[发明专利]基于Bootstrapping技术的领域本体概念自动获取方法

说明书

技术领域

本发明属于领域概念自动获取方法，具体为基于Bootstrapping技术的领域本体概念自动获取方法。该方法对已有的方法进行了改进，能够提取出复合的领域概念和语义相似的领域概念，提高了自动获取的召回率和准确率。

背景技术

本体是一种用来描述概念以及概念之间关系的知识表示方法，自提出以来就引起了国内外众多科研人员的广泛关注，目前已经被应用于语义Web、智能信息检索、信息集成等很多领域，领域本体的构建则是这些研究的基础。但是目前许多本体都严重依赖于领域专家来构建，这种完全依靠人工搜集概念来构建本体的方法不仅代价很高，无法进行大规模扩展，同时要促使大量的用户和领域专家来构建本体也存在相当的困难。概念是在领域中表示观念、范畴、任务、功能、行为或事物等的实体集合，是具有语义的词汇的集合，它可以是词语，也可以是短语。概念是本体的重要组成部分，因此，领域概念的获取是构建本体的基础，它的结果也将直接影响到概念间关系的提取。

目前概念获取主要采用基于语言学的方法和基于统计的方法，但是采用语言学的方法时规则和模板的建立和维护困难，可移植性差；基于统计的大部分方法未考虑复合词语的提取，因而复合词语形式的领域概念往往也就无法提取出来，此外，基于统计的方法一般都忽略了语义因素，导致一些语义相似的领域概念由于各自出现的频率较低而被遗漏。本发明的领域概念自动获取方法就是为了解决这些问题而提出的。

发明内容

本发明的目的在于提供一种基于Bootstrapping技术的领域本体概念自动获取方法，提高领域概念获取的效率以及自动获取的准确率和召回率。算法如下：

输入：种子概念集合SW，未标注的语料库，最低句频F_min，最小支持度S_min，互信息和信息熵阈值MI_min和t，语义相似度阈值t_sim，评价阈值m_min和t_min

输出：领域概念集合DC

过程：

(1)对语料库以句为单位进行分词，去除停用词，生成词语集合C

(2)将C按二元词组(复合词语由两个词组成)、三元词组、四元词组进行分割，得到候选词集合CL

(3)若CL不为空，则取字符串s，其中，s∈CL，CL＝CL-s，若s满足式(1)，则s是复合词语，加入复合词语集合CW＝CW∪s

Hl(s)>tHr(s)>tMIs>MImin---(1)]]>

其中：