茶学领域本体自适应学习方法研究

论文摘要

本体学习(Ontology Learning)是自动或半自动构建本体的一系列方法和技术，它对本体建模具有积极的推动作用，主要体现在能够减少手工构建本体繁杂的人力消耗和提高本体构建质量等方面。然而，我们在开展农业领域本体建模与本体学习研究过程中，发现农业知识语料库里的信息是在持续增长并不断变化的，为使所建本体能够主动适应这种变化，开展农业领域本体自适应学习理论与方法的研究就显得尤为必要和重要。本研究在已有成果的基础上，针对茶学领域本体学习的自适应问题，重点开展茶学领域本体自适应学习方法的研究，主要包括茶学领域概念的自适应提取方法、茶学领域概念间关系的自适应提取方法以及茶学领域本体自适应学习原型系统设计三个方面。论文研究的主要内容如下：1、提出了茶学领域概念的自适应提取方法。构建贝叶斯网络，结合上下文依赖分析、互信息技术和领域度判断等算法，通过贝叶斯网络的逆向推理，实现茶学领域概念的自适应提取。2、提出了茶学领域概念间关系的自适应提取方法。通过概念聚类和簇聚类的方法提取茶学领域概念间分类关系，使用贝叶斯网络逆向推理，实现茶学领域概念间分类关系的自适应提取。3、开发了茶学领域本体自适应学习原型系统。在Eclipse平台上采用Servlet/JSP技术，开发一个茶学领域本体自适应学习原型系统，实验验证了文中所用理论与方法的正确性。论文研究对于农业领域本体建模理论与方法的深入研究，大规模构建农业领域本体，进一步建立农业语义网络与知识网格，实现农业领域知识的充分共享和协同服务，具有一定的理论价值和实际意义。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景与意义
• 1.2 研究内容及论文结构
• 1.2.1 研究内容
• 1.2.2 论文结构
• 2 本体学习理论与方法
• 2.1 本体
• 2.1.1 本体概念
• 2.1.2 本体表示语言
• 2.1.3 本体构建工具
• 2.1.4 本体应用研究进展
• 2.2 农业本体
• 2.3 本体学习
• 2.3.2 本体学习概念
• 2.3.3 概念提取方法
• 2.3.4 概念间关系提取方法
• 2.4 自适应学习理论
• 2.5 本章小结
• 3 茶学领域概念自适应提取方法研究
• 3.1 贝叶斯网络理论
• 3.2 常用的概念提取方法
• 3.2.1 上下文依赖分析
• 3.2.2 领域相关性判断
• 3.2.3 互信息技术
• 3.3 一种改进的合成词提取算法
• 3.4 茶学领域概念提取的贝叶斯网络
• 3.5 实例分析
• 3.6 本章小结
• 4 茶学领域概念间关系自适应提取方法研究
• 4.1 常用的概念间分类关系提取方法
• 4.1.1 基于语言规则的方法
• 4.1.2 基于广义后缀树的方法
• 4.2 茶学领域概念间分类关系自适应提取方法
• 4.2.1 基于层次聚类的方法
• 4.2.2 基于层次聚类茶学领域概念间分类关系提取方法评估方式
• 4.2.3 茶学领域概念间分类关系提取的贝叶斯网络
• 4.2.4 实例分析
• 4.3 概念间非分类关系提取方法
• 4.3.1 基于关联规则的挖掘方法
• 4.3.2 基于关联规则的概念间非分类关系提取方法
• 4.4 本章小结
• 5 茶学领域本体自适应学习原型系统设计与实现
• 5.1 茶学领域本体自适应学习原型系统框架
• 5.2 各部分功能描述
• 5.3 步骤流程
• 5.4 茶学领域本体自适应学习原型系统实现与验证
• 5.5.1 贝叶斯网络概率分布表设定
• 5.5.2 概念自适应提取
• 5.5.3 分类关系自适应提取
• 5.5.4 非分类关系提取
• 5.5 本章小结
• 6 总结与展望
• 6.1 工作总结
• 6.2 未来研究工作展望
• 参考文献
• 致谢
• 个人简介
• 在读期间发表的学术论文、成果及科研工作情况
• 附录 A 图索引
• 附录 B 表索引
• APPENDIX A FIGURE INDEX
• APPENDIX B TABLE INDEX