[发明专利]一种农业领域本体自适应学习建模方法

说明书

技术领域

本发明涉及农业语义网络与知识网格领域，公开了一种根据农业领域知识的变化，通过优化本体学习规则的农业领域本体自适应学习建模方法。

背景技术

随着语义网的提出和发展，支持数据、信息与知识的交换、共享和复用已经成为当今的信息系统要迫切面临的任务之一。本体的构建使得领域知识的共享和重用成为可能，它是用于描述或表达某一领域知识或者更大范围的一组概念或术语。目前，多数人认同的本体定义是Gruber提出的“本体是共享概念化的明确的形式化的规范”。基于特定的应用领域的规模或试点的抽象级别，可把本体论分成四种：元级本体、通用本体、领域本体和应用本体农业本体属于领域本体的范畴。按照联合国粮农组织（FAO）的定义，农业本体是一个包含农业术语、定义以及术语间规范关系说明的体系。茶学作为农业科学的一个重要分支，因此构建概念清晰，逻辑结构正确的农业领域本体，可以为茶学知识服务更好数据支持，实现农业领域知识的交换、共享和复用。

我们在构建农业本体的过程中，深刻体会到手工构建领域本体是一项复杂费时的工作。针对手工构建本体出现的种种困难，人们开始进行自动或半自动构建本体技术。而本体学习(Ontology Learning)正是自动或半自动构建本体的一系列方法和技术，它通过利用各种数据源以自动或半自动方式新建或扩充改编已有本体，由此构建一个新本体，为本体的大规模构建和应用指明了方向。本体学习的出现有效解决了完全手工方式构建本体的耗时、费力，易出现倾向性错误并且难于做到及时动态更新等缺点。在过去十年里，出现了许多本体构建工具，这些工具提供了友好的图形化界面和一致性检查机制。借助这些工具，用户可以把精力集中在本体内容的组织上，而不必了解本体描述语言的细节，而且避免了很多错误的发生，方便了本体的构建。但是，这些工具提供的仅仅是本体编辑功能，支持的仍然是手工构建本体的方式，由于手工方法费时、费力，使得本体的构建成为一项艰巨的任务。

本体学习无论是在减少人力消耗上，还是在提高本体构建的质量上，对本体建模理论的研究都具有极大的推动作用。在本体学习过程中，农业知识语料库里的信息,尤其WWW，是在持续增长并不断变化的，为了使所建本体更加合理，需要在自动或半自动构建本体时，根据相关领域知识的变化，实时地对本体学习规则进行优化。

发明内容

本发明在利用本体学习构建农业领域本体的过程中，根据相关数据源的变动、本体服务的需求，以及对已建本体的评估，构建基于多Agent的本体学习自适应调整的决策系统，对本体学习规则库进行不断地改进，以适应外界环境的变化，更好地构建本体。

一种农业领域本体自适应学习建模方法，使用多Agent技术集成预处理Agent、概念自适应提取Agent、概念间分类关系自适应提取Agent、概念间非分类关系提取Agent和自适应Agent。

预处理Agent采用逆向最大匹配算法进行分词预处理。

概念提取Agent在预处理后，采用互信息技术、右上下文依赖分析、领域相关性判断提取农业领域概念。

概念间分类关系提取Agent，在概念提取后，采用层次聚类的方法提取农业领域概念间分类关系。

概念间非分类关系提取Agent，在概念提取后，采用基于关联规则的方法提取农业领域概念间非分类关系。

调整概念提取Agent的自适应Agent通过计算已提取概念的准确率和召回率，结合贝叶斯网络逆向推理，确定需要调整阈值的环节，进行阈值调整。

调整概念间分类关系提取Agent的自适应Agent通过计算已提取概念间分类关系的熵和纯度，结合贝叶斯网络逆向推理，确定需要调整阈值的环节，进行阈值调整。

概念提取Agent使用改进的合成词提取算法进行合成词提取，然后通过领域相关性判断，实现农业领域概念的自适应提取。

概念间分类关系的提取Agent采用概念聚类和簇聚类的层次聚类方法实现农业领域概念间分类关系的提取。

概念间非分类关系提取Agent采用基于关联规则的方法，通过计算支持度和置信度判断概念间是否存在关系。