为了解决分布和多源知识的融合与创新问题, 提出受控分众分类法, 分类结果提高了知识资源的标注精度, 降低了知识组织成本。此外, 为了消除本体模块间的异构, 构建语义一致的领域本体, 将粒度计算理论引入知识融合领域, 提出微商空间法, 对本体模块进行分解与重构, 结果使得构建的领域本体更加简洁和语义一致。最后, 采用实证分析的研究方法, 利用Protégé本体编辑工具对提出的方法进行验证, 结论表明该方法是有效的。
第10期 蔣黎黎,等:基于粒度计算理论的知识融合模型研究 3699 U [],[刀,[g],[T]}为本休O的木休模块。这样定义 图2中的 Operating_ System本体模块中包含两个对象 Android和 Microsoft vm,而 Smartphones本体模块中每个子类 出的本体模块是一系列具有相同等价关系的本体的集合 的实例均有对象属性 Android和 Microsoft vm,且以这两个对 基于粒度理论的模块化本体知识融合如图1所示。 象属性作为等价关系形成的商空间较为简洁。所以,在领域本 输人分众分类法 产生 体中将 Android和 Microsoft_VM作为粒属性形成新的商空冋 标签资源麓「标签资源 母个崗空间中的实例对象是原 Smartphones本体模块的子类的 生 受神词农7等入 受控分众分 实例对象。在新的领域本体中将原 Smartphones本体模块的子 类作为底层实例对象的对象属性。简言之,在徵商空间法处理 用户分布式生成产生 本体模块 模糊家合判定法类 过程中将对象属性 Android和 Microsoft vm作为粒属性,而将 粒属性HTC、 SANSUNG、 MOTOROLA、LG作为对象属性。 刚象属 分解(8属性 獲念展性 关系属性构 perating Syster+ MOIUROLA_A310 owl: Th MMOTOROLA4+t DyfeMe525 等价关系 iA-(HIC 微商空间法 TTC H 图1知识融合模型小意图 LoUisa(LG GM730) 在图1所示的知识融合模型中,本体模块由网络大众分布 式构建,并对构建的模坎赋予相应的标签进行标志。领域专家 SANSUGN+ is-a(SANSUNG $5830) 对网络大众上传的本体模块和标签作分別处理。利用受控分众 分类法,经过多轮反复,形成稳定的标签资源。由于不同用户知 识水平上的差异,对上传的本体模块所属的标签认定不同。领 图2融合前本体模块 域专家对其上传的夲体模块具有较深理解,他们对本体模块所 属的标签的认定应赋予较高权重。一般用户群体对本体模块所 ITC 属标签的认定则应赋予较低权重,利用综合评价法对木体模块 (SANSUNG_$>) 所属的标签进行综合加权并最终认定。确定本体模块所属的标 isa③ 签之后,若将标签看做一个粒度级别,同一标签卜的所有本体模 t 7 Mirsof yM+is-a(ANSUNQ 1800 块具有的共同属性又可称为粒属性;然而行个本体模坎又具有 C HDD 自己的属性,称为对象属性(包括概念属性和关系属性)。这里 CVOTCROLA A: 10 的标签相当于个类,而标签下的每个本体樸块相当于类的对 图3融合后领域本体 象。从属性集(所有的粒属性和对象属性的集合)中选择不同 在融合过程中对象属性和粒属性的变更是一个重点,其关 的属性作为等价关系,利用微商空间法,从不同的粒度对分布式键代码如下 构建的领域本体进行商空间重构,并寻求能使得商空间最为简 K owl: ObjectProperty rdf: ID=LG"> 洁和语义一致的等价关系,形成融合后的领域本体。微商空间 dfs: domain)〉 owl: Class) 法貝休包含三个步骤:a)收集受控分众分类法产生的标签资源 nOf Idf parse Type ="Collection" 依据形成的标签对领域本体自顶向下作粒属性一级的商空间重 Kowl: Class rdf: about ="#LG GM730"/) 构;b以对象属性作为等价关系,构建领域本体对象属性一级的 1. Class rdf. about ="#LG P990 〈/owl: unionof〉 商空间;c)依据简洁性和一致性等原则,调整并重构不同粒度卜 的商空间。简言之,微商空间法对原有的领域本体分类结构重 V/rdfs: domain) 新调整,形成更加合埋的大类和细类结构。 /owl: ObjectProperty 微商空间法对分布式产生的本体模块进行分解并重构,克 K owl: ObjectProperty rdf: ID="MOTOROLA") (rIfs: dema inl) 服了不同本体模块的异构性,使最终形成的领域本体具有话义 owl: Class) 一致性。 Kowl: union Of rdf: parse Type="Collection") 〈owl: Class rdf: about="# MOTOROLA_A3100°/ 5实证分析 owl: Class rif: abul ="#DyfeMe 525 /owl: unionO〉 本实验诜用P' protege来开发本体模块。在魅族社区上,统 (/owl Class 计发帖者上传的标签,结合相应的产品技术专业术语表(可作 为领域受控词表),依据受控分众分类法生成人个标签,即 K owl: ObjectProperty rdf: about =#Android2 2> Andriod、 MOTOROLA、HTC、 SANSU owl. inyerscOf rdf, resource ="#Android23"/> Y/owl: ObjectProperty rosoft vm、 Operating System。分别以 Smartphones和 Operating K owl: Object Property rdf: ID="SANSUNG") 标签为对象构建两个木休模块,依据本休模块的粒属性 和对象属性对本体模块进行粒度分解,并重新组合,使得融合 owl: unionOf rdf: parse Type="Collection") 出的领域本体具有语义一致性,如图23所 Kowl: Class rdf: about ="#SANSUNG_$5830" 3700· 计算机应用研究 第29卷 owl: Class rdf: about ="#SANSUNG 18000 [6 SMIRNOV A, PASHKIN M, CHILOV N, et al. Knowledge logistics 〈/owl: union Of in information grid cnvironment[J]. Feature Generation Computer /owl: Class) Systems,2004,20(1):61-79 〈/owl: ObjectProperty 「7徐赐军,今爱平,刘雪梅.基于本体的知识融合框架「J].计算 最后,将融合后的领域本体统一转换为OWL.格式存入数 机辅功设计与图形学学报,2010,22(7):1230-123 据库便于日后分析挖掘。 [8鲁慈民,冯博琴,李旭.面向多源知识融合的扩展主题图相似性 算法[J.西安交通大学学报,2010,44(2):20-24 在本实例中,由于构建的领域本体规模较小,采用 MySQL [9 ADOLFO G A, CUEVAS A D. Knowledge accumulation through au 数据库。在 MYSQL数据库中建立 Smartphones_d数据表,在 tomatic merging of ontology J]. Expert Systems with Applica Protege中,选择File菜单下“ Colverl Projecl Lo Fornal…”,在弹 tons,2010,37(3):1991-2005 出的对话框中选择 OWL Database,填入相关信息,并用J)BC「101 KUOT T, SENG SS,LNYT. Ontology-based knowledge fusion 将 Protege与 MySQL相连接。 ramework using graph partil ioning[ C- //ecture Noles in Arificial Intelligence. Heidelberg Springer, 2003: 11-20 6结束语 [11 LASKEY KB, COST A PC G,JANSSEN T. Probabilistic ontology for knowledge fusion[ C]//Proc of the 11th International Conference 本文结合受控词表和分众分类法的优势,生成本体模块的 on Information Fusion. 2008. 1-8 标签资源;系统地硏究了粒度理论并独立提出微商空间理论, [12 DIETMAR J, SHCHEKOTY KHIN K, FRIEDRICH G. Aulomalee 应用于模块化本体知识融合领域.消除本体模块之间的异构 ontology instantiation from tabular Web sources-the AllRight system 性。融合后的领域木休具冇简洁性和语义一致性。然而目前 d Agents on the 的硏究工作还有待完善,基于微崗空间的本体模块一致性检 World wide Web,2009,7(3):136-153 验、本体模坎间的推理等将是下·阶段的研究作。 [13] LIU Wei, YAN Hua-liang, XIAO Jian-guo. Automatically minng re- 参考文献 view records from forum Web sites[ C//Proc of the 7th International [1 PREECE A D, HUI K, GRAY W A, et al. The KRAFT architecture Conference on Fuzzy Systems and Knowledge Discovcry 2010: 2450- 2455 for knowledye fusion and Iransformaliun [J]. Knawledge-based Systems,2000,13(2-3):113-12 14 YANG Jiang-ming, CAI Rui, WANG Yi-da, et aL. Incorporating eite [2 PREECE A D, HUI K, GRAY W A, et al. KRAFT: an agent archi- level knowledge to extract structured data from Web forums[ C]//Proc tecture for knowledge fusion[ J]. International Journal of Coopera- of the 1 8th International world wide web conference. New york tive Information Systems, 2001, 10 (1/2): 171-195 ACM Press,2009:181-190 [3] XIE Neng-fu, CAO Cun-gen, GUO Hong-yu. A knowledge fusion LIS] AGICHTEIN E, CASTILLO C, DON \ToD, e al. Finding high- modcl for Web information[C]//Proc of IEEE/WIC/ACM Interna quality content in social media[ C]//Proc of International on Web search and Web Data Mining. New York: ACM Press, 2008 tional conference on Web lntelligence. Washington dc, ieee com 183-193 puter Society, 2005: 67-72 [4] ANDRES F, NAITO M. Dynamic topic mapping using latent semantic L16] DORAN P, TAMMA V, IANNONE L. Ont indexing[ C]//Proc of the 3 rd International Conference on Information ontology reuse: an ontology engineering perspective[ C.//Proc of the 16th AcM Confe on Information and Knowledge Management Technology and Applications. Washington DC: IEEE Computer Socie- New York. ACM Press .2007-61-70 ty,2005:220-225 [5 CHAN P T, RAD A B, TSANG K M. Optimization of fused fuzzy 71 STUCKENSCHMIDT H, KLEIN M. Intcgrity and change in modular tems via genetic algorithms[J]. IEEE Trans on Industrial Electro- riloloyies[C]//Pror: of the 18Ih Internal ional Joint Crnlferenee (n Ar tificial Intellgence. San Francisco: Morgan Kaufmann Publishers nics,2002,49(3):685-692 2003:900-908 (上接第3692页 [11 SHALEV-SHWARTZ. S, SINGER Y, SRERRO N. Pegasos: primal Conference on Machine L earning. New York: ACM Press, 2009: 929 estimated sub-gradicnt solver for SVM C]//Proc of thc 24th Interna 936 tional Conference on Machine Learning. New York: ACM Press, [16 XIAO Lin. Dual averaging methods for regularized stochastic learning 2007:807-814, and online optimization[I]. Journal of Machine Learning Re 12] JOACHIMS T. Training linear SVMs in linear time[c//Proc of th earch,2010,11(3):2543-2596 121h ACM SIG KDD Inlernalinnal Conference un Knowledye Diseovery [17 DUCHI J, SHALEV-SHW ARTZ S, SINGER Y, el/. Cummposile ob- and Data Mining. New York: ACM Press, 2006:82-95 lective mirror descent C//Proc of the 23rd Annual Conference on [13 SMOLA A J. VISHWANATHAN SV N, LE Q. Bundle melhIxis for Learning Theory. 2010: 14-20 machinc learning[ C]//Advances in Ncural Information Proccssing [18 YUAN Guo-xun, CHANG Kai-wci, HSIEH C J, et al. A comparison Systems.2008:1377-1384 of optimization methods and software for large-scale LI-regularized 14 TSENG P, YUN S. A coordinate gradient descent method for nons linear classification[J]. Journal of Machine Learning Research mooth separable minimization[J1. Mathematical Programming 010,11(3);3183-3234 2009,117(1-2):387-423 [19 FRANC V, SONNENBURG S. Oplirnized tulling plane algorithm for I 15 SHALEV-SHWARTZ S, TEWARI A. Stochastic methods for Ll regu support vector machines[ Cl// Proc of the 25 th Intermational Confe larized loss minimization[ C ]//Proc of the 26th Annual International rence on Machine Learning. New York ACM Press, 2008: 907-914