导读:本文包含了不确定语义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,时态,不确定,粒度,本体,跨度,不确定性。
不确定语义论文文献综述
赵秦怡,黑韶敏[1]（2017）在《基于期望语义距离的不确定k近邻分类方法》一文中研究指出不确定性数据主要分为元组存在不确定和属性值不确定两种,针对属性值不确定提出了一种k近邻分类算法。算法中对象属性是离散型的,其值的不确定性用概率分布向量描述。根据概念层次树计算属性分量值间的语义距离,进而计算属性及对象间的期望语义距离。对算法分类准确率进行了实验验证,实验结果表明这是一个分类准确率高的基于不确定数据分类挖掘算法。(本文来源于《大理大学学报》期刊2017年12期）
张琳[2]（2017）在《本体知识中不确定语义关系的表达和非精确推理研究》一文中研究指出随着数据的增长和用户的需求不断扩大,由于影视信息描述的缺乏和噪音大等问题,造成了影视信息产生诸多信息不完备、不精确等不确定性的情况,使用传统的机器学习中的基于语义的算法文本分析算法也难以获得良好的检索效果。因此,能否以自然语言的形式描述影视信息领域的检索需求,从语义的角度对视频信息进行知识描述、关联性检索以及非精确性推理等问题也成为本文研究的出发点。首先,关于本体不确定性度量,Tim Berners Lee提出在下一代互联网中引入语义本体,使得计算机可以理解web资源的含义,因此本文基于影视信息本体,通过分析总结其不确定性,采用了非归一化多因子概率的方法进行度量,更好的体现了概念间语义关系的强弱。其次,关于不确定性本体的语义检索,抛弃传统关键词-词频的搜索方式,尝试采用阈值约束改进的激活扩散算法对本体进行关联性检索,通过阈值对搜索进行约束,并加入对象属性的语义关联影响,对激活扩散算法的扩散范围进行了补充。最后,关于语义的非精确性推理,本文采用LDA主题模型和传统逻辑推理结合,采用LDA方法训练影视资源描述信息发现概念和概念、概念与实例、实例与实例间新的关系。并通过案例,对本文提出的本体不确定性度量、非精确性语义检索和推理等关键技术进行了说明,最后对本文的相关研究进行了总结。(本文来源于《燕山大学》期刊2017-05-01）
李艳玲,殷新丽,杨剑[3]（2016）在《基于二元语义的不确定多属性群决策方法》一文中研究指出为了解决专家权重、指标权重均未知的混合型多属性群决策问题,提出基于二元语义的多属性群决策方法。首先,针对专家权重问题,提出了运用判断矩阵导出向量进行聚类分析,并综合类间、类内权重得出结果。在此基础上,集结多名专家意见得到每个方案的二元语义矩阵,根据离差最大化原理,客观确定属性的指标权重,求出每个方案的值。根据数值大小比较排序;最后以多种型号导弹作为算例,用所提出方法对混合型多属性决策问题进行求解,结果表明该方法易于操作且可为决策者提供丰富的决策信息。(本文来源于《计算机工程与应用》期刊2016年16期）
刁玺,刘晨[4]（2015）在《一种基于用户反馈的不确定语义关系发现方法》一文中研究指出在互联网环境下,不同数据源之间的语义异构问题,是制约来自多个数据源数据有效集成的主要挑战.现有语义匹配方法的不确定性,导致不同数据源之间的数据集成难以有效解决.为此,本文利用本体名称和本体结构信息这2个最重要的特征,在避免为用户带来过多负担的前提下,将用户引入传统的语义匹配过程,提出了基于用户反馈的语义匹配方法UFMatcher.实验证明,本文的方法可以在不为用户带来过重负担的前提下,有效提升匹配结果的准确率.(本文来源于《北方工业大学学报》期刊2015年03期）
陈磊,左亚尧,封朝永[5]（2015）在《语义不确定时态的区间集重构及近似度量方法研究》一文中研究指出为了解决语义不确定时态的近似精确度度量问题,针对不确定语义造成的时态不确定性与多样性,提出对不确定语义进行转换的思想,将其转换为邻域或区间,成为可计算问题;结合时态的粒度属性与不确定的语义,给出了不确定时态粒点和不确定时态粒区的形式化描述,不确定时态元素因此可参与运算;提出了时态区间集将时态元素在离散状态下进行重构,采用下近似和上近似的思想明确划分了不确定时态中的确定元素和不确定元素;进而给出了不确定时态粒点和不确定时态粒区的近似精确度计算方法.(本文来源于《小型微型计算机系统》期刊2015年03期）
左亚尧,陈磊,封朝永[6]（2015）在《不确定时态跨度的语义处理及其粗糙集近似计算》一文中研究指出蕴含语义的不确定时态的表示及处理是不确定时态信息和自然语言处理领域中的重要问题,不确定时态跨度是不确定时态中的重要组成部分,而不确定的语义是造成时态跨度不确定性的根源.提出对不确定语义进行转换的思想,将其转换为邻域或区间的形式,成为可计算问题;进而从粒度层面对不确定时态跨度进行了有效刻画,给出了元组化的模型,使其可以参与运算;提出了时态粗糙集将时态跨度元素在离散状态下进行划分,采用下近似和上近似的思想划分了不确定时态跨度中的确定元素和不确定元素;并提出了不确定时态跨度的近似精确度计算方法.(本文来源于《广东工业大学学报》期刊2015年01期）
陈磊,左亚尧,封朝永[7]（2015）在《语义不确定时态跨度的规范化处理及近似运算》一文中研究指出不确定时态的语义处理及近似运算是时态系统的研究与应用中不可忽视的基本问题。不确定语义的转换、时态粒度的规范化以及不确定时态间的近似运算和语义还原成为不确定时态信息处理中的难点。针对时态跨度中不确定语义造成的时态不确定性与多样性,提出了对不确定语义进行转换的思想,将其转换为区间数的形式,结合时态的粒度属性,给出了不确定时态跨度的形式化描述,使其成为可计算问题;根据时态粒度约束对不确定时态跨度进行了规范化处理,使其可以参与运算;最后结合时态区间数给出了不确定时态跨度间的运算及语义还原方法,有效地处理了不确定时态跨度间的复杂运算,典型的运算过程均给出了示例予以说明。(本文来源于《计算机应用研究》期刊2015年07期）
苏龙超[8]（2014）在《基于SLCA语义的不确定XML关键字查询技术研究》一文中研究指出近年来，XML数据的查询技术已经成为研究的热点。根据查询模式的不同，XML数据查询分为XML结构查询和XML关键字查询，但是对比XML结构查询，更多的用户习惯于不需要专业领域知识的XML关键字查询。随着数据采集和处理技术的进步，真实世界中的大部分数据都是不确定的。不确定XML数据是近年来研究者们提出的一种新的不确定数据的表示形式，不确定XML数据已经大量应用到金融、电信、军事等领域。目前对于不确定XML的关键字查询的研究很少，并且由于不确定XML关键字查询的每一个结果都对应一个概率值，所以用户通常希望得到前k个概率值最大的结果。不确定XML的Top-k关键字查询算法得到了广泛的关注。首先，已有的不确定XML关键字查询都是基于栈结构实现的，需要频繁的进栈、出栈操作以及频繁的字符串比较，时间效率低下。为了解决这一问题，本文提出一种基于动态Keyword数据仓的不确定XML关键字查询算法PrList。算法首先初始化动态Keyword数据仓，然后自底向上、自左向右遍历Keyword数据仓中的节点求解SLCA节点，不需要进出栈和字符串的比较。其次，目前不确定XML的Top-k关键字查询仅返回概率值排在前k的根节点，需要进一步的处理才能构建满足特定条件下的子树，时间效率低下。为了解决这一问题，本文定义了一种新的基于最小相关联通子树的Top-k查询语义SRCT-Top-k，SRCT-Top-k查询返回概率值排在前k的最小相关联通子树。为了便于处理SRCT-Top-k查询，对动态Keyword数据仓进行了扩展，形成扩展动态Keyword数据仓，然后基于扩展动态Keyword数据仓提出了PrListTop-k算法来处理SRCT-Top-k查询。PrListTop-k算法仅扫描一次扩展动态Keyword数据仓就能构建满足特定条件下的子树，并且制定的过滤策略可以大量地减少中间结果。本文进行了大量的对比实验。通过设定不同的查询条件，将提出的PrList算法与PrStack算法进行对比，并将提出的PrListTop-k算法与没有过滤策略的PrListTop-k-N算法进行对比。对最终的实验结果进行了详细的分析，证明了所提出的两种算法具有高效性。(本文来源于《内蒙古科技大学》期刊2014-06-06）
沈岑诚[9]（2012）在《基于不确定数据的语义本体构建及其在云环境下的应用研究》一文中研究指出1982年,Z.Pawlak提出粗糙集理论,为处理不确定数据提供了一个很好的方法。近年来,粗糙集理论及其应用发展发展十分迅速,主要都着眼于粗糙集模型的概化、粗糙集中不确定理论的分析、粗糙集相关操作及其关联性、粗糙集与其他数学理论的联系等等。现在,粗糙集理论已经应用于很多研究领域,比如机器学习、决策分析、进程控制、模式识别、数据挖掘等。而在信息检索领域,粗糙集也常被用于表达信息的不确定性,来将信息检索扩展到语义检索方面。本文中,将对粗糙集在语义检索及语义本体构建中的作用进行研究。目前,对本体的定义很多,其中最着名定义是由Gruber提出的,“本体是概念化的明确的规范说明”。应用于计算机领域的本体从概念上说是个实体,就是把现实世界中的某个领域抽象为一组概念及概念之间的关系。本体技术关注的概念的共享,是智能主体在相互交流中对特定领域问题的基本概念范畴的共同约定,它非常适合于描述互联网上各种不同的、分散的、半结构化的信息资源。通过定义共享的、通用的领域理论,本体帮助人和计算机明确的交流,使人类、计算机能够实现知识的共享和重用,方便地进行知识的交互和协作。语义本体是在一定领域内,根据本体论理论基础上对现有语义网内所有文本信息所进行的分类和结构化,在本体支持下实现信息系统间语义上的互操作性,以及对网络资源所进行的智能访问和检索。随着语义本体的广泛应用,如何快速而精确地构建语义本体也变得非常重要。作为构建语义本体的重要环节,形式概念的特征提取是必不可少的。在数据挖掘领域中,不确定数据的重要性日益提升。其中粗糙集理论已经多次被应用于文本特征提取,并且进行了不断的改进。而模糊数据跟自然语言的紧密联系也使其成为了语义本体构建过程中不可或缺的一部分。另外,在云环境应用日益广泛的今天,如何在云环境下对本体构建进行部署和语义检索也是一个重要的课题。本文主要是基于粗糙集和其他不确定数据理论知识来进行语义本体构建的改进,并在此基础上,考虑了云环境下语义本体的构建框架和基于此框架的语义检索流程。主要研究工作包括：(1)结合动态粗糙集理论与欧氏距离,对现有的文本特征提取进行改进。综合考虑文本集合的特点以及用户的需求,并且摆脱了本体构建过程中对决定属性子集的依赖,对文本进行更加快速精确的特征提取。(2)基于模糊数据理论基础,结合层次聚类和语义本体构建方法,对原有的粗糙语义本体构建方法进行了改进,提出了一个新的粗糙语义本体的构建方法,可以同时考虑数据分类的粗糙性和数据属性的模糊性。(3)针对云环境下的数据部署,提出一个语义本体构建的新方法,对云环境下的文本数据部署进行了规划使其更适宜于本体的构建,并提出适宜于云环境的语义检索流程。(本文来源于《扬州大学》期刊2012-05-01）
杜占玮[10]（2012）在《语义蚁群算法的不确定知识本体推理研究》一文中研究指出语义网最初被认为是现在万维网的一个延伸，它可以帮助计算机理解网络中的信息，从而可以支持更加复杂的发现、数据整合、导航以及任务的自动分配。语义网背后最主要的思想就是给网页上添加可以使机器理解的含义，通过使用本体技术为网络资源的共享术语定义精确的含义，利用知识表示技术来进行网络资源的自动推理，并且使用协作代理技术来处理网络上的信息。不确定描述逻辑知识库扩展了传统的描述逻辑知识库，特别是引入了关于概念和角色的不确定知识，同时也引入了关于概念和角色个体的不确定知识。前者是关于随机选到的概念和角色实例的不确定知识，后者是关于离散的概念和角色实例的不确定知识。实际应用迫切需要处理本体中的不确定知识，特别是在医药、生物、天文学等领域，不确定描述逻辑知识可以比较好的运用在这些领域。在不确定描述逻辑关键性问题中，有一大类问题是关于求解公理的概率上限和下限，其实质是一个求极值问题，考虑到今后发展的趋势，这种极值问题很有可能会随着不确定描述逻辑的深入研究，发展成为非线性多维度极值问题。因而，本文在蚁群算法的基础上，基于不确定描述逻辑领域的特征，提出了一种基于语义信息的蚁群算法，进而将其应用于求解上述的极值问题，并讨论其关键性参数的取值，最后，通过一个医学本体案例，验证了本文提出的基于语义信息的蚁群算法的有效性。(本文来源于《吉林大学》期刊2012-04-01）
不确定语义论文开题报告
（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：
随着数据的增长和用户的需求不断扩大,由于影视信息描述的缺乏和噪音大等问题,造成了影视信息产生诸多信息不完备、不精确等不确定性的情况,使用传统的机器学习中的基于语义的算法文本分析算法也难以获得良好的检索效果。因此,能否以自然语言的形式描述影视信息领域的检索需求,从语义的角度对视频信息进行知识描述、关联性检索以及非精确性推理等问题也成为本文研究的出发点。首先,关于本体不确定性度量,Tim Berners Lee提出在下一代互联网中引入语义本体,使得计算机可以理解web资源的含义,因此本文基于影视信息本体,通过分析总结其不确定性,采用了非归一化多因子概率的方法进行度量,更好的体现了概念间语义关系的强弱。其次,关于不确定性本体的语义检索,抛弃传统关键词-词频的搜索方式,尝试采用阈值约束改进的激活扩散算法对本体进行关联性检索,通过阈值对搜索进行约束,并加入对象属性的语义关联影响,对激活扩散算法的扩散范围进行了补充。最后,关于语义的非精确性推理,本文采用LDA主题模型和传统逻辑推理结合,采用LDA方法训练影视资源描述信息发现概念和概念、概念与实例、实例与实例间新的关系。并通过案例,对本文提出的本体不确定性度量、非精确性语义检索和推理等关键技术进行了说明,最后对本文的相关研究进行了总结。
（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。
不确定语义论文参考文献
[1].赵秦怡,黑韶敏.基于期望语义距离的不确定k近邻分类方法[J].大理大学学报.2017
[2].张琳.本体知识中不确定语义关系的表达和非精确推理研究[D].燕山大学.2017
[3].李艳玲,殷新丽,杨剑.基于二元语义的不确定多属性群决策方法[J].计算机工程与应用.2016
[4].刁玺,刘晨.一种基于用户反馈的不确定语义关系发现方法[J].北方工业大学学报.2015
[5].陈磊,左亚尧,封朝永.语义不确定时态的区间集重构及近似度量方法研究[J].小型微型计算机系统.2015
[6].左亚尧,陈磊,封朝永.不确定时态跨度的语义处理及其粗糙集近似计算[J].广东工业大学学报.2015
[7].陈磊,左亚尧,封朝永.语义不确定时态跨度的规范化处理及近似运算[J].计算机应用研究.2015
[8].苏龙超.基于SLCA语义的不确定XML关键字查询技术研究[D].内蒙古科技大学.2014
[9].沈岑诚.基于不确定数据的语义本体构建及其在云环境下的应用研究[D].扬州大学.2012
[10].杜占玮.语义蚁群算法的不确定知识本体推理研究[D].吉林大学.2012
论文知识图
