当前位置 —论文—本科论文— 范文

关于生物学方面论文范文数据库,与k-部排序本体相似度计算相关毕业论文提纲

本论文是一篇关于生物学方面毕业论文提纲,关于k-部排序本体相似度计算相关毕业论文的格式范文。免费优秀的关于生物学及本体及参考文献方面论文范文资料,适合生物学论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。

摘要:将本体图中每个顶点的相关信息用一个向量表示.根据本体图自身的结构将顶点分成k个部分.在每个部分中选取样本点组成S,并选择相应的排序亏损函数.运用k.部排序学习算法得到最优排序函数,从而将本体结构图中每个顶点映射成一个实数,通过比较实数间的差值判断两概念的相似程度.实验表明该方法对于计算本体概念间的相对相似度是有效的.

关键词:本体；相似度计算；k.部排序；排序函数；排序亏损函数

中图分类号:

TP393.092文献标志码:A

Ontologysimilarityputationusingk.partiterankingmethod

LANMei.hui1*,RENYou.jun1,XUJian1,GAOWei2,3

(

1．CollegeofComputerScienceandEngineering,QujingNormalUniversity,QujingYunnan655011,China,

2．CollegeofInformation,YunnanNormalUniversity,KunmingYunan650092,China,

3．CollegeofmathematicalSciences,SoochowUniversity,SuzhouJiangsu215006,China

Abstract:

Thispaperrepresentstheinformationofeachvertexinontologygraphasavector.Accordingtoitsstructureofontologygraph,theverticesaredividedintokparts.Itchoosesverticesfromeachpart,andchoosesthefunctionasrankingloss.Itusesk-partiterankinglearningalgorithmtogettheoptimizationrankingfunction,mapseachvertexofontologystructuregraphintoarealnumber,thencalculatestherelativesimilaritiesofconceptsbyparingthedifferencebetweenrealnumbers.Experimentalresultshowsthatthemethodforcalculatingtherelativesimilaritybetweentheconceptsofontologyiseffective.

Thispaperrepresentedtheinformationofeachvertexinontologygraphasavector.Accordingtoitsstructureofontologygraph,theverticesweredividedintokparts.Itchoseverticesfromeachpart,andchosethe

rankinglossfunction.Itusedk.partiterankinglearningalgorithmtogettheoptimizationrankingfunction,mappedeachvertexofontologystructuregraphintoarealnumber,andthencalculatedtherelativesimilaritiesofconceptsbyparingthedifferencebetweenrealnumbers.Theexperimentalresultsshowthatthemethodforcalculatingtherelativesimilaritybetweentheconceptsofontologyiseffective.

Keywords:

ontology,similarityputation,k.partiteranking,rankingfunction,rankinglossfunction

0引言

在计算机科学领域,本体被定义为共享概念模型的形式化规范说明.目前本体已应用在智能信息集成、协作信息系统、信息检索、电子商务和知识管理等领域.作为一种有效表现概念层次结构和语义的模型,本体技术经过近十年的发展已经成熟,目前已经具备比较系统、完善的工程理论、表示方法和构造工具.近年来,本体相似度计算的研究已经成为信息科学领域研究的热点,并应用于医学［1］、生物学［2］、社会科学［3］等诸多领域.期间,大量优秀的本体相似度计算方法脱颖而出,并取得巨大的成功.部分计算方法可参考文献［4-8］.

排序学习算法由于其广泛的应用背景而越来越受到国内外学者的关注.设X为实例空间,X中的每一个元素代表一个需要被排序的对象,称为实例.排序函数f：X→R,是一个得分函数.它将每个实例映射成一个实数,通过比较实数间的大小来对实例进行排名.即,设xi,xj∈X,若f(xi)>f(xj),则xi的排名高于xj.排序学习算法的目标是需找最优排序函数.著名的排序学习算法有RankBoost算法［9］、rankingSVMs［10］、RankNet算法［11］、MFoM算法［12］、Magnitude.Preserving排序算法［13］、基É

关于生物学方面论文范文数据库10;回归的子集排序算法［14］、RLR算法［15］、p.泛数推进排序算法［16］.

本文将提出一种基于k.部排序学习方法的本体相似度计算算法.本文的组织结构如下：首先,我们将对k.部排序学习算法作一个大致的介绍；其次,我们将在第三节中分析已有本体相似度计算算法的弊端,并阐明我们的动机,即为什么要用k.部排序学习方法来计算本体相似度,它的优点在哪里；再次,并通过一个例子对算法进行具体的描述,最后,通过实验说明本文提出的算法是有效的.

1k.部排序学习算法k.部排序学习算法［17］是一种特殊的排序学习算法.其训练实例分成k个子集:S1等于(x11,等,x1n1),等,Sk等于(xk1,等,xknk),它们的选取分别独立地服从X上的随机分布D1,等,Dk.Sa中每个元素的排名高于Sb中任何一个元素(a
本篇论文来源 http://www.sxsky.net/benkelunwen/060369566.html

关键词:本体；相似度计算；k.部排序；排序函数；排序亏损函数

中图分类号:

TP393.092文献标志码:A

Ontologysimilarityputationusingk.partiterankingmethod

LANMei.hui1*,RENYou.jun1,XUJian1,GAOWei2,3

(

1．CollegeofComputerScienceandEngineering,QujingNormalUniversity,QujingYunnan655011,China,

2．CollegeofInformation,YunnanNormalUniversity,KunmingYunan650092,China,

3．CollegeofmathematicalSciences,SoochowUniversity,SuzhouJiangsu215006,China

Abstract:

Thispaperrepresentedtheinformationofeachvertexinontologygraphasavector.Accordingtoitsstructureofontologygraph,theverticesweredividedintokparts.Itchoseverticesfromeachpart,andchosethe

ranking

1 2 3 下一页

关于生物学方面论文范文数据库,与k-部排序本体相似度计算相关毕业论文提纲参考文献资料：