语义web与知识管理

合集下载

基于语义Web的网络教学知识管理系统研究

的联系；第五层是逻辑，在下面四层的基础上进行逻辑推理操作；第六层是证，根据逻辑陈述进行验证以得出结论；第七层是信任，在用户间建立信任关系。
ＲＦ（ｅｏｒｅｃｉｔｎＦａｅｏｋ是语义ＷｅＤＲｓｕｃＤｓｒｉｒｍｗｒ）ｅｐｏｂ的标准语言，它用计算机可以理解的方式表达了短语和概念的含义。ＲＦ在句法中通常使用Ｘ。ＤＭＬ
２２本体．
人们进行知识交流的技术和企业内部结构，并帮助人们获得知识来源，促进他们之间进行知识的交流” ＿。４
自从Ｗ３（ｒｄｂＣｎｏｔｍ）于２ｏＣＷｏｄＷｉＷｅｏｓｒｕｌｅｉ０４年２月最终公布了关键技术标准，语义网技术在各领域的应用引发
２００９年第１２期
ＳｉｎｅａｄＴｅ科技ｏｙＭａ究ｎｓａｃｃｅｃｎｃｎｌｇ理研ｎｇｍｅｔＲｅｅｒｈｈｏ管ａｅ
２９Ｎｏ２００．１
文章编号：１０７９（０９１０４０００— ６５２０）２— ２４— ３
功能，尤其是缺乏学习者对隐性知识挖掘的支持 … 。而且，网络教学应用研究与发展将受到新型网络服务体系结构的影响，网络教学应用中更为重要的是，应该挖掘知识背后的各种深层次应用模式和规律，并在模式及其建构的层次实现教学，以培养学习者的学习能力』。为解决上述问题，需要引进知识管理的思路，设计网络教学知识管理系统。随着知识经济时代的来临，知识管理成为一个热门的前沿领域。由于知识管理是管理领域的新生事物，所以目前还没有一个被大家广泛认可的定义。达文波特（ａｅｐｒＴＤｖｎｏｔ）指出：“ 知识管理真正的显著方面分为两个重要类别：知识的创造和知识的利用。莉（ｅｎｌｅ对知识管理的 ”ｊ艾ＶｒａＡｌ）ｅ定义是 “ 助人们对拥有的知识进行反思，帮助和发展支持帮

语义网概念及技术综述

语义网概念及技术综述语义网（Semantic Web）是一种由 W3C（World Wide Web Consortium）推广的，基于 XML（eXtensible Markup Language）和 RDF（Resource Description Framework）等技术的网络，它旨在增强网络信息的语义表达和机器可读性，从而使得计算机能够更好地理解和处理网络信息。

一、语义网的概念语义网是一种以“数据”为中心的网络，它通过使用 XML、RDF 等技术，将网络信息以机器可读的方式进行组织和表达。

与传统的 Web 相比，语义网更加强调信息的结构和含义，而不是简单的文本表现形式。

因此，语义网被认为是 Web 的一个重要发展阶段，是实现智能 Web 的关键步骤。

二、语义网的技术1.XMLXML 是构建语义网的基础技术之一，它是一种用于描述数据的标记语言。

XML 可以用来表示数据结构，并且可以很好地与 HTML、HTTP 等现有网络技术集成。

通过 XML，我们可以将数据以机器可读的方式进行组织和表达，从而使得计算机可以更好地处理和理解数据。

2.RDFRDF 是另一种构建语义网的关键技术，它是一种用于描述资源及其关系的模型。

RDF 将每个资源视为一个三元组，包括主体、属性和值三个部分。

通过这种方式，我们可以将网络信息以一种通用的、机器可读的方式进行描述和组织，从而实现数据的共享和重用。

3.RDFSRDFS 是 RDF 的扩展，它增加了一些新的概念和规则，例如类、子类关系、属性限制等。

这些概念和规则可以帮助我们更好地描述和组织数据，并且可以用于构建更加复杂的语义网应用。

4.OWLOWL 是另一种基于 RDF 的语言，它提供了更加丰富的概念和规则，例如类、属性、关系等。

OWL 提供了三种不同的表达层次，分别是 OWL Lite、OWL DL 和OWL Full，以满足不同应用场景的需求。

OWL 可以用于描述更加复杂的概念和关系，并且可以用于构建更加高级的语义网应用。

电子商务中的知识管理及其关键问题

电子商务中的知识管理广东外语外贸大学杜剑峰为什么要知识管理？•电子商务的含义–电子：在网上–商务：买卖(产品/服务)•知识管理的必要性–你能在网上查到需要购买产品的最低价格吗？–你能在网上查到所有买家或卖家的资料吗？–你能在网上找到合适的买家、卖家或产品吗？–你能在网上获得买家、卖家或产品的推荐吗？1. 背景：互联网和万维网•1.1 互联网和万维网的发展史•1.2 什么是Web1.0?•1.3 什么是Web2.0?•1.4 Web1.0和Web2.0有什么重大影响？•1.5 什么是Web3.0?•1.6 Web3.0的核心是什么？•1.1 互联网和万维网的发展史•互联网（Internet）——硬件1986年美国国家科学基金会NSF资助建成了基于TCP/IP技术的主干网NSFNET，1995年NSFNET商业化运营•万维网（World Wide Web, WWW）——软件1994年万维网联盟（W3C）组织建立，现在已经成为Internet的代名词•万维网发展的三个时代数据量Databases2013-Web 1.0 2003-20121995-2002PC Era1980 -1994Web 3.0Web 2.0The World Wide WebThe DesktopKeyword searchReasoning TaggingSemantic SearchThe Semantic WebDirectoriesThe Social WebFiles & Folders商业价值• 1.2 什么是Web1.0?Web1.0是第一代的万维网。

可以直观理解为：是以编辑为特征，网站提供资讯，提供网站内容给用户阅读。

这个过程是网站到用户的单向行为。

Web1.0时代的代表站点为新浪，搜狐，网易三大门户。

• 1.3 什么是Web2.0？Web2.0是第二代的万维网。

Web2.0是相对于Web1.0而言的，Web2.0不单单是技术上的升级，更是一种信息组织方式的改变，一种观念模式上的升级。

浅谈基于语义网的知识管理

浅谈基于语义网的知识管理摘要随着知识型企业的出现，知识己逐渐成为企业首要的生产要素。

企业如何通过对知识实施有效管理来效益最大化，增强竞争能力，已经引起人们的普遍重视。

本文从知识管理目前存在的问题出发，提出了语义网相关技术在知识管理中的作用，给出基于语义网的知识管理方法。

关键词语义Web；知识管理；信息查询在人类社会进入新世纪的同时，人类也进入了一个全新的时代——知识经济时代。

随着知识型企业的出现，知识逐渐成为首要的生产要素。

企业如何通过对知识实施有效管理来效益最大化，增强竞争能力，已经引起人们的普遍重视。

企业知识管理已成为当今管理学界和企业管理者们最为关注的课题之一。

1 知识管理1.1 知识管理的出现所谓“知识经济”，就是“以知识为基础的经济”，这个术语于对知识和技术在经济增长中所起作用的充分了解，体现了人力资本和技术中的知识是经济发展的核心，强调了知识作为一种资源在新的经济社会形态中所具有的基础特征。

就企业管理来讲，知识管理 __主要有四个方面：(1)经济全球化给组织(企业)产生了巨大压力。

(2)知识密集型产业成为现代经济增长的主导力量。

对传统产业来说“知识化”将是其维持现有地位或实现创新的惟一出路。

(3)知识作为一种独立的生产要素在各种要素投入中占据主导地位，与此相应地“知识工人”在企业中的地位不断强化。

(4)信息技术的飞速发展和信息基础设施的极大改善为组织运作提供了与工业化时代在本质上不同的基本环境。

在上述背景下，管理学家和企业管理者们日益认识到，知识及其学习代表着企业(组织)竞争优势的重要源泉，“企业知识管理”便由此应运而生。

1.2 目前存在的问题在互连网上有数以百亿计的文档被超过上亿的用户使用，这些文档中有很多是在企业或组织内部的Intra上。

随着网络的不断发展，这些为企业服务的文档会越来越多地出现在网络上，所以我们有理由相信未来企业对于信息和知识的管理都会偏向于网络。

但是目前基于网络知识管理系统都存在着明显的不足：1) 信息检索目前的信息检索方式主要是基于关键词的检索而并非语义。

基于语义Web的智能答疑系统研究

蝴
输出结果ｌ
实
运
分的利用。鉴于远程教育模式中教师和学生的分离性特点．为及时准确解答学生在自主学习过程中产生的疑问，就需要借助 ” 答疑系统 ” ，正是这种需求促进了 ” 答疑系统 ”的研究。国内在这方面已经有一些成功的案例，可总结如下：
户的意图．从而为问题的准确解答提供保障。２２信息检索模块．
信息检索模块的主要功能是：执行问题分析模块提交的
关键词和语义词匹配来进行答案检索，其本质是基于 ” 字符匹ＲＦＤ查询代码，获取与查询条件相匹配的信息。检索过程分两步完成：首先执行ＲＦＤ查询，从领域知识库中检索到与查询条配 “的检索方式，智能性不高。三是智能答疑系统．如上海交大建立的基于案例的智能答件相匹配的ＲＦＤ实例；然后根据ＲＦＤ实例检索得到相应的知识文
２１问题分析模块．
问题分析模块主要功能是：对用户所提问题进行分析．理解提问意图，并将用户的提问意图转化为ＲＦＤ查询代码，提交
任何一个答疑系统的领域知识再全面，也不可能覆盖该领域的所有方面，更不可能包含用户潜在疑问的全面答案，所以
本文所讨论的智能答疑系统正是借助了基于语义Ｗｅ的信ｂ
息检索的思想。图１显示了智能答疑系统的体系结构。从处理
理解和交流信息的基础。ＲＦ实例库则是知识文档的语义索引Ｄ流程的角度看，答疑系统由问题分析处理、信息检索、答案分库，它支持系统对知识文档进行语义检索。建立语义索引必须析三大部分组成，￣．ｌ－还包含支撑处理流程的领域知识库和知ｌ，ｔ借助领域本体对知识文档进行标引。识管理模块。２５知识库管理模块．

第三章语义WEB

• • • • • • •
a new language to make information self-describing A kind of Meta-language Not only the successor of HTML Well-behaved subset of SGML designed to enable delivery over the Web SGML - -, not HTML + + Designed by the World Wide Web Consortium (W3C) Overwhelming vendor support
用于XML显示的标准： • XHTML（采用XML对HTML的重新定义） • SVG（有关矢量图形的) • SMIL（有关多媒体同步显示的） • MathML（有关数学公式符号的）；用于移动设备的标准： • CC/PP（移动设备的内容协商与信息交换） • HDML（手持设备） • WAP（无线应用设备） • VoiceXML（通过语音进行WEB 访问）；
内容：
语法： DTD（Document Type Definition); XML Schema; 显示：层叠样式单CSS；可扩展样式单语言XSL； XSLT(XSL转换）；
DTD（XML Schema）：文档类型描述
描述了一个XML语言的语法和词汇表，也就是定义了文件的整体结构以及文件的语法；规定了一个语法分析器为了解释一个“有效的”XML文件所需要知道的所有规则的细节。列出所有有效的元素，例如元素、标记、属性、实体；也可以非常复杂，指出这些元素之间的内在联系。
核心层为XML、RDF、ONTOLOGY，这3层用于表示 Web信息的语义。

语义web中的本体学习OntologyLearningfortheSemanticWeb

2.3 数据的导入和处理技术
文档的收集、导入和处理步骤使用一个以本体为中心的文档爬虫来搜集网上的相关文档。使用自然语言处理技术来进行文档的处理。使用一个文档包装器将半结构化文档（如领域字典）转换成本体学习框架可以识别的格式（如RDF格式）。将处理过的文档转换为本体学习算法可以识别的格式。
抽取词条
分类关系的抽取：（1）使用层次聚类技术（2）
使用模式匹配技术（字典）
非分类关系的抽取：使用基于关联规则的挖掘
算法
2.4 本体学习算法
本体维护算法
本体的修剪（发现和删除无关的概念）
(1)基线修剪(2)相对修剪
本体的精练（对本体的精细调整和增量扩展）
主要思想是先找出未知的词条，然后从本体中找出与其相似的概念并提交给用户，最后由用户决定该未知词条的意义。
FCA-Merge（第三步）：从概念格生成新本体
2.3 数据的导入和处理技术
合并本体1中的Hotel 本体2中的Hotel 本体 2中的 Accommodation
合并生成新概念或关系
合并
2.3 数据的导入和处理技术
FCA-Merge算法小结
输入：两个本体和一个自然语言文档集输出：一个合并过的本体。对输入数据有如下要求：文档集应该和每个源本体都相关。文档集应该包含源本体中的所有概念。文档集应该能够很好的分离概念。
3.本体的评价
精度学习生成的本体
手工生成的本体
precisionOL =
| CompRef | | Comp|
召回率
recallOL =
| CompRef | | Ref|
Hale Waihona Puke 其中，Ref是参照本体中元素的集合， Comp是比较本体中元素的集合。

语义网技术的发展与应用

语义网技术的发展与应用随着互联网的普及与数据的爆炸式增长，我们越来越需要一种更加高效、准确、智能的方式来处理和利用数据。

而语义网技术就是能够满足这种需求的一种新型数据处理技术。

本文将从语义网技术的定义、发展历程以及其应用前景三个方面来展开论述。

一、语义网技术的定义语义网技术，即语义网（Semantic Web），是一种基于网络的、带有语义的数据处理技术。

它能让机器理解文字和语言，并对其进行推理和应用，从而赋予数据更多的深层次的含义和价值。

语义网技术的核心是对于不同类型的信息进行统一整合、归纳和处理，以达到复杂、多样性数据间的自动化共享和交流。

二、语义网技术的发展历程语义网技术的历史可以追溯到英国人蒂姆·伯纳斯·李（Tim Berners-Lee）在1989年提出“万维网”（World Wide Web）的想法。

他最初创意是为了方便科学研究者之间的信息交流，而在此基础上，李提出了语义网的概念，即将现有的万维网变成一个更加智能化的平台，以减少数据匮乏、信息无效的情况。

20世纪90年代，随着万维网上的信息爆炸式增长，语义网技术逐渐得到了人们的重视。

在2001年，万维网联盟（W3C）发布了语义网指导方针，正式确立了语义网技术的标准化。

此后，每年W3C都会发布新的语义网推荐规范，不断完善和拓展语义网的功能和应用范畴。

三、语义网技术的应用前景语义网技术的应用前景非常广泛，可以用于企业管理、电子商务、智能家居、医疗健康、金融投资、灾害预警等多个领域。

以下是具体的几个应用实例：1.企业管理：语义网技术可以建立起一个完整、集成的企业数据体系，实现对企业内部数据和知识的有效管理与共享。

2.电子商务：语义网技术可以将产品和服务的信息进行语义化，方便消费者搜索和比较，提高电子商务的效率。

3.智能家居：语义网技术可以将家居设备和服务进行互联化，实现智能化的管理和控制，提升家庭生活质量和安全性。

4.医疗健康：语义网技术可以整合医学知识和患者数据，实现个性化的医疗服务和健康管理。

语义网络技术在知识图谱构建中的应用研究

语义网络技术在知识图谱构建中的应用研究一、引言近年来，随着互联网信息爆炸式增长，人们急需一种更高效的方式来组织和管理海量的信息。

知识图谱作为一种表示和组织知识的方法，逐渐受到广泛关注。

而在知识图谱构建的过程中，语义网络技术扮演着重要角色。

本文将探讨语义网络技术在知识图谱构建中的应用研究。

二、语义网络技术概述语义网络技术是一种将事物之间的关系表示为图结构的方法。

在语义网络中，节点表示事物，边表示事物之间的关系。

通过这种方式，我们可以清晰地了解事物之间的联系，从而更方便地进行知识的组织和管理。

三、知识图谱构建中的语义网络技术应用1. 实体抽取与链接实体抽取是知识图谱构建的第一步，通过语义网络技术，我们可以从文本中自动识别出实体，并将其转化为节点。

同时，通过链接技术，将不同来源的实体链接到同一节点，从而实现实体的一致性和准确性。

2. 关系提取和建模知识图谱关注事物之间的关系，而语义网络技术可以帮助我们从文本中提取出关系信息，并将其转化为边。

通过建模技术，将抽取出的关系信息转化为可计算的形式，使得知识图谱更易于处理和应用。

3. 图谱理解与推理语义网络技术为知识图谱的理解和推理提供了基础。

通过对知识图谱的语义网络进行分析，我们可以发现事物之间的规律和模式，并进行推理。

这对于知识的深层次挖掘和应用具有重要意义。

四、语义网络技术在知识图谱构建中的优势1. 多样性与灵活性语义网络技术能够灵活地处理不同类型的实体和关系，从而适应不同领域的知识图谱构建需求。

它能够处理多种语义类型的节点和关系，不仅限于传统的层级结构。

2. 可解释性与可理解性语义网络技术的结构清晰，能够将事物之间的关系直观地展示出来。

这使得知识图谱的构建和使用更加可解释和可理解，为用户提供了更好的使用体验。

3. 可扩展性与可更新性知识图谱是一个动态的系统，需要不断地扩展和更新。

语义网络技术能够很好地应对知识图谱的变化，保证图谱的可扩展性和可更新性。

五、应用案例1. 百度知识图谱百度知识图谱是一个基于语义网络技术构建的大规模知识图谱。

语义空间系统：语义Web技术的新应用——基于语义整合Web资源与服务

目前。ｂＳｒｃ已在电子商务领域应用和发展，逐步应Ｗｅｖｅｅｉ并
用在科研、政府和教育的领域。但现在Ｗｅｂ的最大同题，被认为是语义获取和利用这些基于ｗｅ的数字内容和服务的困难。语ｂ义Ｗｅｂ的提出。主要是针对目前Ｗｅ的这一问题。ＴｍＢｒｅ — ｂｉｅｒｎｓｌ认为，语义Ｗｅ是对目前Ｗｅ的扩展，Ｗｅ的资源（ｅｅｂｂ使ｂ上内容和服务）给予良好的定义的语义，被更好地保证计算机和人合作。它的核心思想是使Ｗｅ上的数据可以通过元数据和Ｏｂｎｔｏｙ定义和链接，ｏｇ被ｌ从而能笛更加有效地踌不同应用程序发现、自动处理、罄合、复用（ｅｓ这些被定义和链接的数据，ｗｅ可ｒｕｅ）使ｂ以发挥它全部的潜能，数据和信息可以被软件代理和人共享与使处理。
维普资讯
语义空问系统：语义Ｗｅｂ技术的新应用基 Leabharlann 语义整合Ｗｅｂ资源与服务
杨晓航张晓林
（中国科学院文献情报中心北京１０８）００１
摘要通过介绍新近出现的语义Ｗｅｂ应用—— 语义空问系统ＣＫＴｖｐｃＳＡｉｅａｅ和ｍＡＫ探讨了目前语义ｗｅＳｉＴ，ｂ应
田１语义Ｗｅｂ的七屡构辈田
语义Ｗｅ技术的主要特点可归纳为：．ＵＲ和Ｎｍｅｐｃｂａ用Ｉａａｅｓ

web语义化的理解

web语义化的理解Web语义化是指通过合理地使用HTML、CSS、JavaScript等技术，使Web页面的内容具有更好的结构、更明确的含义、更多的操作性以及更好的可读性、可访问性、可维护性等特点，从而达到提高页面质量、提高代码质量、减少维护成本、优化搜索排名等目的。

Web语义化的理解主要体现在以下几个方面：1. 结构清晰明了Web语义化的最大特点是使页面结构更为清晰明了，通过合理的标签和标签嵌套方式，使页面元素在视觉上具有明确的层级关系。

比如，使用<h1>、<h2>等标题标签，表示不同级别的标题，使页面结构更加清晰，减少了错误和混淆。

2. 含义明确Web语义化还要求页面的内容具有明确的含义。

通过合理地使用HTML标签、属性和CSS样式，从而准确地表达页面的内容和意义。

例如，使用<section>标签对页面内容进行分块，<article>标签表示文章，<nav>标签表示导航等，这样不仅让页面结构更清晰，而且也更易于搜索引擎抓取和解析。

3. 可读性强Web语义化使页面具有更好的可读性，从而使用户更容易阅读和理解页面内容。

合理地使用HTML标签、CSS样式和JavaScript代码，从而增强页面的可读性、可访问性和可维护性。

例如，为了增强页面的可读性，可以使用有意义的文本，避免使用无意义的图像和标题，使用合理的字体和颜色等。

Web语义化使页面更加具有可访问性，从而使不同人群可以方便地访问并理解页面内容。

例如，使用<meta>标签对页面进行描述以及声明语言，使用alt属性对图片进行描述，使用aria标签等，这些都可以提高页面的可访问性，让每个人都可以使用。

5. SEO优化Web语义化可以优化页面的搜索引擎排名，使其更容易被搜索引擎抓取和解析。

通过使用适当的HTML标签、属性和样式，使页面的内容更为清晰明了，从而提高搜索引擎的重视程度，提高搜索排名。

第2章知识工程 -3

• 否定 – 两种表示方式：～或标注NEG界限。
5
语义网络-知识表示
用语义网络表示事实： – 继承性：语义网络也具有继承性，即下层概念继承上层概
念的属性 – 例：猎狗是一种狗，狗是一种动物 – 例：与会者有男，有女，有的年老，有的年轻
语义网络-知识表示
用语义网络表示事实： – Event节点的表示 – 例：张三给肖红一本书
语义网(Semantic Web)是一个由万维网联盟的蒂姆·伯纳斯李(Tim Berners-Lee)在1998年提出的一个概念，它的核心是：通过给万维网上的文档(如:HTML)添加能够被计算机所理解的语义“元数据”(Meta data)，从而使整个互联网成为一个通用的信息交换媒介。语义万维网通过使用标准、置标语言和相关的处理工具来扩展万维网的能力。不过语义网概念实际上是基于很多现有技术的(某些技术甚至可以追溯到20世纪60年代末期), 也依赖于后来和text-and-markup与知识表现的综合.
• 值继承 • “if-needed”继承 • “default”继承
− 匹配
8
语义网络-推理
事实为： – 赵云是一个大学生 – 他在东方大学主修计算机课程 – 他入校的时间是2000年初始工作：把上面的事实用语义网络表示出来放入知识库问题：赵云主修什么课程
语义网络--特点
语义网络优点： – 结构性：语义网络是一种结构化的知识表示方法，能把事
命题划分为多个子命题，每一个子命题用一个较简单的语义网络标识，称为一个子空间，多个子空间构成一个大空间。空间可以逐层嵌套，子空间之间用弧相互连接 – 例：每个学生都背诵了一首唐诗
语义网络-推理
用语义网络表示知识的问题求解系统称为语义网络系统，其推理过程主要有两种： – 继承：把对事物的描述从概念节点传递到事例节点

语义web知网总结

1、Web语义：机器可以理解数据含义的下一代万维网2、由Tim Berners-Lee提出的语义网体系框架：图1 语义网体系框架统一资源标识符(URI)：在Web环境下，网络资源，如文档、图片和e-mail等，用短字符串标识。

这些短字符串叫做统一资源标识符，是一种网络命名/寻址技术，使得网络资源能够被机器理解。

由于语义Web的最终目的是要构建一个全球信息的网络，在这个网络上应该涵盖各种语言和文字的信息资源，所以它采用统一编码Unicode作为字符的编码方案。

XML：对资源中的信息提供了一种结构化的表示方法，使得这些信息易于被机器访问。

3、优点：能够管理异构信息4、应用程序的开发：图2 基于语义web的应用程序e-COGNOS工程：用来支持对知识的管理知识管理环境：e-CKMI方法：将建筑工程视为不同种类参与者的聚集，以写作的方式共同工作，需要共享不同资源中不同种类的知识。

本体：基于BS6100和Uniclass提供的信息基础上，融合IFC模型而发展起来的，并不为BC行业提供最终确定的本体，而是采取重用一些以前提出的分类和术语。

5、实例分析：将语义web技术应用于项目管理领域，进行信息管理：项目信息门户是在对项目全寿命过程中项目参与各方产生的信息和知识进行集中管理的基础上，为项目参与各方在互联网平台上提供一个获取个性化项目信息的单一入口，从而为项目参与各方提供一个高效率信息交流和共同工作的环境。

“项目全寿命过程”包括项目的决策期、实施期(设计准备阶段、设计阶段、施工阶段、动用前准备阶段和保修期)和运行期(或称使用期、运营期)。

“项目参与各方”包括政府主管部门和项目法人的上级部门、金融机构(银行和保险机构以及融资咨询机构等)、业主方、工程管理和工程技术咨询方、设计方、施工方、供货方、设施管理方(其中包括物业管理方)等。

“信息和知识”包括以数字、文字、图像和语音表达的组织类信息、管理类信息、经济类信息、技术类信息及法律和法规类信息“提供一个获取个性化项目信息的单一入口”指的是经过用户名和密码认定后而提供的入口。

基于语义Web的知识管理系统的研究

维普资讯
第２卷第１５期２００７年１月
北京工商大学学报（自然科学版）ＪｕａｏＢｉｇＴｃｎｌｙｎｕｎｓＵｉｒｔ（ａｒｃｎｅｄｉ）ｏｒｌｆｅｉｅｈｏｇｄＢｓｅｎｅｉＮｔａＳｉｃＥｉｎｎｊｎｏａｉｓｖｓｙｕｌｅｔｏ
很多不相关的信息，成了准确率不高．造
自从Ｗ３Ｃ于２００４年２月最终公布了关键技术标准，义Ｗｅ术在各领域的应用引发了业界人语ｂ技士广泛的探讨和尝试．
数据的内容和结构，过使用标准的语言将网络信通息的表现形式、据结构和内容分离．数
工智能等领域中．不管是知识获取和知识利用都是围绕着本体库的建立而进行的，因此在知识管理系统开发的第一步是必须在领域专家的帮助下，立建
１语义Ｗｅｂ
Ｗｅ是将网页内容展示给人看，对网页内容ｂ而
的含义一无所知，已成为Ｗｅ这ｂ首当其冲的致命弱
点．为了让计算机能在一定程度上理解Ｗｅｂ的内容．ｂ之父ＴｉＢｒｅｓＩｅ在１９Ｗｅｍｅｎｒ早 —ｅ９８年就提出了关于语义Ｗｅｂ的设想，并且于２０００年提出了语义Ｗｅｂ的体系结构（图１，对此作了简单的介见）并
第２层：ＭＩ＋ＮＳ＋ｘｓｈｍａ．ＸＸｍｌｅ … ｃＭＬ是一

数据与知识工程

异种数据库
万维网(WWW)
根据所处理的数据对DM分类
关系数据库
事务数据库
面向对象数据库
对象关系数据库
数据仓库
空间数据库
时态数据库
流数据
异构数据库
历史数据库
文本数据库
多媒体数据库
WWW
……
根据挖掘的知识类型对DM分类
特征分析
区分
关联分析
分类
聚类
预测
离群点分析
演变分析
多种方法的集成
……
根据采用的技术对DM分类
–inconsistencies in terminology, outdated information.
Viewing information
–Impossible to define views on Web knowledge
4.语义web技术
Explicit Metadata
Ontologies
用户交互方面
数据挖掘查询语言
数据挖掘结果的表示和显示
多个抽象层的交互知识挖掘
应用和社会因素方面
特定域的数据挖掘&不可视的数据挖掘
数据安全,隐私保护
……
12.KDD发现目标
概念描述
关联分析
分类
聚类
离群点分析
趋势和演变分析
KDD中使用的方法
决策树方法
基于证据理论的方法
神经网络方法
遗传算法
基于粗糙集的方法
2.语义Web主要解决两个问题：
1）如何对Web资源进行表示，从而便于让agent进行处理(获取、存储、推理、查询等)。
2）如何重用Web页面、多媒体信息、数据库等遗留资源(legacy resource)，以便实现从现有Web到语义Web的过渡。

基于语义Web的企业知识集成研究

中图分类号：Ｃ３．９１６文献标识码：Ａ
随着计算机科学与互联网技术的飞速发展，越来越多的学者致力于将知识管理理论与信息技术相结合展开研究，企
业知识集成正是这种结合的产物。企业知识集成从企业整体角度出发，综合运用知识管理的理论和方法，将信息技术与企业业务过程相组合，以多种形式进行知识的表示、组织、获取、存储、使用和创新的过程，从而提高企业的技术创新能力Ｊ。然而，由于企业面临着分布动态的异构网络计算
２００９年第ｌＯ期
科ｏ管ｎｇｍｅｔＲｅｅｒｈＳｉｎｅａｄＴｃｎｌｇ理研究ｎｓａｃｃｅｃｎｅｈ技ｏｙＭａａｅ
２ｏＮＯ１Ｏ９．０
文章编号：１０７９（０９１０１０００— ６５２０）００— ３８— ３
能根据用户的个性化差异及用户的需求，适时主动地将知识
推送给用户。针对以上问题，为了有效的利用企业知识，应该对企业的知识进行有效的集成。企业知识集成的最终目标是实现企业知识的共享、重用和创新，其中的一个关键问题就是使得知识可以被计算机自动分析、理解和处理，而这恰恰正是语义Ｗｅｂ所要实现的目标。因此，本文结合使用语义Ｗｅｂ技术，提出了一套支持企业知识集成的框架结构，将企业原先分散的异构知识有机地结合起来，消除了知识的 “ 语义鸿沟” 问题，解决企业知识的供给与需求问题，使得知识使用
所示。

语义网基础教程

第一章概述1.1万维网现状万维网改变了人类彼此交流的方式和商业创作的方式。

发达社会正在向知识经济和知识社会转型，而万维网处于这场革命的核心位置。

这种发展使得人们对计算机的看法也发生了变化。

起初，计算机仅仅用作数值计算，而现在则主要用于信息处理，典型的应用包括数据库，文档处理和游戏等等。

眼下，人们对计算机关注的焦点正在经历新的转变，将其视作信息高速公路的入口。

绝大部分现有的网络内容适合于人工处理。

即使是从数据库自动生成的网络内容，通常也会丢弃原有的结构信息。

目前万维网的典型应用方式是，人们在网上查找和使用信息、搜索和联系其他人、浏览网上商店的目录并且填表格订购商品等等。

现有软件工具没有很好的支持这些应用。

除了建立文件间联系的链接之处，最优价值和必不可少的工具是搜索引擎。

基础关键词的搜索引擎，比如Alta Vista、Yahoo，Google等，是使用现有万维网的主要工具。

毫无疑问，加入没有这些搜索引擎，万维网不会取得现在这么大的成功。

然而，搜索引擎的使用也存在一些严重过的问题：●高匹配、低精度。

即使搜到了主要相关页面，但它们与同时搜到的28758个低相关或不相关页面混在一起，检索的效果就很差。

太多和太少一样令人不满意。

●低匹配或无匹配。

有时用户得不到任何搜索结果，或者漏掉了一些重要的相关页面。

虽然对于现在的搜索引擎来说，这种情况发生的频率不高，但确实会出现。

●检索结果对词汇高度敏感。

使用最初填写的关键词往往不能得到想要的结果，因为祥光的文档里使用了与检索关键词不一样的术语。

这当然令人不满意，因为语义相似的查询理应返回相似的结果。

●检索结果是单一的网页。

如果所需要的信息分布在不同的文档中，则用户必须给出多个查询来收集相关的页面，然后自己提取这些页面中的相关信息并组织成一个整体有趣的是，尽管搜索引擎技术在发展，但主要的困难还是上述几条，技术的发展速度似乎落后于网上内容量的增长速度。

此外，即使搜索是成功的，用户仍必须自己浏览搜索到的文档，从中提取所需的信息，也就是说，对极其耗时的信息检索本身，搜索引擎并没有提供更多支持。

基于OWL本体的语义Web知识表示

基于OWL本体的语义Web知识表示
陶皖;严楠
【期刊名称】《现代计算机（专业版）》
【年(卷),期】2006(000)005
【摘要】语义Web是对当前Web的一种扩充,它的发展正逐渐将Internet变成一个巨大的全球化的知识库,利用本体进行知识表示是实现知识管理、体现语义Web价值的一种有效途径.本文在研究OWL本体进行知识表示的机制后,阐述形式化表示及语义说明方法,并结合实例说明知识的表示.
【总页数】3页(P9-11)
【作者】陶皖;严楠
【作者单位】安徽工程科技学院,芜湖,241000;安徽工程科技学院,芜湖,241000【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于共享本体OWL的语义Web研究 [J], 李春颖
2.基于本体语言OWL的电网领域知识表示方法 [J], 曲朝阳;孙鹏飞
3.语义Web本体语言OWL2研究 [J], 张晓丹;李静;张秋霞;尚子华
4.基于Web本体语言OWL的知识表示 [J], 于娟;马金平;李永
5.本体描述语言OWL知识表示的扩展 [J], 甘健侯;夏幼明;徐天任;张旭洁
因版权原因，仅展示原文概要，查看原文内容请购买。

知识管理中语义与关键字相结合的检索方法

第16卷第12期2004年12月计算机辅助设计与图形学学报JOURNAL OF COMPUTER-AIDED DESIGN &COMPUTER GRAPHICSVoi.16，No.12Dec.，2004原稿收到日期：2003-07-04；修改稿收到日期：2003-09-01.本课题得到国家自然科学基金（69773019）和宁波市青年博士基金（2003A62002）资助.李飞，男，1972年生，博士，主要研究方向为工作流技术、语义Web 、知识管理.高济，男，1946年生，教授，博士生导师，主要研究方向为人工智能、知识工程、分布处理、软件工程、系统集成.刘柏嵩，男，1971年生，博士研究生，主要研究方向为基于Agent 的软件工程、工作流技术.周明健，男，1970年生，博士研究生，主要研究方向为语义Web 、知识管理.知识管理中语义与关键字相结合的检索方法李飞1）高济1）刘柏嵩1，2）周明健1）1）（浙江大学人工智能研究所杭州310027）2）（宁波大学网络中心宁波315211）摘要在泛化和聚集语义关系基础上生成大量的子查询语句，同时按照与原始语句的语义距离将权值传递给子查询语句.该方法能够由关键字匹配得到大量的结果，通过OWA （Ordered Weighted Averaging ）操作给每个结果赋予权值，合并这两部分权值，排序最终结果，并按照重要程度呈现给用户.文中将查询重写与权值传递统一在查询重写模板的概念中.关键词知识管理；语义查询；元信息；查询重写中图法分类号TP391；TP393A Retrieval Method by Combination of Semantics with Keyword in Knowledge Man-agementLi Fei 1）Gao Ji 1）Liu Baisong 1，2）Zhou Mingjian 1）1（Institute of Artificial Intelligence ，Zhejiang Uniuersity ，Hangzhou 310027）2（The Networking Center ，Ningbo Uniuersity ，Ningbo 315211）Abstract Based on the reiation of the generaiization and aggregation in ontoiogy ，our method produces agreat number of subgueries from the originai guery.Meanwhiie ，corresponding vaiue is transferred to subguery from the originai guery according to the semantic distance.We can aiso get the resuit by matching the keyword and give each resuit a weighted vaiue refiecting the match degree of keyword after the ordered weighted averaging （OWA ）operation.We combine these two parts of weighted vaiues and rank the resuit ，the user can read the in-formation in the order of importance.In this paper ，we unified the guery rewriting and transfer of weighted vaiue into the concept of guery rewriting tempiate （ORT ）.Key wordsknowiedge management ；semantic guery ；meta-information ；guery rewriting1引言在企事业中，系统地管理企业内的知识已成为企事业在全球市场内生存和成功的重要因素，知识管理技术能有效地提高企事业知识资产的合理利用，其基本途径是建立一套高效的存取体系———组织记忆（Organization Memory ，OM ）［1］.知识的检索是其中最主要的部件.目前，知识库检索方法有很多种，主要的有基于元信息的算法和关键字匹配算法.元信息检索借助!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!对信息内容的清晰标注———元信息查找检索结果，将普通检索转化为对知识库的检索，这种方式的缺陷是过于精确，如果在知识库中元信息不能完全地匹配查询语句，就不能被检索出来.而关键字检索则正好相反，只要是关键字匹配，无论含义是否符合，都会被检索出来.知识管理的主要任务是将适当的知识在适当的时候送给适当的人，因此既要求任何具有启发意义的信息体都应该送给知识工作者，但是又不能推送过多的无关信息.上述两种方法都不能单独满足这一要求.知识管理中有两种信息要着重处理：一类是关键字相同，但含义不相关；另一类是没有关键字，而含义却相关的信息体.也就是对于语义要进行扩展［2-3］，而对于关键字则要抑制.本文设计了一个语义与关键字相结合的检索方法，该方法利用概念中的泛化和聚集关系进行语义扩展，用最后查询结果的权值来排序结果值，用排序加权平均（Ordered Weighted Averaging，OWA）算子及权值传递来限制关键字检索结果的次序，从而实现了扩展与抑制两个方面的要求.本文将查询重写和权值传递两个部分合称为查询重写模板.!本体论组成定义"#本体论为一个五元组［4］：本体论：=（词汇，概念，词汇到概念之间的映射，概念之间的关系，根概念）概念是指客观世界的主体，或者是实体在思维世界的反映，词汇是语言世界的符号.知识管理中的实体是各种信息体，可以从各个角度去描述这些信息体，但综合知识管理中的各种非结构化、半结构化和结构化的信息，我们定义知识管理本体（KnowIedge Management OntoIogy，KMO）为四元组：KMO=（Expression，Information，Domain，Organization）Expression为表示本体，为描述其他本体提供语言，是“本体的本体”.本文OKMS（OntoIogy-based KnowIedge Management System）中使用的表示本体如下：Concept〈concept name〉［Partof：〈super name〉］I［Isa：〈super name〉］；｛〈slot name〉：｛〈facet name〉〈content〉，｝!；｝!［Constraint｛〈expression〉｝+］；End［〈concept name〉］其中，super name为超集概念，slot name为槽名，也就是属性名，从这个定义可得一个概念树，包含泛化关系和聚集关系.Organization为组织本体，它和Information中的某些信息（如‘标题’属性等）代表信息的上下文.Domain为领域本体，在OKMS中用任务情景来刻画信息体的内容.任务情景包括4个并列属性：活动、角色、实体和技术.我们定义领域本体DO=（actiuity，role，entity，technical）.Information为信息本体，包括组织本体和领域本体，即Domain"Organization#Information.这四种本体之间的关系如图l所示.图l本体间的关系OKMS的本体示意简图如图2所示.其中，信息本体中的没有“使用”（即uses）关系的属性称为直接属性；反之，育用组织本体和领域本体中信息的属性称为关联属性.图2OKMS本体示意简图元信息是本体在某论域的实例数据，元信息和信息体组成知识项.知识管理中对于知识项或信息体的检索实际上是对元信息的检索.OKMS用于查找知识项的元信息主要部分如下：〈知识项〉：=〈知识项ID〉〈链接〉〈题目〉〈作者〉+〈应用目标〉〈适用范围〉〈关键字〉!〈所属项目〉!〈任务情景〉〈项目〉：=〈名称〉〈资助类型〉〈知识项ID〉!〈参与组织〉!〈组织〉：=〈组织ID〉〈上层组织〉〈下层组织〉!〈研究兴趣〉〈知识工作者〉：=〈人员〉〈代号〉〈职称〉〈研究兴趣〉〈人员〉：=〈姓名〉〈地点〉〈性别〉〈任务情景〉：=〈子任务〉+796ll2期李飞等：知识管理中语义与关键字相结合的检索方法〈子任务〉：=〈子任务〉!I 〈活动〉〈角色〉〈实体〉〈技术〉〈知识项ID 〉：=String 〈关键字〉：=String 〈研究兴趣〉：=String …上述定义给出了元信息模式的大部分内容，其中活动、研究兴趣、应用目标、任务情景等都是事先建立的规范术语，适宜用语义方法进行检索.关键字允许用任意字，适宜用关键字方法检索.在“知识项”定义中，如果右部直接是字符串类型，称为知识项的直接属性，如知识项ID 、关键字等；反之称为关联属性.组织、内容本体均构成一棵树.3检索方法总体结构语义与关键字相结合的检索方法的基本思想是沿语义和关键字两个方向重写原始查询语句，生成大量的子查询语句.对这些子查询语句的检索结果合并权值，权值由原始查询语句传递而来.该方法的结构如图3所示，查询重写的依据有三个来源：（l ）用户输入的查询知识项是知识工作者想要精确查询的部分；（2）扩展条件设置；（3）本体论的推理结果构成语义查询扩展的依据，系统在生成子查询的同时向其传递权值.图3搜索部分结构框图语义部分的重写包括精确重写和扩展重写.精确重写的目的是查询完全满足条件的知识，在概念树中，主要是对本身节点和子节点的查询.扩展重写是查询具有启发意义的知识，概念树中，是对兄弟节点的检索.扩展重写包括4个方面.e l ：同一项目组的文档；e 2：作者同事的文档；e 3：已有文档的参考文档；e 4：依任务情景扩展.e l ，e 2，e 3属上下文信息扩展；e 4属内容信息扩展.按关键字重写（图4中为e 5）也要将关键字集拆成其子集的并集，即Keyuord =｛l l ，l 2，…｝="｛l i ｝，i =l ，2，…，依据这5个条件生成一棵查询重写树如图4所示，图中的数字代表相应扩展条件e i （i =l ，2，3，4，5）对应的权值.如果一篇文档在这5个方面都检索到了，那么，按!（d ）=#$i"i #i （d ）（l ）合并.其中，"i 表示扩展条件的权值，为图4中的数值；#i （d ）表示文档对条件e i （i =l ，2，3，4，5）的满足度.图4查询扩展树4语义查询重写及权值传递基于语义的查询重写包括精确查询重写和扩展查询重写两个部分.4.1精确查询语句重写模板精确查询指用户希望找到完全满足条件的知识项，此查询语句的重写主要是对于本体中的概念确定信息源，并确定查询的范围语句.重写前后的查询结果集是一致的.在此步骤中，要做如下处理：（l ）如果是直接属性，如查找标题名为t l 的知识项，可得查询范围语句where author =t l ；（2）对于关联属性，如查找作者名为n l 的知识项，有查询范围语句where person .name =t l ；（3）如果概念具有泛化关系或聚集关系，需要找到所有的子节点并查询.例1.如图5所示，原始查询语句为0o ：查找项目名为proj l 的所有知识项.令｛p i ｝=get child （proj l ），得查询范围语句为where person .name =｛p i ｝.图5层次关系l例2.如图6所示，原始查询语句为0o ：查找任务名为“知识管理”的所有知识项，令｛t i ｝=getchild n（“知识管理”），其中n =2表示执行两次求子集，得查询范围语句为where subtasl .name =｛t i ｝.精确查询重写算法如下：if 直接属性a l 有值1l ，then 查询范围为where a l =1l ；896l 计算机辅助设计与图形学学报2004年if 关联属性a 2的值为概念c 2的属性a'2，有值为12，thenif c 2有子节点，then取子节点｛（c'i .1'i ）｝=get child I （c 2.12），i =l ，2，…，I 为次数，到叶节点为止；查询范围为where c'i =1'i ，i =l ，2，…；else 查询范围为where c 2.a'2=12；图6层次关系24.2扩展查询语句重写模板扩展查询包括上下文信息扩展和内容信息扩展.（l ）上下文信息扩展重写对于e l 扩展方式，要找到作者p 所在项目组的兄弟节点p i ，｛p i ｝=get sibliIg （p ），同时包括作者p 本身.例3.如图3所示，项目名为“知识管理”，p l 为“李飞”，p 2为“周明健”，p 3为“张鸿”.原始查询语句为0O ：查找作者名为“李飞”的知识项，现找到“李飞”的兄弟节点为“周明健”和“张鸿”，扩展后变成三个子句：a.查找作者名为“李飞”的文档；b.查找作者名为“周明健”的文档；c.查找作者名为“张鸿”的文档.其中，语句a 是对原始查询概念的重写，语句b ，c 通过先求父节点再求子节点得到.对于e 2扩展方式，仅指以同事为第一作者的文档.（2）内容信息扩展重写内容信息扩展指按任务情景扩展，获得当前查询概念的兄弟节点，如果内容的关系划得很细，那么要回溯I 个层次.例4.如图6所示，原始查询语句为0O ：查找子任务名为“知识项俘获”的文档，经扩展后，得到以下子句：a.查找子任务名为“知识项俘获”的文档；b.查找子任务名为“知识过程”的文档；c.查找子任务名为“知识项存储”的文档；c.查找子任务名为“XML 数据库”的文档； e.查找子任务名为“知识管理”的文档；f.查找子任务名为“知识元过程”的文档；g.查找子任务名为“知识过程”的文档；h.查找子任务名为“本体维护”的文档.综上所述，对于上下文扩展和内容扩展有如下扩展算法：if 扩展条件为e 4，then 查询范围为where ｛（p i ，1i ）｝=（p ，1）（get child （get pareIt I（p ，1）））；if 扩展条件为e 5，then 查询范围为where key =k i ，i =l ，2，3，…；其中get pareIt I （p ，1）是对p 节点的父节点的I 步回溯.4.3查询重写模板的定义及权值传递算法查询后的结果按照重要程度进行查询评价，OKMS 依照“先内容后上下文”的次序评价检索结果，体现在权值分配的大小上，如图4所示.而查询结果的权值等同于查询（子）语句的权值，由原始查询语句中的原始权值传递而来，如图7所示.图7查询重写模板的输入与输出定义2.一个查询0是这样一个过程.该过程查找一组由概念矢量〈!l ，…!I 〉所指向的一个（组）知识项的过程，!i 为某概念及其属性.0=〈!l ，…!I 〉， i ，：l i ， I ，c i c .定义3.带权值查询W0为一个二元组，一个为查询语句，另一个为权值［5］.W0=〈0，!〉，!［0，l ］.定义4.一个单步查询转换"为生成新的带权值查询语句的过程，其中，新查询语句中的概念是原查询语句中的概念的直接父节点或直接子节点，权值由查询中的概念相关程度衡量."（0l ，02，!）=（ !l \!l 0l !l 02）（ !2\!2 02 c 2 0l ）（!=#（!l ，!2））.其中，!=#（!l ，!2）表示元素!l 与!2的相似程度为!.该定义将两个查询语句的相关程度表示为查询语句中概念的语义相关程度，并指出了权值传递的计算方法.在例4中，语句b 是语句a 的单步转换，语句c 又是语句b 的单步转换.定义4中，!也可理解为查询扩展中概念的语义损失程度.定义5.一个查询重写模板T i 递归地定义为多个单步查询转换前后的两个带权值查询语句和一个权值.996l l2期李飞等：知识管理中语义与关键字相结合的检索方法T i （ 1， 2，!）="（ 1， 2，!）】 I ，"\"（ I ， 2，!I ）八T i （ 1， I ，!/）!=!（!I ，!/），其中，!（!I ，!/）是!I 和!/之间的t-norm 运算，这里定义!（!I ，!/）=!I X !/，表示前后概念的相关程度.4.4查询重写模板的权值计算!=1，当（c 1=c 2）V （c 2=get child （c 1））0.5，当c 2=get parent（c 1{）（2）定义#函数如下：式（2）的含义表明，c 1为原始查询元素，c 2为重写后查询元素，如果c 2是c 1的子节点，表示c 2所指信息必是c 1所指信息，如果c 2是c 1的父节点，表示c 2所指信息可能部分是c 1所指信息，!设为0.5.对于T 1模板，因为是精确查询，仅涉及求子节点，所以T 1（ 1，2，!）中!取1.对于T 2模板，凡求父节点的!都要乘上加权值，其余取为1.凡n 次回溯求父节点的就要n 次乘上加权值.如果c 2=get child （get parent n（c 1）），c 1，c 2表示两个概念，则T i （ 1，2，!）中的!=0.5n .例5.计算例3中的权值.语句a 为原始查询语句的重写，其中查询元素和原始查询元素相同，由式（1）得!a =1，语句D ，C 中先求父节点为概念“人员”，由式（1）得"（ O ， I ，!I ）中!I =0.5，再求概念“人员”的子节点，由式（1）得"（ I ， bi ，!/），i =1，2，3中!/=1，所以!bi =!I X !/=0.5X 1=0.5，i =1，2，3.例6.计算例4中的权值.因为“知识项俘获”与O 的查询元素相同，所以!a =1.因为｛“知识过程”、“知识项存储”、“XML 数据库”｝由“知识项俘获”的一次回溯得到，即“知识过程”=get parent （“知识项俘获”）；“知识项存储”=get child （get parent（“知识项俘获”））；“XML 数据库”=get child 2（getparent（“知识项俘获”）），所以!b =!c =!d =0.5.同理，｛“知识管理”，“知识元过程”，“知识过程”，“本体维护”｝都必须两次回溯求父节点，即get parent 2（“知识项俘获”），所以!e =!f =!g =!h =!I X !/=0.5X 0.5=0.25.对于扩展条件e i （i =1，2，3，4），式（1）中的$i （d ）计算如下$i （d ）=max （!），V \〈，!〉八Set（）=｛d ｝（3）其中Set （）=｛d ｝表示查询语句的返回结果，包含知识项d ，式（3）表示在同一扩展条件下，如果文档d 由多个元素查询得到，取最大查询结果权值.5关键字查询重写及权值传递基于关键字重写（方式e 5）是将关键字拆成并集，本文认为所有关键字重要性相同，但只要有一个关键词匹配，那么文档与关键字的语义就有较大的相关度，从而引入模糊集上的OWA 算子［6］.定义6.如果!是一个满足下列条件的权值矢量，（1）w i e ［0，1］；（2）】 w =1，称下列映射f OWA ：I n ～I ，I =［0，1］为OWA 算子，f OWA （a 1，…，a n ）=】i w i a #（i ），其中#（i ）是一个排序函数，使得a i （i =1，…，n ）降序排列.当按照e 5扩展重写时，$5（d ）=f OWA（a 1，…，a n ）（4）OWA 算子中，权值w i =1/2，i i =11/2（n -1），{else （5）以使w 1为所有w i （i =1，…，n ）中最大值.式（4）中a i 代表第i 个关键字对文档的匹配程度，我们将关键字匹配分为三种情况：（1）T 方式，关键字在Title 中；（2）A 方式，关键字在ADstraCt 中；（3）K 方式，关键字在知识项的关键字（Keyword ）属性中，它们的权值wk 分别为0.4，0.3，0.3， =1，2，3.a i =】Vwk X m ，i key i e d thenm =1else m =0（6）其中key i e d 表示“第i 个关键字以第种方式属于文档d ”.例7.现有原始查询语句包含4个关键字：k 1，k 2，k 3和k 4，它们在文档d 中的出现情况如表1所示，其中，V 符号表示存在此关键字，X 表示无此关键字.下面求$5（d ）.表1关键字的分布k 1k 2k 3k 4T V X V X A X V V X KXVVX071计算机辅助设计与图形学学报2004年从式（6）得到a1=0.4，a2=0.6，a3=1，a4=0；从式（5）得到w1=0.5，w2=1/6，w3=1/6，w4=1/6.从式（4）得!5（d）=f OWA（a1，a2，a3，a4）=0.5>1+ 1/6>0.6+1/6>0.4+1/6>0=0.667.!系统实现我们在OKMS中实现了本文算法，OKMS是一个知识管理的原型系统，主要包括标注系统、检索系统和信息定制系统.输入OKMS的实例是知识管理类的文档（信息体），将系统模拟为一个科研机构用的知识管理工具.图8，9所示分别为OKMS中的精确和扩展检索部分的界面，精确检索界面主要用来确定检索的范围，即SOL中的where语句，扩展检索界面用来确定扩展条件.图8精确检索界面图9扩展检索界面我们输入了100篇文档，其中15篇是关于标注系统的，20篇是关于本体论理论的，20篇是关于文档检索的，15篇是关于信息定制，10篇是本研究小组的文章，20篇是其他类的（数据挖掘，Agent等），精确查询条件为标题=OKMS：一个基于本体论的动态知识管理系统；作者=“李飞”，扩展查询条件为5个条件均选，其中，当前任务名为“知识项俘获”，关键字为“KM，知识管理，OM，组织记忆”，所得到的扩展检索结果如表2所示.表"扩展检索结果同项目组同事参考文献任务情景关键字合计10104271243表2中同项目组和同事的文章是重复的，论文中的也并非所有的参考文献都收入该系统，所以这几部分的实际检索文档书目并不多.以任务情景查询，关于标注系统的文章都能被检索出来.合计中数值小于前面的文档数总和，是因为按前面的扩展条件检索有交叉现象.从表2中可以看到：如果仅从关键字检索，只能得到12篇文档，而通过语义扩展，可以得到绝大多数的有用文档；而且在结果显示中，从语义和关键字两个方面都能检索的知识项排在前列，从而抑制了关键字相同而语义不相关知识项的重要程度.#结论知识管理对于信息体检索的要求是将有语义关系的信息体都检索出来，独立的两种检索方式———元信息检索和语义检索都不能满足这一要求，关键字检索会返回大量内容不相关的信息，而元信息检索限制的范围又太小.我们设计的语义和关键字相结合的检索方法采用按语义进行扩展，按传递权值进行合并的方法得到检索结果，能够克服上述两个方面的缺陷.但是，本文方法仍有一些缺陷：（1）语义关系比较简单，即泛化和聚集关系，要扩充语义，必须引入基于规则的推理［7］；（2）关键字检索也仅限于标题、摘要和关键字部分，这是因为知识管理系统中信息体的形式多种多样（文档、Web页面、EmaiI等）要实现信息体的全文匹配还有一定难度.未来的工作主要是将查询功能建立在基于规则的基础上.107112期李飞等：知识管理中语义与关键字相结合的检索方法参考文献［1］Abecker Andreas，Bernardi Ansgar，HinkeImann Knut，!"#$.To-ward a technoIogy for organizationaI memories［J］.IEEE InteIIigentSystems，1998，13（3）：40~48［2］Arens YigaI，KnobIock Craig A，Shen Wei-Min.Ouery reformuIation for dynamic information integration［J］.InteIIigent Information Sys-tems，1996，6（2/3）：99~130［3］Huh S Y，Moon K H，Lee H.A data abstraction approach for guery reIaxation［J］.Information and Software TechnoIogy，2000，42（6）：407~418［4］Sintek MichaeI，Tschaitschian ing ontoIogies for advanced information access［OL］.http：///449655.htmI ［5］AbasoIo Jose Maria，Mario Gomez.MELISA，an ontoIogy-based a-gent for information retrievaI in medicine［A］.In：Proceedings of the1st InternationaI Workshop on the Semantic Web（SemWeb2000），Lisbon，PortugaI，2000.73~82［6］Yager RonaId R.On ordered weighted averaging aggregation operators in muIticriteria decisionmaking［J］.IEEE Transactions on Systems，Man and Cybernetics，1998，18（1）：183~190［7］FenseI Dieter，Decker Stefan，MichaeI Erdmann.Ontobroker：On-toIogy based access to distributed and semi-structured information ［A］.In：Proceedings of the8th Working Conference on DatabaseSemantics［C］.Boston：KIuwer Academic PubIishers，1999.351~3692071计算机辅助设计与图形学学报2004年知识管理中语义与关键字相结合的检索方法作者：李飞，高济，刘柏嵩，周明健作者单位：李飞,高济,周明健(浙江大学人工智能研究所,杭州,310027)，刘柏嵩(浙江大学人工智能研究所,杭州,310027;宁波大学网络中心,宁波,315211)刊名：计算机辅助设计与图形学学报英文刊名：JOURNAL OF COMPUTER-AIDED DESIGN & COMPUTER GRAPHICS年，卷(期)：2004,16(12)被引用次数：6次1.Arens Yigal;Knoblock Craig A;Shen Wei-Min Query reformulation for dynamic information integration [外文期刊] 1996(2-3)2.Abecker Andreas;Bernardi Ansgar;Hinkelmann Knut Toward a technology for organizational memories[外文期刊] 1998(03)3.Fensel Dieter;Decker Stefan;Michael Erdmann Ontobroker: Ontology based access to distributed and semi-structured information 19994.Yager Ronald R On ordered weighted averaging aggregation operators in multicriteria decisionmaking [外文期刊] 1998(01)5.Abasolo Jose Maria;Mario Gomez;MELISA an ontology-based agent for information retrieval in medicine 20006.Sintek Michael;Tschaitschian Bidjan Using ontologies for advanced information access7.Huh S Y;Moon K H;Lee H A data abstraction approach for query relaxation[外文期刊] 2000(06)1.生佳根.刘思峰一种基于本体的关联规则挖掘方法[期刊论文]-南京理工大学学报（自然科学版） 2008(4)2.罗卫.邹凯语义关联检索模型的构建与测试[期刊论文]-情报杂志 2007(4)3.宋二伟.刘宗田.徐力斌.陈光基于领域本体的Web信息检索实现机制研究[期刊论文]-计算机科学 2007(5)4.刘柏嵩.高济.李飞知识管理中基于本体的扩展检索方法[期刊论文]-计算机辅助设计与图形学学报 2006(4)5.邱明语义相似性度量及其在设计管理系统中的应用[学位论文]博士 20066.潘旭伟集成情境知识管理中几个关键技术的研究[学位论文]博士 2005本文链接：/Periodical_jsjfzsjytxxxb200412013.aspx。