基于云变换的概念提取及概念层次构建方法

吉林大学学报(工学版) ›› 2010, Vol. 40 ›› Issue (03): 782-0787.

基于云变换的概念提取及概念层次构建方法

孟晖¹,王树良²,李德毅³

1.北京信息技术研究所, 北京 |100093；2.武汉大学国际软件学院, 武汉 |430079； 3.中国电子系统工程研究所,北京 |100141

出版日期:2010-05-01 发布日期:2010-05-01
作者简介:孟晖（1983）|男|博士研究生.研究方向:数据挖掘|云计算.Email:xiaoxiao51341@sina.com

Concept extraction and concept hierarchy construction based on cloud transformation

MENG Hui¹|WANG Shu-liang²|LI De-yi³

1.Institute of Beijing Information Technology, Beijing 100093,China;2.International School of Software, Wuhan University, Wuhan 430079, China;3.Institute of Beijing Electronic System Engineering, Beijing 100141, China

Online:2010-05-01 Published:2010-05-01

摘要/Abstract

摘要：

提出了一种基于云变换的概念提取及概念层次构建方法。首先通过云变换从数据库中提取定性概念，然后对原有概念跃升算法进行改进，使其在处理概念云合并时考虑幅度系数的影响，从而使得算法输出的概念层次能够更符合实际。最后用该方法对汽车价格数据进行分析，从中提取定性概念，并构建概念层次。实验表明，该方法能够较准确地提取和表征定性概念，所提取的概念中心与传统聚类算法得到的概念中心吻合较好，且基于云模型的概念表示能同时体现概念的随机性和模糊性，从而使得基于这些概念构建的本体能更准确地描述概念模型。

关键词: 计算机应用, 本体生成, 云变换, 概念提取

Abstract:

A method for extraction of qualitative concepts and construction of concept hierarchy is proposed. First, the cloud transformation is used to extract qualitative concept from database. Then, the former algorithm for pan concept tree generation is modified. When processing the cloud synthesization, the new algorithm takes the influence of the magnitude coefficient into consideration, which makes the output concept hierarchy more close to reality. As a case study, this method is used to extract qualitative concept and construct the concept hierarchy from car price data. Results demonstract that this method can extract qualitative concepts exactly. The concept center extracted by the proposed method is in good agreeement with that obtained by conventional clustering algorithm. The proposed method can also describe the concepts with uncertainty, thus the ontology based on these concepts could give better specification of the conceptualization.

Key words: conputer applications, ontology generation, cloud transformation, concept retrieval

中图分类号:

TP311

孟晖, 王树良, 李德毅. 基于云变换的概念提取及概念层次构建方法[J]. 吉林大学学报(工学版), 2010, 40(03): 782-0787.

MENG Hui, WANG Shu-Liang, LI De-Yi. Concept extraction and concept hierarchy construction based on cloud transformation[J]. 吉林大学学报(工学版), 2010, 40(03): 782-0787.

参考文献

相关文章 15

[1]	刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2]	王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3]	金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4]	赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5]	刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6]	欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[7]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[8]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[9]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[10]	车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[11]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[12]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[13]	傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[14]	曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.
[15]	侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed