面向文本的本体扩展关键技术研究.pdf

摘 要 随着计算机和互联网的广泛应用，人类正处在历史上前所未有的信息爆炸 时代。如何对互联网上的大量信息进行归纳总结，去伪存真，获取领域内有意 义的新知识，成为亟待研究与解决的问题。本体作为一切存在的实体，是知识 发现与知识表示的基本工具。因此，本体学习与扩展使从互联网上获取有意义 的知识成为可能。本文提出了面向文本的领域本体扩展框架，本框架应用了一 系列基于统计的自然语言处理方法，面向中文文本展开领域本体扩展。 本文着眼于中文领域本体的自动扩展，提出了一种从大量中文语料库中进 行中文自然语言处理，挖掘语义信息，并将这种语义信息做进一步的深入挖掘 与归纳，扩展领域原有本体的属性与关系或发现领域内新本体的本体扩展方法。 解决了目前本体扩展自动化程度低，关系简单的问题。 本面向文本的领域本体扩展框架主要分为三个过程：文本预处理、领域概 念抽取和领域概念关系抽取。在文本预处理过程中，对经聚焦爬虫和正则表达 式筛选的互联网上的海量文本语料库进行中文 自动分词，利用词汇、文本基本 信息构建词汇-文本矩阵；在概念抽取过程中，首先对词汇-文本矩阵进行量化， 其次应用潜在语义空间技术将词汇-文本矩阵映射为词汇-语义矩阵，最后对词汇 -语义矩阵进行聚类算法，抽取领域概念；在概念关系抽取过程中，对聚类结果 进行深入分析，经专家修正抽取结果中有效的关系，完成本体的扩展过程。 本文提出的本体扩展框架是从中文语料库中挖掘领域本体、丰富领域本体 关系的探究。本框架具有数据资源丰富、适用范围广泛、自动化程度高等特点， 对构建大型本体和丰富现有本体具有积极的意义。 关键词：本体扩展，自然语言处理，聚类算法 Abstract With the wide application of information technology, mankind is at an unprecedented era of information explosion. There is an urgent research and unsolved problem that how to summarize the wealthy information on the Internet and how to eliminate the false and retain the true and find the new meaningful knowledge. Ontology, which is an entity for all exist, is the basic tool for knowledge discovery and knowledge representation. Therefore, it is possible to obtain meaningful knowledge on the Internet by Ontology learn and extension. In this paper, the writer proposes a document-oriented domain ontology extension framework which applies a series of natural language processing based on the statistical methods for Chinese documents. This paper focuses on the technology for the automatic Chinese domain Ontology expansion. The writer presents a new method that mine semantic information to make further summarization and induction by Chinese natural language processing fro