安敬民,李冠宇

(1.大连东软信息学院 计算机与软件学院,辽宁 大连 116023; 2.大连海事大学 信息科学技术学院,辽宁 大连 116026)

0 概述

在构建领域本体的过程中,需要设计本体自学习机制以便在后期可以自动补充和扩展本体。而在本体自学习过程中,同领域概念的聚类是关键步骤,其决定所构建领域本体在实际应用过程中所提供领域概念的准确性。

同领域概念聚类的传统方法主要有基于划分、基于层次、基于形式概念分析以及基于语义距离的方法。基于划分的方法需要人为设定划分的个数和穷举所有可能的划分情况,并给定递归算法将概念从一个划分移到另一划分来提高划分结果的准确性,典型算法为K-means[1-2]。基于层次的方法是将复杂概念网中每一个概念节点视为一个独立的聚类,利用领域一致度计算公式,迭代合并同领域概念,最终将复杂概念网分为多个领域的概念网,其中基于分布密度计算[3]的方法为主要代表。基于形式概念分析的方法主要采用概念格将对象分层,模糊概念格[4]和模糊K-means[5]是其中的代表方法。基于语义距离的方法主要通过计算领域概念在概念树中的距离进行聚类,目前有基于遍历树的蚂蚁聚类算法[6]和百科词条的本体概念聚类方法[7]等。文献[1-2]采用优化后的K-means方法选取并优化聚类中心,结合设定的聚类阈值实现同领域概念的聚类。文献[3]利用层次的耦合内聚比得到类数目的分布密度,通过密度聚类实现最终的概念聚类。……