Please wait a minute...
Advanced Search
数据分析与知识发现
  本期目录 | 过刊浏览 | 高级检索 |
基于知识元语义描述模型的领域知识抽取与表示研究—以信息检索领域为例
石湘,刘萍
(武汉大学信息管理学院 武汉  430072)
Domain Knowledge Extraction and Representation Based on Knowledge Element Semantic Description Model-Take Information Retrieval as an Example
Shi Xiang,Liu Ping
(School of Information Management, Wuhan University, Wuhan 430072, China)
全文: PDF (1647 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 

[目的]基于知识元视角探索从异构数据中抽取和集成领域知识,丰富知识表示的语义信息。[方法]优化现有的知识元语义描述模型,提出基于知识元语义描述模型的知识抽取与表示方法,并以信息检索领域为例开展应用。[结果]从维基百科以及两本经典教材中抽取出了信息检索领域4200条知识元和3020个实体,可以进行知识元及其实体之间关系的查询。[局限]知识元间语义关系的挖掘不够充分,知识抽取过程未能实现全自动。[结论]本文在一定程度上突破现有研究中知识表示语义不丰富的局限,为领域知识服务提供了新的视角。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
关键词 知识元语义描述模型知识抽取知识表示     
Abstract

[Objective]Based on the perspective of knowledge element, this paper explores the extraction and integration of domain knowledge from heterogeneous data to enrich the semantic information of knowledge representation. [Methods]The existing knowledge element semantic description model was optimized, and the knowledge extraction and representation method based on the knowledge element semantic description model was proposed, and the application was carried out in the information retrieval field.[Results]4200 knowledge elements and 3020 entities in information retrieval field were extracted from Wikipedia and two classic textbooks, which could be used to query the relationship between knowledge elements and their entities. [Limitations]The semantic relations among knowledge elements are not fully mined, and the process of knowledge extraction is not fully automatic. [Conclusions]To a certain extent, this paper breaks through the limitation that knowledge representation semantics is not rich in existing research, and provides a new perspective for domain knowledge service.

Key words Knowledge Element    Semantic Description Model    Knowledge Extraction    Knowledge Representation
     出版日期: 2020-11-24
ZTFLH:  TP182  
引用本文:   
石湘, 刘萍. 基于知识元语义描述模型的领域知识抽取与表示研究—以信息检索领域为例 [J]. 数据分析与知识发现, 10.11925/infotech.2096-3467.2020.0794.
Shi Xiang, Liu Ping. Domain Knowledge Extraction and Representation Based on Knowledge Element Semantic Description Model-Take Information Retrieval as an Example . Data Analysis and Knowledge Discovery, 0, (): 1-.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0794      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y0/V/I/1
[1] 余传明, 王曼怡, 林虹君, 朱星宇, 黄婷婷, 安璐. 基于深度学习的词汇表示模型对比研究*[J]. 数据分析与知识发现, 2020, 4(8): 28-40.
[2] 余传明,原赛,朱星宇,林虹君,张普亮,安璐. 基于深度学习的热点事件主题表示研究*[J]. 数据分析与知识发现, 2020, 4(4): 1-14.
[3] 余传明,李浩男,王曼怡,黄婷婷,安璐. 基于深度学习的知识表示研究:网络视角*[J]. 数据分析与知识发现, 2020, 4(1): 63-75.
[4] 徐红霞,李春旺. 科技文献内容知识点抽取研究综述[J]. 数据分析与知识发现, 2019, 3(3): 14-24.
[5] 徐浩,朱学芳,章成志,江川. 面向学术文献全文本的方法论知识抽取系统分析与设计 *[J]. 数据分析与知识发现, 2019, 3(10): 29-36.
[6] 王颖,钱力,谢靖,常志军,孔贝贝. 科技大数据知识图谱构建模型与方法研究*[J]. 数据分析与知识发现, 2019, 3(1): 15-26.
[7] 余丽,钱力,付常雷,赵华茗. 基于深度学习的文本中细粒度知识元抽取方法研究*[J]. 数据分析与知识发现, 2019, 3(1): 38-45.
[8] 孙琳, 王延章. 基于知识元的企业竞争情报关系辨识与融合方法*[J]. 数据分析与知识发现, 2018, 2(6): 25-36.
[9] 陈果, 肖璐. 网络社区中的知识元链接体系构建研究*[J]. 数据分析与知识发现, 2017, 1(11): 75-83.
[10] 刘建华, 王颖, 张智雄, 李传席. 植物物种多样性语义知识抽取研究*[J]. 数据分析与知识发现, 2017, 1(1): 37-46.
[11] 马绪凯, 丁晟春. 复杂产品设计知识智能检索研究[J]. 现代图书情报技术, 2014, 30(9): 44-50.
[12] 胡正银, 方曙. 专利文本技术挖掘研究进展综述[J]. 现代图书情报技术, 2014, 30(6): 62-70.
[13] 陈颖, 李姣, 李军莲. 中国药品数据的知识表示方法研究[J]. 现代图书情报技术, 2013, (6): 9-15.
[14] 化柏林. 针对中文学术文献的情报方法术语抽取[J]. 现代图书情报技术, 2013, (6): 68-75.
[15] 董慧 徐雷. 本体知识表示的历史领域专家系统模型*[J]. 现代图书情报技术, 2010, 26(7/8): 72-78.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn