘方法，而且为领域本体关系概念学习提供了一种 有效的解决方法与实现技术。 同时基于G-Approach方法提出领域多维多层次间关联关系的粒计算增量挖掘 更好的性能，但对完全属于稠密型数据集的测试结果却不如直接采用CGS方法好。 因此，这需要我们进一步深入分析研究，以图改进增量方法使之能对稠密型数据 集有更好的性能。 (4)针对本体非分类关系学习的需要，提出基于不同概念粒度空间的概念粒 间交叉关系获取方法 针对同一领域信息系统从不同的角度或侧面构建不同领域概念粒度空间，通 过分析粒间上下文，提出了基于不同领域概念粒度空间的概念粒间交叉关系获取 方法。由此为从领域信息系统进行领域本体的非分类学习提供了一种有效的解决 方法与实现技术。 (5)提出基于粒计算的本体学习框架 结合形式概念格提出基于粒计算的简单本体生成算法；提出基于粒计算的本 体学习框架。该框架主要包括三个部分，一是领域概念获取，二是领域概念问关 系的获取，三是将所获取的概念和关系映射为本体类和关系，包括类映射、关系 映射和实例映射等；基于该框架和面向本体学习的粒计算方法设计了相应的原型 演示系统，通过具体的数据集的测试运行验证了所提出的框架和算法是有效的。 关键词：粒计算；信息粒；数据挖掘；本体学习 分类号：TPl8 』匕立交道厶堂谴±堂位诠塞 ABSTRACT ABS’I’RAC。I’： Withthe of arean numberof web，there increasing subject—oriented development domaindata domaininformationinthis sources(the system substantialinformation．Thiskindofdatasourceis has semi—structured，which characteristicsof internal oruncertain incompletestructure，incomplete，imprecise massof anddistributedandSO to cont