[发明专利]一种基于Web信息的本体概念属性学习方法

权利要求书

1.种基于Web信息的本体概念属性学习方法，其特征在于，包括如下步骤：

(1)词汇-句法模式集的构建：

根据已有的基本语言模式集，利用词汇-语义模式构建并合并表示包含关系的动词形式扩充模式集，最终建立表达概念属性的模式集，作为候选概念属性抽取算法输入的一部分；

(2)候选概念属性库的构建：

以Google搜素引擎作为Web数据来源，首先构建语言模式集，作为Google的查询输入，提取对应的网页查询片段集合和源网址URL集合；然后根据查询得到的网页片段，根据词频统计获得候选属性词，经过筛选就得到候选概念属性词集；

(3)文本集的构建：

根据候选词库中的属性词，保留其对应的源网址URL并进行网页提取；对提取的网页文档集合，采用Apache的开源工具OpenNLP作文本预处理，用OpenNLP作词性标注；

(4)LDA修剪合并概念属性集：

根据输入的文本集，结合Gibbs抽样参数估计的结果，运行LDA模型；根据LDA模型多次迭代的提取结果修剪和合并候选概念属性词库，得到最终的概念属性集合。

2.如权利要求1所述的基于Web信息的本体概念属性学习方法，其特征在于，所述步骤(2)中具体包括：

1)根据模式集P中的每个模式p_i，分别在Google中执行每个查询p_i；

2)对每个查询p_i返回的总查询结果页数N中的每个n，如果查询结果包含在<em></em>标签中，则提取相应的网页片段S_i和提取对应的源网址U_i，直到模式集P都查询完成；

3)网页片段集中的每个片段S_i，作词频统计C_wi和剔除非名词W_n。

3.如权利要求1所述的基于Web信息的本体概念属性学习方法，其特征在于，所述步骤(3)中具体包括：

1)对URL集中的每个U_i，提取对应的网页内容存为文档d_i；

2)对文档集D中的每个文档d_i，用OpenNLP作预处理；

3)如果w_i的词性为NN/NNS/NNP/NNPS，提取词w_i，直到处理完文档集D。

4.如权利要求1所述的基于Web信息的本体概念属性学习方法，其特征在于，所述步骤(4)中具体包括：

1)在主题层，对主题词集T中的每个主题词z，抽取混合参数

2)在文档层，对文档集D中的每篇文档d，抽取混合参数和从泊松分布中抽取一个值作为文档长度，即每篇文档的长度N_d∶Poiss(ξ)；

3)在2)条件下的词层，对文档d中词集N_d中的每个词n，抽取主题和抽取术语词

4)不断重复步骤1)、2)、3)三个步骤构成随机生成过程，直到把D篇文档全部遍历。