CN104239397A - 一种新的领域知识表达和知识服务方法 - Google Patents

一种新的领域知识表达和知识服务方法 Download PDF

Info

Publication number
CN104239397A
CN104239397A CN201410308904.0A CN201410308904A CN104239397A CN 104239397 A CN104239397 A CN 104239397A CN 201410308904 A CN201410308904 A CN 201410308904A CN 104239397 A CN104239397 A CN 104239397A
Authority
CN
China
Prior art keywords
knowledge
banyan
reasoning
node
field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410308904.0A
Other languages
English (en)
Inventor
葛水英
于海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
RESEARCH CENTER FOR SCIENTIFIC COMMUNICATION OF CAS
Original Assignee
RESEARCH CENTER FOR SCIENTIFIC COMMUNICATION OF CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by RESEARCH CENTER FOR SCIENTIFIC COMMUNICATION OF CAS filed Critical RESEARCH CENTER FOR SCIENTIFIC COMMUNICATION OF CAS
Priority to CN201410308904.0A priority Critical patent/CN104239397A/zh
Publication of CN104239397A publication Critical patent/CN104239397A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种新的领域知识表达和知识服务方法-知识榕树网表达体系及服务框架。知识榕树网表达体系能够同时表达陈述性知识和过程性知识，其中利用知识榕树网表达体系描述的陈述性知识包括属性描述知识和关联知识，过程性知识是指在利用知识榕树网所表示的陈述性知识的基础上，进行推理的规则和方法。利用知识榕树网表达体系及服务框架，可以快速建立领域体系和知识服务平台，为领域提供数据、信息和知识的管理和检索。该发明的知识表达体系不仅具有受领域限制少，表达形式多样等特点，还支持不同领域知识之间共享，为垂直领域搜索提供了一种灵活、智能的知识表达和资源管理、检索的方式。

Description

一种新的领域知识表达和知识服务方法
技术领域
本发明属于计算机人工智能领域，涉及到知识表示，自然语言处理，语义信息处理等应用技术，利用针对知识表示，知识推理和领域知识服务，提出一种新的领域知识表达和知识服务方法。
背景技术
知识表示是用计算机能够接受并进行处理的符号和方式来描述人类的知识并将知识形式化的过程。知识表示一直是人工智能研究的热点和核心，研究包括知识表达形式以及各类不同知识的表示方法、度量计算等。
一种好的知识表示方法首先要符合人脑的知识存储结构，其次要具有良好的表示形式和完备的结构，此外在应用中要体现出较好的适应性和扩展性。随着研究的深入，人们已经提出了多种知识表示方法。传统的知识表示方法主要包括逻辑，产生式，语义网络，框架等。但这些表示方式在理论和实际应用中都有自身的局限性：
逻辑表示法的表达能力有限，特别是对具有归纳结构和多层次的知识。
产生式表示法具有良好的推理模拟能力，但由其组成的知识体系的完备性难以得到保证，此外其在应用过程中的灵活性较差，而且无法对世界进行本体化的描述。
语义网络是知识的一种图解表示，由节点和弧线组成。但由于用有限的节点和弧不可能代表万事万物及其相互之间的所有联系，因此其表达能力有限(与一阶逻辑表达能力相同。此外，语义网络结构本身没有语义的约定。
框架是一种结构化表示法，由节点-槽-槽值组成。但框架中的节点，槽都是基于符号的表达，其本身并没有一定的语义。此外，由于没有固定的推理机制，使其可操作性较差。
在领域榕树知识体系构建方面，由于在知识表示，组织结构，分类准则上的差异，使得不同领域的知识体系之间无法达到知识共享和相互服务的目的，造成信息和知识资源的浪费。
发明内容
针对已有知识表示方法在表达和推理中的以及在知识组织和共享中的问题，为了有效地反映人脑的思维过程以及解决问题过程中知识的运用过程，提高知识在不同领域的共享性，本发明的目的在于提出一种新的领域知识表达和知识服务方法-知识榕树网表达体系及服务框架，以提高知识表达、知识推理的能力，并以此为基础建立开放式的领域体系和知识服务平台，为领域提供知识组织、知识共享、数据和信息检索的服务。
为达成所述目的，本发明的技术方案如下：
该方法主要包括：知识榕树网表达体系构建，知识榕树网的知识推理和服务框架构建，领域榕树知识体系构建，以及为领域提供数据、信息和知识的管理、推理和检索服务四个流程。
本发明的有益结果：本发明的提出的领域知识表达和知识服务方法-知识榕树网表达体系及服务框架，首先不仅能够表达陈述性知识以及过程性知识，还能实现由语义符号推理智能与计算智能相融合的知识服务方式；此外，采用在领用知识和通用知识分离的方式构建领域榕树知识体系，便于不同领域榕树知识体系共享知识；最后能够实现不同粒度的知识推理，且能够根据检索信息，自动调整知识推理粒度和检索层次，以提供较准确、较全面的检索结果。
附图说明
图1是本发明知识榕树网表达体系及服务框架图；
图2是本发明知识榕树网知识表达体系结构图；
图3是本发明知识榕树网推理体系图；
图4是本发明领域榕树知识体系构建流程图。
具体实施方式
下面结合附图，系统地对本发明如何构建知识榕树网表达体系，构建知识榕树网的知识推理和服务框架，搭建领域榕树知识体系以及利用识榕树网的知识推理和服务框架进行信息检索。
本发明知识榕树网表达体系及服务框架图如图1所示。该发明在构建知识榕树网知识表达体系基础上，通过设计基于知识榕树网的知识推理和服务框架，构建领域榕树知识体系，并为领域提供数据、信息和知识的管理、推理和检索服务。
下面对每一流程的功能和设计进行详细阐述。
步骤S1：构建知识榕树网知识表达体系；
步骤S11：知识榕树及知识榕树节点的结构
知识榕树网BW由若干知识榕树及其相互关系组成,即BW＝{{BKi,i＝1..N},{RKi,j(BKi,BKj),i,j＝1...N,i≠j}}，其中BKi表示知识榕树，RKi,j(BKi,BKj)表示两棵知识榕树BKi,BKj之间的相互关系。如果RKi,j(BKi,BKj)为空，表示两棵知识榕树BKi,BKj之间不存在关联，否则表示两棵知识榕树BKi,BKj相互关联。为了便于后面推理，RKi,j(BKi,BKj)关系建立在知识榕树BKi,BKj之间，如果RKi,j(BKi,BKj)不为空，则知识榕树BKi的所有知识榕树节点与知识榕树BKj的所有知识榕树节点之间存在关联。采用二元组对RKi,j(BKi,BKj)进行描述，即RKi,j(BKi,BKj)＝{rkName,rkWeight}，其中rkName表示关联名称，rkWeight表示关联的强度。
每一棵知识榕树BKi由一棵知识主冠树，若干知识支撑树以及它们之间支撑关系组成，即BKi＝{PKi,{AKi,t,t＝1..T},{SupportRKTi,t,t＝1..T}}，其中PKi表示知识榕树BKi对应的知识主冠树，主要用来描述领域核心分类知识；AKi,t表示知识榕树BKi的知识支撑树，是从不同的维度支撑描述核心分类知识；SupportRKTi,t表示知识支撑树对AKi,t对知识主冠树PKi的支撑关系(Support)，采用三元组对SupportRKTi,t进行描述，即SupportRKTi,t＝{AKi,t，PKi，supportWeight}，其中，supportWeight表示支撑的强度。
PKi以及AKi,t均由知识榕树节点按照树状排列而成，即PKi＝{PKNamei,{PKiNp,p＝1..P}}，AKi,t＝{AKNamei,AKi,tNq,q＝1..Q}。其中PKNamei是知识主冠树的名称，PKiNp是知识主冠树的知识榕树节点，AKNamei是知识支撑树的名称，AKi,tNq是知识支撑树的知识榕树节点。
作为领域榕树知识体系基本的表达单元，知识主冠树的知识榕树节点PKiNp和知识支撑树的知识榕树节点AKi,tNq均采用{节点名称，属性集合，关系集合，推理动作集合}四元组描述，即
PKiNp＝{PKNname,{PAttributek,k＝1..K},{PRelationr,r＝1..R},{PReasonActiond,d＝1..D}}
AKi,tNp＝{AKNname,{AAttributek,k＝1..K},{ARelationr,r＝1..R},{AReasonActiond,d＝1..D}}
其中PKNname是知识主冠树的榕树节点名称，通常是字符串是知识榕树节点的唯一标识；PAttributek是知识主冠树的知识榕树节点的属性，是知识榕树节点的基本特征，对知识榕树节点起表示和区分的作用，采用{PAtrNamek,PAtrValk}二元组描述，PAtrNamek是属性名，PAtrValk是属性值；PRelationr是知识主冠树的知识榕树节点间的关系，是知识推理的源泉，采用PRelationr＝{PRelationType,PRelatedKNname,PRelationWeight}来描述，PRelationType是关联类型，PRelatedKNname是关联知识榕树节点的名字，PRelationWeight表示关联强度；PReasonActiond体现不同知识榕树节点间的相互推理作用，体现了事物的运动特征，采用{actionName,actionCondition,operation}来描述，actionName表示推理动作名称，actionCondition表示推理动作触发的条件，由一系列谓词组成，operation表示具体执行的推理操作，在实际使用过程中operation通常是指向函数的指针。
其中AKNname是知识支撑树的知识榕树节点名称；AAttributek是知识主冠树的知识榕树节点的属性，是知识榕树节点的基本特征，对知识榕树节点起表示和区分的作用，采用{AAtrNamek,AAtrValk}二元组描述，AAtrNamek是属性名，AAtrValk是属性值；ARelationr是知识支撑树的知识榕树节点间的关系，采用{ARelationType,ARelatedKNname,ARelatedWeight}来描述，ARelationType是关联类型，ARelatedKNname是关联知识榕树节点的名字，ARelatedWeight表示关联强度；AReasonActiond表示知识支撑树中知识榕树节点的推理，用{actionName,actionCondition,operation}来描述，actionName表示推理动作名称，actionCondition表示推理动作触发的条件，由一系列谓词组成，operation表示具体执行的推理操作，在实际使用过程中operation通常是指向函数的指针。
步骤S12：知识榕树节点属性的关联
知识主冠树PKi的知识榕树节点PKiNp属性PAttributek的属性名称可以是普通的字符串，也可以是与知识主冠树PKi相关的知识支撑树AKi,t的名称AKNamei。如果PAttributek.PAtrNamek＝＝AKi,t.AKNamei,则表示PAttributek的属性值PAtrValk的值域包含知识支撑树AKi,t中所有知识榕树节点AKi,t的名称AKNamei的集合。
步骤S13：知识榕树节点关系的关联
知识主冠树的知识榕树节点关系集合PRelationr的PRelationType＝{PParent，PConsist，Synonymy，PSimilar,PCorelated},其中PParent表示继承关系、PConsist组成关系、Synonymy表示同义关系、PSimilar表示相似关系、PCorelated表示关联关系。继承关系与组成关系建立在知识榕树节点和其父知识榕树节点之间；同义关系、相似关系、关联关系建立在不同知识榕树的知识榕树节点之间。
知识支撑树的知识榕树节点关系集合ARelationr的ARelationType主要包括{AParent，AConsist，ASimilar},其中AParent表示继承关系、AConsist组成关系，ASimilar表示相似关系。继承关系与组成关系建立在知识榕树节点和其父知识榕树节点之间；相似关系建立在不同知识榕树的知识榕树节点之间。
步骤S2：利用知识榕树网表达体系构建知识榕树网的知识推理和服务框架。
知识推理和服务框架建立在知识榕树网中知识榕树之间、知识榕树节点间的属性、关系和推理动作的基础上，通过对输入信息分析的基础上，利用知识榕树推理规则生成以输入信息为核心的知识榕树节点群和关联知识榕树节点群的过程。
根据推理的粒度不同，可以将推理规则划分为单棵知识榕树推理和知识榕树网推理两种。
1.单棵知识榕树推理
单棵知识榕树推理(Single Banyan Reason，SBR)主要是根据输入条件字符串S，推理生成核心知识榕树节点约束群{KernelRelation}。其中KernelRelation表示约束关系对，采用{AKN,PKN,Weight}三元组来表示，其中AKN表示支撑树知识节点，PKN表示主冠树知识节点，Weight表示约束权重)。
SBR主要依据依据知识主冠树中知识榕树节点的相互关系，知识支撑树中知识榕树节点的相互关系以及知识主冠树与知识支撑树之间的支撑关系。其主要推理过程包括：
(1)初始化{KernelRelation}为空，转(2)；
(2)知识主冠树完全匹配推理
if知识主冠树PKi的知识榕树节点集合{PKiNp,p＝1..P}，存在知识榕树节点其名称等于S，即PKiNp.PKNname等于S,then生成约束对(null,PKiNp,1)加入{KernelRelation}转入(4),else转入(3)；
(3)知识主冠树同义推理
if存在知识榕树节点PKjNq，并且于知识榕树节点PKiNp存在同义关系，即存在PKiNp.PRelationr＝{Synonymy,PKjNq,1}，
then生成约束对(null,PKiNp,1)和(null,PKjNq,1)加入KernelRelation，转入(4)，else转入(5)；
(4)继承关系推理
获取{KernelRelation}中约束对中的知识主冠树知识榕树节点PKiNp，在知识主冠树PKi中递归生成PKiNp所有子孙知识点集合{PKiNc}，即PKiNc.PRelationr＝{PParent,PKjNq,weight}，生成PKiNp所有子孙知识点集合{PKiNc}的约束对(null,PKiNc,Weightc)并加入{KernelRelation}，转(9)；
其中Weightc表示继承的强度，采用
Weight c = 1 - Dist ( PK i N c , PK i N p ) / MaxDepth ( PK i N p ) 计算，其中
Dist(PKiNc,PKiNp)表示PKiNc与PKiNp的距离，如果PKiNp是PKiNc父知识榕树节点，则Dist(PKiNc,PKiNp)＝1，如果PKiNc的父知识榕树节点是PKiNp的直接子知识榕树节点，则Dist(PKiNc,PKiNp)＝2，以此类推；MaxDepth(PKiNp)表示从知识榕树节点PKiNp到最底层知识榕树节点的距离。
Weightc越大表示知识榕树节点PKiNc与PKiNp在继承关系强度越强，两个知识榕树节点间相关程度越高，否则表示知识榕树节点PKiNc与PKiNp在继承关系强度越弱，两个知识榕树节点间相关程度越低。
(5)知识支撑树完全匹配推理
遍历知识主冠树PKi的支撑树{AKi,t},
if知识支撑树AKi,t的知识榕树节点集合{AKi,tNq,q＝1..Q}的知识榕树节点名称等于S，即AKi,tNq.AKNname＝＝S,then生成约束对集合
{(AKi,tNq,PKiNp,SupportRKTi,t.supportWeight)}，并加入{KernelRelation}，转入(9)，else转入(6)；
(6)知识支撑树同义推理
if存在知识支撑树AKi,t中存在知识榕树节点AKjNqs，并且于知识榕树节点AKjNq存在同义关系且AKjNqs.PKNname＝＝S，
then生成约束对集合{(AKjNq,PKiNp,SupportRKTi,j.supportWeight)}和{(AKjNqs,PKiNp,SupportRKTi,j.supportWeight)}，并加入{KernelRelation}，转入(9),else转入(7)；
(7)知识主冠树部分匹配推理
if知识主冠树PKi的知识榕树节点集合{PKiNp,p＝1..P}的知识榕树节点名称包含S，即S∈PKiNp.PKNname,then生成约束对(null,PKiNp,0.5)加入{KernelRelation}转入(9),else转入(8)；
(8)知识支撑树部分匹配推理
遍历知识主冠树PKi的支撑树{AKi,t},if知识支撑树AKi,t的知识榕树节点集合{AKi,tNq,q＝1..Q}的知识榕树节点名称包含S，即
S∈AKi,tNq.AKNname then生成约束对集合
{(AKi,tNq,PKiNp,SupportRKTi,t.supportWeight)}，并加入{KernelRelation}。转入(9)；
(9)输出：核心知识榕树节点约束群{KernelRelation}；
2.知识榕树网推理
知识榕树网推理(Mulit-Banyan Reason，MBR)的目的基于单棵知识榕树推理出的核心知识榕树节点群{KernelRelation}，推理生成关联知识榕树节点群{ReferenceRelation}。其中ReferenceRelation表示约束关系对，采用{RelationList,ReferenceEntity,Weight}三元组来表示，其中RelationList表示关联序列，ReferenceEntity表示约束对象，Weight表示约束权重)。
MBR主要依据依据知识主冠树中知识榕树节点的相互关系。其主要推理过程包括：
(1)已知核心知识榕树节点约束群{KernelRelation}；初始化ReferenceRelation＝{}，转(2)；
(2)遍历{KernelRelation}中每一个核心知识榕树节点约束(AKiNq,PKiNp,weight)，如果知识节点PKiNp所属知识榕树BKi存在知识榕树BKj，使得RKi,j(BKi,BKj)为空，则转(3)，否则转(5)；
(3)遍历知识榕树BKj中知识主冠树PKj中所有知识榕树节点集合{PKjNq},生成关联知识榕树节点{PKiNp,PKjNq,RKi,j(BKi,BKj).rkWeight}添加到关联知识榕树节点群{ReferenceRelation}，转(4)；
(4)对于知识榕树BKj存在知识榕树BKk，使得RKj,k(BKj,BKk)不为空，遍历知识榕树BKk中知识主冠树PKk中所有知识榕树节点集合{PKkNl},生成关联知识榕树节点{PKiNp,PKjNl,RKi,j(BKi,BKj).rkWeight*RKj,k(BKj,BKk).rkWeight}并添加到关联知识榕树节点群{ReferenceRelation},以此类推，直到不存在RKj,k(BKj,BKk)为空，转(5)；
(5)输出：关联知识榕树节点群{ReferenceRelation}。
步骤S3:利用知识榕树网表达体系和服务框架，构建领域榕树知识体系。领域知识主要是针对特定领域，对该领域的分类知识以及关联知识进行形式化描述后形成的该领域榕树知识体系。
步骤S31：领域知识分类
为了提高不同领域间知识的共享性以及知识维护的便利性，将知识划分为领域知识和通用知识。领域知识只在该领域中有效，通用知识可以在多个领域中使用。比如对于颜色分类知识，可将颜色划分为赤橙黄绿青蓝紫，这些分类知识在很多领域都可以进行应用，因此将其定义为通用知识；而对于某些名称，如苹果，在蔬菜水果领域可将苹果划分为红富士苹果、黄元帅苹果...；而在通讯领域，“苹果”可以代表一些列电子产品，可划分为苹果手机，苹果平板电脑...因此将这些知识定义为领域知识，因为这些知识在不同领域都有其特殊的意义。
步骤S32：领域知识榕树节点构建
据知识榕树网知识表达体系，每个领域知识榕树节点采用{节点名称，属性集合，关系集合，推理动作集合}四元组表示。其中推理动作中的推理操作一般关联一定的处理算法，当该知识榕树节点的推理动作的推理条件满足，则执行相关处理算法。例如，在蔬菜水果领域，构建“水果”知识榕树节点，节点名称为水果，属性包括产地，颜色等，关联关系包括与“苹果”,“香蕉”等知识榕树节点的继承关系，以及与"fruit"知识榕树节点的同义关系等。
利用知识榕树节点间父子和组成关系建立知识榕树节点间的树状排列。
步骤S33：知识榕树构建
根据知识榕树网知识表达体系，将领域核心的分类知识构建成知识榕树的主冠树，辅助说明知识构建成支撑该主冠树的支撑树。
根据知识榕树网知识表达体系，将领域核心的分类知识构建成知识榕树的主冠树，辅助说明知识构建成支撑该主冠树的支撑树。通过支撑关系不仅可以快速查询出知识主冠树的知识节点的属性，还可以通知识支撑树的知识节点，快速定位出与之相关知识主冠树中的知识节点。例如，在蔬菜水果领域，可以将水果的分类知识构建成知识主冠树，而描述苹果的辅助说明知识，如产地，颜色等可以构建成知识支撑树，如将产地支撑树包含“河北”，“河南”，“山东”等知识榕树节点；颜色支撑树包括“红”“黄”“绿”等知识榕树节点。其中产地支撑树以及颜色支撑树所包含的分类知识，在其他领域也可以应用，因此可以将其视为通用知识。
步骤S34：知识榕树网构建
在不同知识榕树之间建立关联，构建知识榕树网领域体系。例如对于“水果”知识榕树，可以建立的联系的包括“供应商”知识榕树，“运输”知识榕树等。通过建立不同知识榕树之间的联系，使得不同的分类知识之间建立成彼此相互关联的网络体系，便于相关知识的关联检索。
步骤S4：在构建领域榕树知识体系的基础上，为领域提供数据、信息和知识的管理、推理和检索服务。
步骤S41：基于领域榕树知识体系的领域素材信息的标注
利用领域知识榕树知识体系，将领域素材进行知识榕树节点标注，即知识榕树节点属性名称关联和属性值设定。例如，对于在一批红富士苹果信息，将该信息与“红富士苹果”知识榕树节点关联，其属性及相应属性值主要包括：质量＝1斤，颜色＝红色，产地＝陕西等
步骤S42：基于领域榕树知识体系的检索和推理
步骤S421：切分输入查询条件；
将对用户输入的查询语句进行切分，切分结果为一个短语集合。
步骤S422：查找短语对应知识树的知识榕树节点；
将分词获得短语与领域知识榕树网中的知识榕树上节点进行匹配，将匹配次数最多的知识榕树节点，作为候选知识榕树节点。如果候选知识榕树节点所属知识榕树是知识榕树主冠树，则将其添加到主冠树选知识榕树节点集合{PKNCandiate}；如果候选知识榕树节点所属知识榕树是知识榕树支撑树，则将其添加到支撑树候选知识榕树节点集合{AKNCandiate}；
步骤S423：知识榕树网体系推理
以主冠树候选知识榕树节点集合{PKNCandiate}和支撑树候选知识榕树节点集合{AKNCandiate}为基础，利用知识榕树网体系推理，生成核心知识榕树节点约束群{KernelRelation}和相关知识榕树节点约束群{RelatedRelation}，并依据关联程度从高到低对它们进行排序生成素材检索约束序列RelationList。其具体的推理过程如下：
(1)if主冠树候选知识榕树节点结合{PKNCandiate}不为空，then遍历主冠树候选知识榕树节点，进行单棵知识榕树推理，生成候选核心知识榕树节点约束群{KernelRelationCandidate}，转(2)；else转(6)
(2)遍历候选核心知识榕树节点约束群,ifKernelRelationCandidate.AKNN是支撑树知识榕树节点，则将KernelRelationCandidate加入核心知识榕树节点约束群{KernelRelation}。转(3)
(3)if{KernelRelation}为空，转(4)；else转(6)；
(4)遍历支撑树候选知识榕树节点集合{AKNCandiate}，获取知识榕树节点AKNCandiate所属的知识支撑树AKTj,获取AKT支撑的知识主冠树集合{PKTi},转(5)；else转(6)
(5)获取知识主冠树集合{PKT}中PKT的知识榕树节点集合{PKN},生成相关知识榕树节点约束群(AKNCandiate,PKN,RKi,j.weight),并加入关联知识榕树节点约束群{RelatedRelation}，转(6)
(6)输出:
依据核心知识榕树节点约束群{KernelRelation}，和相关知识榕树节点约束群{RelatedRelation}中约束的权重，从高到低排序，生成素材检索约束序列RelationList。
步骤S424：多元素材检索和应用
遍历素材检索约束序列RelationList，对利用领域榕树知识体系进行标注过的的领域素材信息的进行检索，生成素材检索集合。

Claims (7)

1.一种新的领域知识表达和服务方法，其特征在于，根据构建的顺序包括如下步骤：
步骤S1：构建知识榕树网表达体系；
步骤S2:利用知识榕树网表达体系构建知识榕树网的知识推理、服务框架；
步骤S3:利用知识榕树网表达体系和知识推理、服务框架，构建领域榕树知识体系；
步骤S4：在构建领域榕树知识体系的基础上，为领域提供数据、信息和知识的管理、推理和检索服务。
2.如权利要求1所述的一种新的领域知识表达和服务方法，其特征在于：所述步骤S1知识榕树网表达体系由相互关联的若干知识榕树组成；每棵知识榕树由一棵知识主冠树和若干知识支撑树组成，表示特定类型分类知识和及相关知识；知识主冠树主要用来描述领域核心分类知识，知识支撑树主要是从不同的维度支撑描述核心知识的分类知识，知识主冠树和知识支撑树均由知识榕树节点按照树状排列而成。
3.如权利要求2所述的一种新的领域知识表达和服务方法，其特征在于：所述知识榕树节点作为领域榕树知识体系基本的表达单元，主要包括节点名称、属性集合、关系集合和推理动作集合四要素；
节点名称是知识榕树节点的唯一标识；
属性集合是知识榕树节点的基本特征，对知识榕树节点起表示和区分的作用；属性集合主要包括{属性名，属性值}，属性名本身也可以是知识支撑树的名称也可以字符串，属性值可以是知识支撑树的知识榕树节点也可以是字符串和数字；
关系集合主要包括六种：继承关系，包含关系，同义关系，相似关系，约束关系，关联关系；
推理动作集合主要体现不同知识榕树节点间的相互推理作用，体现了事物的运动特征，主要包括{推理动作名称，推理动作触发条件，推理操作}三要素；推理动作名称是指动作的唯一标识，由字符串标识；动作触发条件是一系列谓词，推理操作值得动作执行的过程，即相关操作。
4.如权利要求1所述的一种新的领域知识表达和服务方法，其特征在于：所述步骤S2构建知识榕树网的知识推理和服务框架，通过对输入信息分析的基础上，利用知识榕树推理规则生成以输入信息为核心的知识榕树节点群和关联知识榕树节点群；输入信息是描述性字符串或谓词逻辑，知识榕树节点群由若干知识榕树节点及其相互关系组成。
5.如权利要求4的一种新的领域知识表达和服务方法，其特征在于：所述的推理规则，根据推理的粒度不同，将知识榕树推理规则划分为单棵知识榕树推理和知识榕树网推理两种；其中单棵知识榕树推理又划分为知识主冠树内部推理和知识主冠树与知识支撑树推理；知识榕树网推理主要是指不同知识榕树之间的推理，推理的过程主要由知识榕树节点的推理动作决定。
6.如权利要求1所述的一种新的领域知识表达和服务方法，其特征在于：所述步骤S3构建领域榕树知识体系，将知识榕树表达体系作为核心的知识表达和形式化方法，根据不同领域的知识内容，构建领域榕树知识体系；
领域榕树知识体系，根据知识的通用性和独特性，将领域榕树知识体系中的知识划分为领域知识和通用知识；领域知识只在该领域中有效，通用知识可以在多个领域中共享。
7.如权利要求1所述的一种新的领域知识表达和服务方法，其特征在于：所述步骤S4为领域提供数据、信息和知识的管理、推理和检索，在构建领域榕树知识体系的支撑下，通过对检索信息的分析，生成与检索信息相关知识榕树节点群，并依据知识榕树节点群，完成所需信息及相关信息的检索。
CN201410308904.0A 2014-07-01 2014-07-01 一种新的领域知识表达和知识服务方法 Pending CN104239397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410308904.0A CN104239397A (zh) 2014-07-01 2014-07-01 一种新的领域知识表达和知识服务方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410308904.0A CN104239397A (zh) 2014-07-01 2014-07-01 一种新的领域知识表达和知识服务方法

Publications (1)

Publication Number Publication Date
CN104239397A true CN104239397A (zh) 2014-12-24

Family

ID=52227461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410308904.0A Pending CN104239397A (zh) 2014-07-01 2014-07-01 一种新的领域知识表达和知识服务方法

Country Status (1)

Country Link
CN (1) CN104239397A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156083A (zh) * 2015-03-31 2016-11-23 联想(北京)有限公司 一种领域知识处理方法及装置
WO2023033904A1 (en) * 2021-09-03 2023-03-09 Mastercard International Incorporated Systems and methods for use in data coupling among data structures

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630314A (zh) * 2008-07-16 2010-01-20 中国科学院自动化研究所 一种基于领域知识的语义查询扩展方法
DE202012004853U1 (de) * 2012-05-15 2012-06-29 Bernhard Dobert Optimale Wissens-Darstellungen, Systemanalysen
CN102682122A (zh) * 2012-05-15 2012-09-19 北京科技大学 基于本体构建材料科学领域语义数据模型的方法
CN102819858A (zh) * 2012-07-30 2012-12-12 北京中科盘古科技发展有限公司 一种动画素材组织和应用的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630314A (zh) * 2008-07-16 2010-01-20 中国科学院自动化研究所 一种基于领域知识的语义查询扩展方法
DE202012004853U1 (de) * 2012-05-15 2012-06-29 Bernhard Dobert Optimale Wissens-Darstellungen, Systemanalysen
CN102682122A (zh) * 2012-05-15 2012-09-19 北京科技大学 基于本体构建材料科学领域语义数据模型的方法
CN102819858A (zh) * 2012-07-30 2012-12-12 北京中科盘古科技发展有限公司 一种动画素材组织和应用的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156083A (zh) * 2015-03-31 2016-11-23 联想(北京)有限公司 一种领域知识处理方法及装置
WO2023033904A1 (en) * 2021-09-03 2023-03-09 Mastercard International Incorporated Systems and methods for use in data coupling among data structures
US11966492B2 (en) 2021-09-03 2024-04-23 Mastercard International Incorporated Systems and methods for use in data coupling among data structures

Similar Documents

Publication Publication Date Title
CN107368468A (zh) 一种运维知识图谱的生成方法及系统
CN106503148B (zh) 一种基于多知识库的表格实体链接方法
CN111651447B (zh) 一种智能建造全寿期数据处理分析管控系统
CN106919674A (zh) 一种基于Wiki语义网络构建的知识问答系统及智能检索方法
CN109543043A (zh) 一种基于知识图谱推理的电力通信大数据错误的自动监测方法
CN105976048A (zh) 一种基于改进人工蜂群算法的输电网扩展规划方法
CN110909111A (zh) 基于知识图谱rdf数据特征的分布式存储与索引方法
CN106649266A (zh) 一种本体知识的逻辑推理方法
Pal et al. Deep learning for network analysis: problems, approaches and challenges
CN105335510A (zh) 文本数据高效搜索方法
CN106959967A (zh) 一种链路预测模型的训练及链路预测方法
CN105160046A (zh) 基于文本的数据检索方法
CN104239397A (zh) 一种新的领域知识表达和知识服务方法
Zhu Survey on ontology mapping
Shi et al. Flow-based influence graph visual summarization
Wang et al. GTC forest: an ensemble method for network structured data classification
Pires et al. A semantic-based ontology matching process for PDMS
Zhiyuli et al. Learning distributed representations for large-scale dynamic social networks
Li et al. Research on optimization of knowledge graph construction flow chart
Singh et al. Adaptive genetic programming based linkage rule miner for entity linking in Semantic Web
Zhang et al. Research and Application of Agriculture Knowledge Graph
Hartung et al. Using Meta-agents to reason with Multiple Ontologies
Chen et al. Research and Development Trend of Knowledge Graph Construction Technology
CN108959358A (zh) 一种基于本体模型的终端用户数据访问方法及系统
Meng et al. Construction and Application of a Tree Knowledge Graph

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20141224