导读:本文包含了概念语义关系论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:语义,概念,关系,标识,藏文,名词,分词。
概念语义关系论文文献综述
柴瑜晗[1]（2018）在《基于语义图的中文领域概念及关系抽取方法研究与实现》一文中研究指出随着互联网技术的飞速发展,数据量在不断递增,从海量数据中挖掘有效信息变得越来越重要。在这个过程中知识图谱,特别是领域知识图谱发挥了重要的作用,成为互联网知识驱动智能应用的基础设施。对于领域知识图谱的构建,首先应该构建知识图谱的数据模式。由于领域数据的庞大性,且大部分是非结构化文本,因而自动构建知识图谱的数据模式成为该领域研究的重点。领域术语的抽取、领域概念的抽取以及关系的抽取是构建知识图谱数据模式的重要因素。本文针对知识图谱数据模式的构建进行了以下叁个方面的研究。1)采用了基于混合策略的中文领域术语抽取方法。首先对领域数据集进行词法分析,基于规则进行候选领域术语的抽取;其次使用统计的方法对候选领域术语进行过滤,利用TF-IDF算法进行领域术语的抽取,利用TextRank算法进行单词术语多词术语的抽取。实验结果表明,该方法使得领域术语的抽取较为全面。2)提出了基于语义图的中文领域概念抽取方法。该方法针对领域术语,构建包含语义信息的术语语义图,使用社区发现算法对术语语义图进行分析和划分,从而实现概念抽取。实验结果表明,该方法能够有效利用语义信息获得较好的概念抽取结果。3)提出了一种基于语义特征的概念间关系抽取框架。首先使用基于语义图的概念关系识别方法进行概念间关系识别;然后使用基于依存句法分析的关系标注方法进行概念间关系标注。实验结果表明,充分融入句法和语义信息可以得到较好的抽取结果。(本文来源于《河北科技大学》期刊2018-12-01）
鲁城华,寇纪淞[2]（2018）在《基于概念间双向语义和多重关系的Web服务发现》一文中研究指出如何提高Web服务的发现效果是面向服务计算领域需要解决的关键问题.针对这一问题,文中提出基于概念间双向语义和多重关系的Web服务发现方法.在计算概念相似度时,考虑语义的双向性及连接路径上的多重关系.不同于以往的服务发现方法,不仅计算服务描述中的名词和动词,还计算形容词.在名词和动词相似度计算中,涵盖继承关系(ISA)、部分整体关系(HASA)和反义关系(ANT).在形容词相似度计算中,涉及相似关系(Similar-to)和ANT.Web服务相似度的计算综合I/O和功能描述两方面内容,提高Web服务发现的准确性.通过综合数据实验充分验证文中方法的有效性,该方法具有较优的查准率、查全率及F-measure.(本文来源于《模式识别与人工智能》期刊2018年02期）
王舒琪,冯晓,张树武,关虎[3]（2017）在《面向领域概念的语义关系抽取方法》一文中研究指出提出了一个针对领域概念的开放式语义关系抽取方法,不需要预先定义关系类型,对句子进行依存句法分析,抽取最短依存路径,并通过添加启发式规则获取描述领域概念对的关系指示词。实验结果表明,所提出的方法是可行和有效的,能获得特定领域中存在的丰富的语义关系。(本文来源于《中国传媒大学学报(自然科学版)》期刊2017年03期）
夏光辉,李军莲,李晓瑛,李丹亚[4]（2017）在《SNOMED CT概念关系表达与语义检索》一文中研究指出详细阐述SNOMED CT基于概念的组织框架、表示模式、关系模型、表达规则等,初步探索SNOMED CT在医疗数据表达、语义检索方面的应用,为研究制定我国临床诊疗术语标准提供参考借鉴,进一步推动临床医疗数据的处理、挖掘与分析研究。(本文来源于《医学信息学杂志》期刊2017年03期）
程春雷[5]（2016）在《基于关系形式概念的教育资源语义模型研究》一文中研究指出近年来,随着国家信息化战略的深入推进以及数字化教育的持续发展,我国各级教育资源建设已经取得了巨大的成就。Web上各类教育资源的存量巨大、内容丰富、增长迅速,特别是随着“互联网+”思维在社会生活中的深入应用实践,众多辅助的学习模式和手段在技术变革中也在悄然演变和进步,终端学习者对资源的获取、贡献与影响会越来越直接,由此必将进一步推动教育资源的建设共享规模以及强化其发展质量,所有这些对教育资源的有效组织与获取技术提出了更高的要求。而同时,巨量的教育资源处在开放、动态和多变的Internet环境下,位置分散、内容多样、实际描述标准不统一,针对特定学习目的,学习者往往较难实现有效的资源内容筛选与获取。如何利用文本信息技术实现资源语义层面的自动标识,关联整合不同组织、不同形式的教育资源数据,实现更为有效的教育资源组织和共享具有十分重要的理论和实用价值。为此,论文提出了基于关系形式概念(Relational Formal Concept, RFC)的教育资源语义互联模型——资源关联语义链网络(Resource 'Association Link Network,RALN),主要聚焦于叁个关键研究问题:(1)针对开放的Web教育资源标识组织,如何引入更多的背景知识,提高资源模型的通用性与适应性,论文需要为背景知识的表达与获取提供灵活、通用的语义框架支持;(2)为了改善文本主题单纯依靠离散关键词统计特征的局限,使其获取与人类的并行阅读方式更为接近,论文在获取局部词条概念的同时,还需获取资源片段的上下文语境特征,更好发挥背景知识的效用;(3)针对个性化资源的时空动态性,如对于不同学习者和不同学习阶段,资源间的关联都可能存在差异或变化,资源模型在表达资源内容静态关联的同时,还应该具备动态学习能力,为教育资源语义标识、关联组织提供动态模型支持。论文针对以上问题进行了研究,主要内容为:(1)扩展了传统形式背景(Formal Context, FC),构建了关系形式概念模型(Relational Formal Concept Model, RFCM)。基于叁元组关系构建的 RFCM,为实体词条(包括主体概念、客体概念)、实体关系(谓词概念)的语义描述提供了统一的形式化框架,即关系表达成主、客体概念、谓词概念。其中主、客体概念、谓词概念是关系不同侧面语义的集合二元组形式化体现,均由概念的内涵和外延两部分组成。论文基于关系形式概念模型,借助开放协作知识库(如百度百科、维基百科),自动获取其中的条目数据、标签数据作为关系形式背景的初始来源,以此构建关系形式概念背景知识;在关系形式概念提供的初始背景知识下,综合考虑词条上下文句法信息,本文采用图理论对实体词条间的关系形式概念连通度进行计算,实现实体关系的抽取、实体概念识别的协作处理,辅助关系形式背景的扩展学习,为资源标识提供动态的背景知识。关系形式概念模型作为一种协作、自组织的文本语义获取与表达模型,能为后续资源文本的主题抽取与表达、Web资源关联组织,提供更为灵活的形式化背景知识和统一的语义框架。(2)基于关系形式概念模型,为文本主题的定义与获取设计了完整的技术路线,构建了关系形式概念主题模型(Relational Formal Concept Topic Model,RFCTM)。RFCTM借助了关系形式概念背景知识,首先对实体词条的关系形式概念相关度进行计算;并综合考虑词条上下文句法信息,进行文本中关系形式概念的连通度语义计算,实现了从文本原始词条—词条主题—文本离散主题—文本连通主题的资源主题获取路径。相比离散关键词的主题表达,RFCTM具有关系形式概念更为灵活的语义表达粒度和更为完整的主题表达框架。现代系统科学认为[3]:新事物的性质以既有组成要素为基础,但又不能由组成要素完全说明,组成要素之间的特定内在联系才是事物的本质。该观点用以文本主题的分析同样适合,即词条是语义的基础,但离散词条及其概念也难以完全刻画文本语义主题。RFCTM则模拟了人的基于局部特征和基于语境的并行阅读认知方式,可以为基于内容的Web资源标识提供形式化的主题向量,为资源的关联组织提供基础的语义要素。(3)以文本主题模型为基础,为教育资源的标识与组织构建了基于语义的标识模型。该模型包括知识关联语义链网络(Knowledge Association Link Network,KALN)以及资源关联语义链网络(Resource Association Link Network, RALN)。KALN是由关系形式概念及其连接关系构建的知识网络,它为资源标识组织提供了基础的背景知识网络;RALN表达了资源文本片段间的语义关联关系。论文以资源片段的语义作为独立的主题模式,它也是RALN进行关联的逻辑结点,并对雷同的主题模式约简合并,以此减少在资源标识过程中的RALN结点增加速度,控制RALN的规模,提高资源的标识组织效率。由于KALN、RALN是由通用的开放协作知识库初始化的,针对特定的教育资源标识组织往往语义粒度过粗或缺少领域知识的支持,难以反映领域资源间特定关联或领域背景,需结合领域资源的内容作进一步扩展。(4)借助神经网络结构理论中的四个相关假设,对KALN进行了连接强度的计算扩展。论文模拟人类记忆的激活扩散、遗忘抑制机制,借助资源内容对关系形式概念的关联强度进行动态学习调整,使其不仅反映关系形式概念语义关联,还体现Web资源中关系形式概念的领域共现语义,使知识关联语义链网络与特定领域背景更为接近。论文还提出了基于资源文档的结构信息对RALN进行扩展的思路,使主题模式之间的关联不仅体现其包含的关系形式概念细粒度语义关联,也体现资源同一文档中的多主题模式间粗粒度领域关联。最后还对KALN与RALN增量更新算法进行了优化,提高模型的扩展学习效率。针对当前资源标识组织存在的问题,论文的创新性工作主要体现在:(1)扩展了形式背景(Formal Context, FC),定义了关系形式概念模型(Relational Formal Concept Model,RFCM),从形式上统一了词条、关联和概念间的语义表达,为文本主题的表达提供了 一个新思路;(2)基于关系形式概念的连通度概念,进行文本词条的连通度计算,为文本主题的获取提供了更多语境信息;(3)借鉴激活扩散、遗忘抑制的记忆认知规律,构建并扩展了资源关联语义链网络,为个性化学习与资源推荐提供了动态的模型适应能力。(本文来源于《江西财经大学》期刊2016-12-01）
朱乔利,李学锋,李永刚,胡波,李亚[6]（2016）在《基于MindNet的地理信息概念语义关系分析》一文中研究指出地理信息概念语义关系分析是异构分布式地理信息系统在语义层次上实现共享的重要基础。本文以丰富地理信息概念的语义关系为目的,在分析各种结构化语义词表中定义的语义关系的基础上,结合中文分词,提出了一种基于MindNet的地理信息概念语义关系分析模型,并以部分水系地理信息概念为例对此方法进行了可行性分析。(本文来源于《数字技术与应用》期刊2016年08期）
程春雷,夏家莉[7]（2016）在《关系概念的Web资源语义标识模型研究》一文中研究指出Web环境下资源内容丰富,形式多样,描述标准不一,组织结构离散,既有标识方法存在语义单一,缺乏领域知识背景或人工参与度大等问题,限制了它们在个性化资源推荐和获取中的应用效果。基于关系概念的激活扩散以及资源分层语义标识的思想,面向Web资源构建了关系概念语义标识模型(relational concept annotation model,RCAM)。RCAM模拟人类记忆激活扩散过程,考虑记忆的加强与遗忘机制,由此实现资源更为动态、个性化的关联组织。RCAM中资源标识以关系概念作为语义要素,以片段关系概念集为语义模式,标识粒度灵活,语义逻辑相对完整,为Web资源标识组织提供了新的研究思路。实验表明,RCAM能提供更多的领域知识背景,可适应不同学习情景、学习个性下的资源动态组织,并且针对开放的Web资源,具有更好的通用性、扩展性。(本文来源于《计算机科学与探索》期刊2016年08期）
朱玲,于彤,杨峰[8]（2016）在《基于关键动词的中医古籍概念实体间语义关系发现研究》一文中研究指出以综合性医学专着《医学纲目》为研究对象,以文本信息抽取为关键技术,以关键动词为节点,实现语义关系的半自动发现,为中医药学语言系统(TCMLS)和中医古籍语言系统中的语义关系的进一步细化及充实奠定基础,为完善TCMLS的语义网络提供支撑。(本文来源于《中国数字医学》期刊2016年05期）
迭目德英[9]（2016）在《基于Word Net的藏文常用名词概念的语义关系分析研究》一文中研究指出藏文信息处理的现状是未构建出供计算机使用的词汇语义网络系统,而词汇语义网络系统的构建是基于藏文词汇知识库,就国内所创建的CCD、How Net、CWN等词汇语义网,都是基于Word Net(即基于英文词汇知识库)的构建方法获得了成功,Word Net也已成为词汇知识库构建的国际标准。本文是基于Word Net词汇知识库的设计原理及方法,对藏文常用名词概念的理定,藏文常用名词的范围、分类以及藏文常用名词的语义分析等信息,进行分析研究。运用了词汇语义学、认知语义学、藏语语法、计算机技术等学科相契合,采用了以语义场理论为基础的语义分类法与基于对复杂特征集的属性描述法相结合的分析方法,获得并建立了《藏文常用词汇概念Word Net数据库》,探索藏文常用名词词汇的13种语义关系,达到了藏文名词语义分类目的,为面向藏文信息处理的现代藏语语义信息词典做好基础性理论研究。其创新点在于以Word Net概念为依据,对藏文常用名词进行语义分类体系的划分,并对藏文的常用名词进行概念语义框架的表示,进一步地对藏文的常用名词概念进行语义关系及语义成分的分析等。本文中第一章为引言,主要探讨了供机器阅读的(即信息处理应用的)语义类词典在日本、美国等先进国家也已有研究或成果,尤其是概述了Word Net(基于英文词汇知识库)的国内外研究现状,并概述了面向藏文信息处理的词性语义分析的发展现状。分别于第二章中讨论了语言学中的名词概念、词与词义特性、何谓名词概念进行了简要概述。第叁章、第四章、第五章为本文的中心部分。第叁章中讨论了藏文名词概念的范围、藏文常用名词的分类、藏文常用名词的语义分类体系等问题。第四章中是基于Word Net的藏文常用名词概念的设计原理及方法。第五章中探讨并归纳了对基于Word Net的藏文常用名词概念的13中语义关系的分析与研究。第六章主要描述了藏文常用名词概念Word Net数据库的创建,对藏文常用名词的选取、分类标记、分类标记集的拟定以及藏文常用名词概念Word Net数据库部分示例。(本文来源于《西北民族大学》期刊2016-05-01）
曹文艺[10]（2015）在《视觉语义概念关系的研究》一文中研究指出随着互联网的快速发展,图像、语音和视频等多媒体资源已经成为人们日常生活的信息载体,伴随而至是以多媒体为研究对象的研究课题越来越受到工业界和学术界的关注,比如：图像标注、图像分类、图像检索等研究课题。由于多媒体对象规模庞大且无结构的特性,使得多媒体对象在互联网中的存储和检索变得非常的困难。众多困难中最着名的是语义鸿沟和意图鸿沟问题,其也一直是最近几十年研究者致力于解决的问题。本文提出了多种类型的视觉概念相关性度量的方法和采用概念相关性度量方法作为概念关系特征去建立多类别概念关系的模型,并最终使用该模型去预测概念之间的具体语义关系。本文既有概念表达的创新,也有高层语义概念关系模型的创新。发表的文章同时涉及了图像表达、概念表达、概念相关性度量方面的挑战,为建立一个自动化可扩展多类别视觉语义概念关系网络提供了有效的借鉴。对于发现的概念关系可以使用于基于上下文多概念融合方法中从而提高图像标注、分类的性能来到达减少语义鸿沟的目的或者使用于用户手工标注图像、检索图像等过程中从而提供备选的关键词来达到减少意图鸿沟的目的。具体来说,本文的成果和创新之处包括以下几点：1.本文提出了基于视觉单词分布差异性和标本图像特征距离的概念相关性度量方法,并且证明基于视觉单词的概念相关性度量方法在度量概念相似性时是更加有效的。在概念表达方面,本文主要采用了基于固定数量的视觉单词的概念表达和基于固定数量的代表性图像的概念表达。同时我们发现在视觉单词中加入具有空间关系的视觉短语的概念表达在测量概念相似性时比单独的视觉单词更加有效的。2.本文对于概念相关性的度量,不仅依赖于概念表达的视觉特征,而且还提取了概念在文本表示和共生频率基础上的概念相似性度量方法。在概念文本表示方面,我们主要通过研究概念的文本表示的词元构造来度量概念间相似性。对于概念的共生频率方面,主要是通过测量不同概念被标注在同一幅图像上的概率来度量概念间的相似性。3.本文通过从视觉图像、概念文本表示、图像检索日志这叁个方面提取概念关系特征,建立概念关系的模型,从而去预测任何两个概念之间的具体关系。通过该模型识别的概念关系,我们可以根据不同的概念关系向用户推荐不同类型的搜索关键词来减少存在的意图鸿沟和在图像表达阶段将图像的底层特征与图像标注的概念关系相结合,构造出带有一定语义信息的图像特征从而减少存在的语义鸿沟。(本文来源于《合肥工业大学》期刊2015-03-01）
概念语义关系论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
如何提高Web服务的发现效果是面向服务计算领域需要解决的关键问题.针对这一问题,文中提出基于概念间双向语义和多重关系的Web服务发现方法.在计算概念相似度时,考虑语义的双向性及连接路径上的多重关系.不同于以往的服务发现方法,不仅计算服务描述中的名词和动词,还计算形容词.在名词和动词相似度计算中,涵盖继承关系(ISA)、部分整体关系(HASA)和反义关系(ANT).在形容词相似度计算中,涉及相似关系(Similar-to)和ANT.Web服务相似度的计算综合I/O和功能描述两方面内容,提高Web服务发现的准确性.通过综合数据实验充分验证文中方法的有效性,该方法具有较优的查准率、查全率及F-measure.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
概念语义关系论文参考文献
[1].柴瑜晗.基于语义图的中文领域概念及关系抽取方法研究与实现[D].河北科技大学.2018
[2].鲁城华,寇纪淞.基于概念间双向语义和多重关系的Web服务发现[J].模式识别与人工智能.2018
[3].王舒琪,冯晓,张树武,关虎.面向领域概念的语义关系抽取方法[J].中国传媒大学学报(自然科学版).2017
[4].夏光辉,李军莲,李晓瑛,李丹亚.SNOMEDCT概念关系表达与语义检索[J].医学信息学杂志.2017
[5].程春雷.基于关系形式概念的教育资源语义模型研究[D].江西财经大学.2016
[6].朱乔利,李学锋,李永刚,胡波,李亚.基于MindNet的地理信息概念语义关系分析[J].数字技术与应用.2016
[7].程春雷,夏家莉.关系概念的Web资源语义标识模型研究[J].计算机科学与探索.2016
[8].朱玲,于彤,杨峰.基于关键动词的中医古籍概念实体间语义关系发现研究[J].中国数字医学.2016
[9].迭目德英.基于WordNet的藏文常用名词概念的语义关系分析研究[D].西北民族大学.2016
[10].曹文艺.视觉语义概念关系的研究[D].合肥工业大学.2015
论文知识图
