基干关联数据知识发现技术述评.docVIP

基于关联数据的知识发现技术述评 　　摘 要：文章通过对CLOD、KIELD等关联数据相关会议、谷歌学术、IEEE和Springer等数据库基于关联数据的知识发现技术文献的调研与整理，分析和总结了基于关联数据的知识发现技术发展现状和发展趋势。研究认为：根据对关联数据的挖掘层次的不同，将检索结果分为间接挖掘、直接挖掘和链接挖掘三类；总体而言，基于关联数据的知识发现研究仍处于探索阶段，相关研究较少且缺乏统一框架；基于关联数据的知识发现统一框架的构建以及针对关联数据知识发现技术的完善将是未来研究的重点 关键词：关联数据；知识发现；述评 中图分类号： G302 文献标识码： A DOI：10.11968/tsyqb.1003-6938.2016103 Abstract This paper discusses the current status and future directions of the related studies of knowledge discovery technology based on linked data。By Using IEEE，Springer，Google Scholar and other scholarly search engines and collects papers about this subject from related conferences，such as COLD and KIELD，this paper makes a comprehensive study in this subject of research and classifies related papers according to the different knowledge discovery methods. In general，knowledge discovery based on linked data is still in the exploratory stage. There still exists some problems in the knowledge discovery based on linked data， such as the quality problem of linked data；and there is no unified framework for those methods. Getting more convenient knowledge discovery methods based on linked data and building a unified framework for them will be the focus of future research. Key words linked data； knowledge discovery； review 海量数据与知识贫乏导致了数据挖掘和知识发现研究的出现。知识发现（Knowledge Discovery）源于人工智能和机器学习，是机器学习、 人工智能、数据库和知识库等众多学科相互融合而形成的一门适应性强的新兴交叉学科。知识是数据元素间的关系或模式，知识发现就是从大量数据中，特别是从异构的数据平台中提取出隐含的、未知的、潜在有用的并能被人们理解的规则与模式，并检查趋势、发掘出事实的高级处理过程[1]。当前有关知识发现研究主要集中在：粗糙集理论；概念格和形式概念分析；基于分类、关联规则、领域知识和图模型等领域[2] 关联数据的发布与应用为知识发现提供了一个新契机，特别是关联数据预先建立了大量权威、准确的关联关系，每个数据对象包括多种属性和特征，从而为实现跨学科领域、跨数据源的精准知识发现提供有效支撑，使得基于关联数据的知识发现成为研究热点 1 研究现状 1.1 知识发现相关技术 目前的知识发现研究主要有两大分支，即基于数据库的知识发现与基于文献的知识发现。数据库知识发现主要针对结构化数据， 基于文献的知识发现主要针对非结构化数据。知识发现的方法有统计方法、机器学习方法与神经计算方法。统计方法除了回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费舍尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）及探索性分析（主成分分析、相关分析）等方法以外，还包括模糊集方法、支持向量机方法、粗糙集等方法。常用的机器学习方法包括规则归纳、决策树、范例推理、遗传算法等。常用的神经计算方法包括自组织映射网络、反传网络等[3] 基于文献的知识发现按照文献的相关性分为基于相关文献的知识发现、基于非相关文献的知识发现和基于全文献的