基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法
【專利摘要】基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，本發(fā)明涉及數(shù)據(jù)空間建模方法。本發(fā)明的目的是為了解決現(xiàn)有方法存在以下缺陷：1)上下文感知性較弱；2)語義關(guān)系表達(dá)能力弱；3)語義關(guān)聯(lián)推理能力弱。通過以下技術(shù)方案實現(xiàn)的：步驟一、構(gòu)建一種半結(jié)構(gòu)化圖模型，稱之為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN；步驟二、根據(jù)上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN表示上下文感知的解釋對象；步驟三、根據(jù)上下文感知的解釋對象得出上下文感知的基本語義關(guān)聯(lián)和復(fù)雜多元語義關(guān)聯(lián)；步驟四、根據(jù)上下文感知的基本語義關(guān)聯(lián)和復(fù)雜多元語義關(guān)聯(lián)得出語義關(guān)聯(lián)推理規(guī)則。本發(fā)明應(yīng)用于數(shù)據(jù)空間建模領(lǐng)域。
【專利說明】
基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明設(shè)及數(shù)據(jù)空間建模方法。
【背景技術(shù)】
[0002] 數(shù)據(jù)管理是數(shù)據(jù)庫社區(qū)的一個重要的長期目標(biāo)。然而，管理多樣化數(shù)據(jù)的需求隨 著時間和應(yīng)用不斷發(fā)生變化。目前，在越來越多的數(shù)據(jù)管理場景中（如企業(yè)與政府?dāng)?shù)據(jù)管 理、數(shù)字圖書館、個人信息管理W及科學(xué)數(shù)據(jù)管理等），數(shù)據(jù)源呈現(xiàn)高度異構(gòu)且松散關(guān)聯(lián)特 點。由于不同數(shù)據(jù)源中結(jié)構(gòu)化、半結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)相互影響、相互作用，因此，W-種 便捷的、集成的W及可指導(dǎo)的方式管理運(yùn)些數(shù)據(jù)已經(jīng)成為一項重大的挑戰(zhàn)性任務(wù)。為此，數(shù) 據(jù)空間W-種愿景的方式被提出，并作為一種新的數(shù)據(jù)管理抽象。它倡導(dǎo)W增量、pay-as- you-go 方式數(shù)據(jù)集成并且能夠?qū)?多)個實體之間的任意關(guān)系進(jìn)行建模。目前，數(shù)據(jù)空間 建模是數(shù)據(jù)空間中最重大挑戰(zhàn)之一。因此提出一種能夠良好地表示異構(gòu)、相互關(guān)聯(lián)的數(shù)據(jù) 源的通用模型具有重要意義。目前，在數(shù)據(jù)空間社區(qū)中，已有的數(shù)據(jù)空間模型研究工作可W 劃分為兩類:采用重構(gòu)式思想或者分解式思想。前者把數(shù)據(jù)源中結(jié)構(gòu)化、半結(jié)構(gòu)化及非結(jié)構(gòu) 化信息塊封裝在一起，如iDM模型、1曲M模型、解釋對象模型（IOM)等，而后者則把數(shù)據(jù)源分 解為一系列單元，即最小的信息塊，如S元組數(shù)據(jù)模型(TDM)等。然而，運(yùn)兩類方法都過分強(qiáng) 調(diào)異構(gòu)數(shù)據(jù)源的表示，卻忽略W下方面：1)上下文感知信息表示。例如，在不同上下文條件 下，呈現(xiàn)不同刻面的實體信息與語義關(guān)聯(lián);2)復(fù)雜語義關(guān)系表示。例如，設(shè)及上下文依賴和 多數(shù)據(jù)源的語義關(guān)系;3)語義關(guān)聯(lián)推理。例如，支持從已有語義關(guān)系派生出隱含語義關(guān)系的 推理規(guī)則。為了便于理解，本小節(jié)通過一個案例研究闡述傳統(tǒng)的IOM模型的缺陷，并引出本 文的研究問題。與傳統(tǒng)數(shù)據(jù)管理不同的是，數(shù)據(jù)空間具有W下特征：1)異構(gòu)性和普遍性。數(shù) 據(jù)空間包含大量的、多樣化數(shù)據(jù)源，如文件、數(shù)據(jù)庫、Emails及網(wǎng)頁等。并且運(yùn)些數(shù)據(jù)源存儲 在各個地方，如個人計算機(jī)、企業(yè)與政府?dāng)?shù)據(jù)中屯、、電話等;2)上下文感知特性。在本文中， 實體(或?qū)ο?是最小的數(shù)據(jù)單元。在不同的上下文(如，時間上下文），實體信息和實體間的 語義關(guān)聯(lián)往往呈現(xiàn)不同的刻面。例如，W學(xué)術(shù)領(lǐng)域為例，在不同的時期，實體"Xin Luna Dong"撰寫得所有論文可能出現(xiàn)不同形式的名字（如，2008年之前為"Xin Dong" ,2011至 2013年期間為氣111 Luna Dong" ) ;3)語義關(guān)系的復(fù)雜性。傳統(tǒng)上，實體類級別關(guān)系的語義是 非常弱的。在數(shù)據(jù)空間中，由于關(guān)系是在實體級別構(gòu)建且一個關(guān)系可能設(shè)及到兩個或多個 實體，因此語義關(guān)系變得更加復(fù)雜。例如，上下文約束、順序約束、聚合約束及屬性約束等因 素可能進(jìn)一步增加數(shù)據(jù)空間語義關(guān)系的復(fù)雜性。4)語義關(guān)聯(lián)推理。除了直接關(guān)聯(lián)外，還存 在大量隱含關(guān)聯(lián)，運(yùn)些關(guān)聯(lián)往往從常識或隱含規(guī)則中派生出來。注意，本章中后面將交互使 用"語義關(guān)聯(lián)"和"語義關(guān)系"?；诖?，我們將使用一個案例研究來說明目前數(shù)據(jù)空間建模 中最先進(jìn)方法IOM缺陷所導(dǎo)致的一些問題。假定在下面的案例研究中，我們期望表達(dá)關(guān)于發(fā) 表過程中的知識或者關(guān)系。
[0003] 實體^in Luna Dong" (2011-2013)，其導(dǎo)師為Alon.Y.化levy且2001 至2007年期 間在University of Washington上學(xué)。在2006年11月19日前，她撰寫了一篇名叫"Indexing dataspace"的稿件，其中稿件的內(nèi)容是"Dataspace are col Iect ions…"且稿件中合作者 之一^in Dong"是她的名字。在2007年2月19日前，稿件被A址ai Doan(評審人名字是假定 的）評審并被要求小幅修改（注意：假定修改后內(nèi)容為"Dataspace are large col lections，）。之后，稿件被SIGMOD'07會議接收，因此^in Dong"被邀請出席該會議。 圖1展示了當(dāng)前最先進(jìn)模型（IOM模型）對應(yīng)的數(shù)據(jù)空間表示。具體來說，Person、 Conference ,Manuscript及University表示為實體或者解釋對象，它封裝了元數(shù)據(jù)信息和 數(shù)據(jù)信息。實體間的語義關(guān)聯(lián)通過含標(biāo)簽的有向邊表示，如authorOf ,reviewerOf ,and supervisorOf。注意，針對單個實體來說，其屬性可能有多值，例如，實體^in Luna Dong" 的屬性Name有兩個值（即^in 0〇叫"和^in Luna Dong")。此外，圖I中一些信息沒有列出 來，如，實體"Index化化space"內(nèi)容的兩個變體。從圖1中我們可能觀察到：已有的數(shù)據(jù)空 間建模工作主要側(cè)重于異構(gòu)實體(對象）的表示并且把實體看作為一等公民，然而，運(yùn)些方 法具有W下缺陷：1)上下文感知性較弱。圖中方法確實能夠統(tǒng)一地表示不同數(shù)據(jù)源中的結(jié) 構(gòu)化、半結(jié)構(gòu)化及非結(jié)構(gòu)化信息，但不適于表示多維信息，即不同上下文下呈現(xiàn)的不同刻 面。例如，對實體氣1]1 Luna Dong",其屬性Name有兩個值r'Xin 0〇叫"和氣;[]1 Luna Dong") 且在任何時候是共存的、等價的，但是運(yùn)種刻面信息(如，兩個值)依賴于不同的上下文，即， ^in Dong"在2008年出現(xiàn)，而^in Luna Dong"在2011年至2013年出現(xiàn);2)語義關(guān)系表達(dá)能 力弱。從圖1中可知，語義關(guān)系是一種用于連接兩個實體的二元關(guān)系且由文本標(biāo)簽表示，然 而，現(xiàn)實世界中語義關(guān)系更加復(fù)雜，因為簡單語義關(guān)系并不總是常態(tài)而且可能設(shè)及多個實 體。例如，圖壞能反映案例研究中"發(fā)表過程"語義關(guān)系的整體語義;3)傳統(tǒng)方法只能掲示 直接關(guān)聯(lián)而無法支持語義關(guān)聯(lián)推理，如在實體Alon.Y.化levy、XinLunaDong、University of Washington中只存在兩種語義關(guān)聯(lián)sup ervisorOf and StudyIn，然而，在 Alon.Y.化levy和University of Washington可能存在facultyOf語義關(guān)聯(lián)。導(dǎo)致對關(guān)鍵詞 和語義關(guān)系的查詢準(zhǔn)確率低W及對關(guān)鍵詞查詢的平均響應(yīng)時間長。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了解決現(xiàn)有方法對關(guān)鍵詞和語義關(guān)系的查詢準(zhǔn)確率低W及對 關(guān)鍵詞查詢的平均響應(yīng)時間長的問題;而提出基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間 建模方法。
[0005] 上述的發(fā)明目的是通過W下技術(shù)方案實現(xiàn)的：
[0006] 步驟一、構(gòu)建一種半結(jié)構(gòu)化圖模型，稱之為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型 C0SAN;步驟二、根據(jù)上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN表示上下文感知的解釋對 象;步驟=、根據(jù)上下文感知的解釋對象得出上下文感知的基本語義關(guān)聯(lián)和復(fù)雜多元語義 關(guān)聯(lián);步驟四、根據(jù)上下文感知的基本語義關(guān)聯(lián)和復(fù)雜多元語義關(guān)聯(lián)得出語義關(guān)聯(lián)推理規(guī) 則。
[0007] 發(fā)明效果
[000引本發(fā)明在傳統(tǒng)的解釋對象模型（IOM)研究基礎(chǔ)上，提出了一種改進(jìn)的圖模型，即上 下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型（簡稱C0SAN)。首先，W案例研究的形式展示傳統(tǒng)IOM模 型的缺陷，從而引出本發(fā)明研究動機(jī);接著，引入上下文因素，把上下文信息與數(shù)據(jù)源的結(jié) 構(gòu)化信息、半結(jié)構(gòu)化信息及非結(jié)構(gòu)化信息統(tǒng)一封裝成上下文感知的解釋對象，從而表達(dá)上 下文感知的異構(gòu)信息;然后，通過一組約束組件(如上下文約束、順序約束和聚合約束等)擴(kuò) 展傳統(tǒng)的二元語義關(guān)系，從而表達(dá)復(fù)雜語義關(guān)系;此外，引入一組推理規(guī)則，W便可W從已 有的語義關(guān)系派生出隱含的語義關(guān)系。最后，通過在公開數(shù)據(jù)集DBLP上進(jìn)行了實驗，實驗驗 證了所提出的模型的有效性和可行性。使關(guān)鍵詞和語義關(guān)系的查詢準(zhǔn)確率高W及對關(guān)鍵詞 查詢的平均響應(yīng)時間短;如圖5所示，當(dāng)關(guān)鍵詞為Q2時，IOM方法平均準(zhǔn)確率為0.78,本發(fā)明 COSAN方法平均準(zhǔn)確率為0.92;關(guān)鍵詞的查詢準(zhǔn)確率提高了 18%，當(dāng)關(guān)鍵字為Q5時，IOM方法 平均準(zhǔn)確率為0.5，本發(fā)明COSAN方法平均準(zhǔn)確率為0.7;關(guān)鍵詞的查詢準(zhǔn)確率提高了40 % ; 如圖6所示，當(dāng)語義關(guān)系查詢?yōu)镽l時，IOM方法平均準(zhǔn)確率為0.83，本發(fā)明COSAN方法平均準(zhǔn) 確率為0.88;語義關(guān)系的查詢準(zhǔn)確率提高了6% ;當(dāng)語義關(guān)系查詢?yōu)镽3時，IOM方法平均準(zhǔn)確 率為0.56，本發(fā)明COSAN方法平均準(zhǔn)確率為0.76;語義關(guān)系的查詢準(zhǔn)確率提高了36% ;如圖 10所示，關(guān)鍵字查詢?yōu)镼2時，IOM方法的平均響應(yīng)時間為313，本發(fā)明COSAN方法的平均響應(yīng) 時間為286;對關(guān)鍵詞查詢的平均響應(yīng)時間縮短了27ms;當(dāng)關(guān)鍵字查詢?yōu)镼5時，IOM方法的平 均響應(yīng)時間為1040，本發(fā)明COSAN方法的平均響應(yīng)時間為850;對關(guān)鍵詞查詢的平均響應(yīng)時 間縮短了 190ms;
[0009] 為解決上面提到的問題或挑戰(zhàn)，本發(fā)明提出了一種半結(jié)構(gòu)化的圖模型，稱之為 COSA飾莫型。在我們的模型中，主要考慮如下：
[0010] (1).不僅考慮結(jié)構(gòu)化、半結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)統(tǒng)一表示，還應(yīng)考慮上下文影響， 此外，當(dāng)表達(dá)簡單的二元語義關(guān)聯(lián)時，也應(yīng)考慮上下文，使上下文感知性強(qiáng)。
[0011] (2).傳統(tǒng)的數(shù)據(jù)空間模型過分強(qiáng)調(diào)實體表示，忽略了實體間復(fù)雜語義關(guān)系表示。 具體來說，本章通過一組約束集合進(jìn)行形式化表示，運(yùn)些約束集合表達(dá)了約束信息的不同 方面，從而掲示整體語義。此外，本章通過引入上下文、置信度之類的組件擴(kuò)展傳統(tǒng)二元語 義關(guān)聯(lián)的概念，使復(fù)雜語義關(guān)系表達(dá)能力更強(qiáng)；
[0012] (3).引入一組規(guī)則來支持語義關(guān)聯(lián)推理。即，利用一些預(yù)定義的規(guī)則，我們可W從 直接語義關(guān)聯(lián)中派生出更豐富、隱含的語義關(guān)聯(lián)，從而支持實體關(guān)聯(lián)網(wǎng)絡(luò)的不斷演化，具有 更強(qiáng)的語義推理能力。
[OOU]與已有的圖模型（如iDM，TDM和I0M)不同的是，本模型不僅強(qiáng)調(diào)現(xiàn)實世界實體的表 示，還強(qiáng)調(diào)邏輯實體(復(fù)雜多元語義關(guān)系）的表示。此外，通過引入推理規(guī)則的概念，語義關(guān) 聯(lián)本質(zhì)上是動態(tài)的。
[0014] 如圖5所示進(jìn)行上下文對效果的影響時，關(guān)鍵字為Q2時，IOM方法平均準(zhǔn)確率為 0.78，本發(fā)明COSAN方法平均準(zhǔn)確率為0.92;關(guān)鍵字為Q3時，IOM方法平均準(zhǔn)確率為0.72，本 發(fā)明COSAN方法平均準(zhǔn)確率為0.88 ;關(guān)鍵字為Q4時，IOM方法平均準(zhǔn)確率為0.65，本發(fā)明 COSAN方法平均準(zhǔn)確率為0.78;關(guān)鍵字為Q5時，IOM方法平均準(zhǔn)確率為0.5，本發(fā)明COSAN方法 平均準(zhǔn)確率為0.7;從圖5可知，COSA飾莫型效果明顯優(yōu)于IOM模型，運(yùn)是因為前者能夠很好地 表示上下文感知的對象W及上下文感知的語義關(guān)系，從而使得命中的節(jié)點、語義關(guān)聯(lián)更準(zhǔn) 確。另外，圖中可W觀察到一個有趣現(xiàn)象，當(dāng)查詢中關(guān)鍵詞個數(shù)比較大(如Q5)，其準(zhǔn)確率增 益更加明顯。
[0015] 如圖6所示進(jìn)行不同復(fù)雜度的語義關(guān)系對效果的影響時，語義關(guān)系查詢?yōu)镽l時， IOM方法平均準(zhǔn)確率為0.83，本發(fā)明COSAN方法平均準(zhǔn)確率為0.88;語義關(guān)系查詢?yōu)镽2時， IOM方法平均準(zhǔn)確率為0.62，本發(fā)明COSAN方法平均準(zhǔn)確率為0.84;語義關(guān)系查詢?yōu)镽3時， IOM方法平均準(zhǔn)確率為O . 56，本發(fā)明COSAN方法平均準(zhǔn)確率為0.76;圖6中第一列表明，對于 基本的二元語義關(guān)系，本模型平均準(zhǔn)確率略優(yōu)于I0M，然而，對于復(fù)雜度更高的語義查詢來 說（如R2，R3)，本模型顯著優(yōu)于基準(zhǔn)模型I0M，運(yùn)主要是由于本模型對多元復(fù)雜語義關(guān)系具 有強(qiáng)力的表達(dá)力，而IOM模型只能表達(dá)簡單的二元語義關(guān)系。
[0016] 如圖7所示進(jìn)行語義關(guān)聯(lián)推理對效果的影響時，關(guān)鍵字查詢?yōu)镼2時，IOM方法平均 準(zhǔn)確率為0.78，本發(fā)明COSAN方法平均準(zhǔn)確率為0.89;關(guān)鍵字查詢?yōu)镼3時，IOM方法平均準(zhǔn)確 率為0.72，本發(fā)明COSAN方法平均準(zhǔn)確率為0.84;關(guān)鍵字查詢?yōu)镼4時，IOM方法平均準(zhǔn)確率 為0.65，本發(fā)明COSAN方法平均準(zhǔn)確率為0.72;關(guān)鍵字查詢?yōu)镼5時，IOM方法平均準(zhǔn)確率為 0.5，本發(fā)明COSAN方法平均準(zhǔn)確率為0.65;從圖7可知，COSAN模型效果明顯優(yōu)于IOM模型，運(yùn) 是因為前者能夠很好地支持語義關(guān)聯(lián)推理，從而豐富實體間的語義關(guān)系。在某種意義上，減 少元組連接樹中一些不必要的邊和節(jié)點，可W使得應(yīng)答更加緊湊。
[0017] 如圖8所示進(jìn)行上下文對效率的影響時，關(guān)鍵字查詢?yōu)镼2時，IOM方法的平均響應(yīng) 時間為313，本發(fā)明COSAN方法的平均響應(yīng)時間為253;關(guān)鍵字查詢?yōu)镼3時，IOM方法的平均響 應(yīng)時間為509，本發(fā)明COSAN方法的平均響應(yīng)時間為348;關(guān)鍵字查詢?yōu)镼4時，IOM方法的平均 響應(yīng)時間為811，本發(fā)明COSAN方法的平均響應(yīng)時間為567;關(guān)鍵字查詢?yōu)镼5時，IOM方法的平 均響應(yīng)時間為1040，本發(fā)明COSAN方法的平均響應(yīng)時間為843;從圖8可知，COSAN模型對應(yīng)的 查詢性能明顯優(yōu)于IOM模型，運(yùn)是因為前者的上下文感知能力強(qiáng)，從而在查詢處理時能夠取 得更好的剪枝效果(比如剪枝掉不相關(guān)的實體和語義關(guān)系），進(jìn)一步較大地降低查詢響應(yīng)時 間。
[0018] 如圖9所示進(jìn)行不同復(fù)雜度的語義關(guān)系對效果的影響時，語義關(guān)系查詢?yōu)镽2時， IOM方法的平均響應(yīng)時間為413,本發(fā)明COSAN方法的平均響應(yīng)時間為386;語義關(guān)系查詢?yōu)?R3時，IOM方法的平均響應(yīng)時間為659，本發(fā)明COSAN方法的平均響應(yīng)時間為486;語義關(guān)系查 詢?yōu)镽5時，IOM方法的平均響應(yīng)時間為981，本發(fā)明COSAN方法的平均響應(yīng)時間為667;從圖9 可知，對于基本的二元語義關(guān)系（如列R2)，查詢響應(yīng)時間差不多，但是，隨著語義關(guān)系查詢 的復(fù)雜度增加，本模型對應(yīng)的性能顯著優(yōu)于I0M，即查詢響應(yīng)時間明顯降低，運(yùn)是由于本模 型具有強(qiáng)力的多元復(fù)雜語義關(guān)系表達(dá)能力，使得查詢過程中大大減少復(fù)雜語義關(guān)系匹配的 判斷代價，從而大幅降低了查詢響應(yīng)時間。
[0019] 如圖10所示進(jìn)行上下文對效率的影響時，關(guān)鍵字查詢?yōu)镼2時，IOM方法的平均響應(yīng) 時間為313，本發(fā)明COSAN方法的平均響應(yīng)時間為286;關(guān)鍵字查詢?yōu)镼3時，IOM方法的平均響 應(yīng)時間為509，本發(fā)明COSAN方法的平均響應(yīng)時間為423;關(guān)鍵字查詢?yōu)镼4時，IOM方法的平均 響應(yīng)時間為811，本發(fā)明COSAN方法的平均響應(yīng)時間為617;關(guān)鍵字查詢?yōu)镼5時，IOM方法的平 均響應(yīng)時間為1040，本發(fā)明COSAN方法的平均響應(yīng)時間為850;從圖10可知，COSAN模型對應(yīng) 的查詢響應(yīng)時間明顯少于IOM模型，運(yùn)是因為本模型具有語義關(guān)系推理能力，一旦添加新的 語義推理規(guī)則，就能夠自適應(yīng)地派生出更多豐富的語義關(guān)系，從而查詢中可W減少不必要 的節(jié)點和邊的遍歷，進(jìn)而降低查詢響應(yīng)時間。
[0020] 從圖5至圖10可得出本發(fā)明COSAN方法準(zhǔn)確率與響應(yīng)時間明與現(xiàn)有IOM方法。
【附圖說明】
[0021 ] 圖1為采用IOM模型表示的數(shù)據(jù)空間例子示意圖，publishedln為發(fā)表在，attend為 出席、參加，Index Dataspace為指數(shù)數(shù)據(jù)空間，authorOf為作者，reviewerOf為評審人， StudyIn為在哪里學(xué)習(xí)，supervisorOf為導(dǎo)師；圖2為上下文感知的異構(gòu)數(shù)據(jù)空間表示圖，曰1 為文章1〇號向為會議10號前、化、口3為人1〇號，111為大學(xué)10號，￡^為第一個上下文感知的基 本語義關(guān)聯(lián)，ef為第二個上下文感知的基本語義關(guān)聯(lián)，ef為第=個上下文感知的基本語義關(guān) 聯(lián)，每為第四個上下文感知的基本語義關(guān)聯(lián)，《為第五個上下文感知的基本語義關(guān)聯(lián)，苗為 第六個上下文感知的基本語義關(guān)聯(lián)；圖3為數(shù)據(jù)空間語義關(guān)系表示數(shù)據(jù)空間示意圖，e:為第 一個復(fù)雜語義關(guān)聯(lián)，這為第二個復(fù)雜語義關(guān)聯(lián)，6^為第S個復(fù)雜語義關(guān)聯(lián);圖4為COSAN模型 表示的數(shù)據(jù)空間例子數(shù)據(jù)空間示意圖，為第屯個上下文感知的基本語義關(guān)聯(lián);圖5為上下 文對效果的影響示意圖，IOM為解釋對象模型，COSAN為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模 型，Q2表示2個關(guān)鍵詞，Q3表示3個關(guān)鍵詞，Q4表示4個關(guān)鍵詞，Q5表示5個關(guān)鍵詞；圖6為不同 復(fù)雜度的語義關(guān)系對效果的影響示意圖，R2表示二元關(guān)系，N= 2; R3表示=元關(guān)系，N = 3; R5 表示五元關(guān)系，N=5;圖7為語義關(guān)聯(lián)推理對效果的影響示意圖；圖8為上下文對效率的影響 示意圖；圖9為不同復(fù)雜度的語義關(guān)系對效率的影響示意圖；圖10為語義推理對效率的影響 示意圖；圖11為本發(fā)明流程圖。
【具體實施方式】
【具體實施方式】 [0022] 一：結(jié)合圖11說明本實施方式，本實施方式的基于上下文感知和復(fù) 雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，具體是按照W下步驟制備的：
[0023] 步驟一、構(gòu)建一種半結(jié)構(gòu)化圖模型，稱之為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型 C0SAN;步驟二、根據(jù)上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN表示上下文感知的解釋對 象;步驟=、根據(jù)上下文感知的解釋對象得出上下文感知的基本語義關(guān)聯(lián)和復(fù)雜多元語義 關(guān)聯(lián);步驟四、根據(jù)上下文感知的基本語義關(guān)聯(lián)和復(fù)雜多元語義關(guān)聯(lián)得出語義關(guān)聯(lián)推理規(guī) 則。
[0024] 我們首先提出了一種半結(jié)構(gòu)化圖模型，稱之為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模 型C0SAN，然后分別詳細(xì)描述了如何表示上下文感知的異構(gòu)數(shù)據(jù)和復(fù)雜語義關(guān)系，最后描述 了如何支持語義關(guān)聯(lián)推理。
【具體實施方式】 [0025] 二:本實施方式與一不同的是:所述步驟一中構(gòu)建一 種半結(jié)構(gòu)化圖模型，稱之為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型C0SAN;具體過程為：
[0026] 為解決上面提到的問題或挑戰(zhàn)，本小節(jié)提出了一種半結(jié)構(gòu)化的圖模型，稱之為 COSA飾莫型。在我們的模型中，主要考慮如下：
[0027] (4).不僅考慮結(jié)構(gòu)化、半結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)統(tǒng)一表示，還應(yīng)考慮上下文影響。 此外，當(dāng)表達(dá)簡單的二元語義關(guān)聯(lián)時，也應(yīng)考慮上下文。
[0028] (5).傳統(tǒng)的數(shù)據(jù)空間模型過分強(qiáng)調(diào)實體表示，忽略了實體間復(fù)雜語義關(guān)系表示。 具體來說，本章通過一組約束集合進(jìn)行形式化表示，運(yùn)些約束集合表達(dá)了約束信息的不同 方面，從而掲示整體語義。此外，本章通過引入上下文、置信度之類的組件擴(kuò)展傳統(tǒng)二元語 義關(guān)聯(lián)的概念。
[0029] (6).引入一組規(guī)則來支持語義關(guān)聯(lián)推理。即，利用一些預(yù)定義的規(guī)則，我們可W從 直接語義關(guān)聯(lián)中派生出更豐富、隱含的語義關(guān)聯(lián)，從而支持實體關(guān)聯(lián)網(wǎng)絡(luò)的不斷演化。
[0030] 遵循上述思想，
[0031] 將上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN定義為一個含標(biāo)簽的有向圖（V，E, Rules),所述復(fù)雜語義關(guān)聯(lián)指N>3，N為語義節(jié)點的個數(shù);N = 2為上下文感知的基本語義關(guān) 聯(lián)；
[0032] 其中，V是語義節(jié)點集合;一個語義節(jié)點表示一個上下文感知的解釋對象0(對應(yīng)于 現(xiàn)實世界實體，見定義2.3)具體來說，一個語義節(jié)點是一個現(xiàn)實世界資源，如文本、圖像、視 頻、人W及大學(xué)等實體。；
[003引E=化Simple,Ec0mplex)是語義關(guān)聯(lián)集合；
[0034] 其中，Esimple表示上下文感知的基本語義關(guān)聯(lián)集合;一個上下文感知的基本語義關(guān) 聯(lián)esGEsi"pie(見定義2.4)是連接兩個語義節(jié)點的有向邊，它類似于簡單的二元語義關(guān)聯(lián)；
[0035] Ecomplex表示復(fù)雜語義關(guān)聯(lián)集合;一個復(fù)雜語義關(guān)聯(lián)ec G Ec〇mplex(見定義2.5 )是指設(shè) 及N個語義節(jié)點的復(fù)雜關(guān)系，N>3;
[0036] Rules是語義關(guān)聯(lián)推理規(guī)則。它支持從已有的關(guān)聯(lián)派生出更多隱含或間接的關(guān)聯(lián)。
[0037] 與已有的圖模型（如iDMJDM和I0M)不同的是，本模型不僅強(qiáng)調(diào)現(xiàn)實世界實體的表 示，還強(qiáng)調(diào)邏輯實體(復(fù)雜多元語義關(guān)系）的表示。此外，通過引入推理規(guī)則的概念，語義關(guān) 聯(lián)本質(zhì)上是動態(tài)的。
【具體實施方式】 [0038] =:本實施方式與一或二不同的是:所述步驟二中根 據(jù)上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN表示上下文感知的異構(gòu)數(shù)據(jù)和復(fù)雜語義關(guān) 系；具體過程為：
[0039] -、上下文感知的異構(gòu)數(shù)據(jù)表示
[0040] 本小節(jié)首先給出了一些定義，旨在形式化描述上下文感知的解釋對象;然后，使用 了一個示例演示了如何表示上下文感知的異構(gòu)數(shù)據(jù)。
[0041] 定義2.1上下文條件.
[0042] 一個上下文條件C為d Av,其中，
[0043] l)d是上下文條件C的維度名，例如，time;
[0044] 2)A 是一個操作符，如，=,聲，《，<,〉，>, in , not in , between , between+, between-,and between*;
[0045] 3)v是對應(yīng)維度d的一個值表達(dá)式，例如{b，. . .，e};
[0046] 假定:如果操作符為=或者聲，則V由單個上下文維度值組成；
[0047] 如果操作符為in or not in(在范圍內(nèi)或不在范圍內(nèi)），則v由一組線性離散的上 下文維度值組成；
[004引如果操作符為between,between-,between+,or between*，則x為V中一個元素，，其 中X分別滿足b《x《e，b<x《e，b《x<e，b<x<e;其中，b為v的最小值，e為v的最大值;Between 為; between-為b<x《e; between+為b《x<e; between*為b<x<e;將關(guān)鍵字 now 記為當(dāng) 前時間點；
[0049]如圖 2所示，下面是一些上下文條件：l)[time<2008] ;2)[time<now] ;3) [time between{6/ll/2007,6/14/2007]O
[0化0]令Cl, C2, . . .Cm為上下文條件，那么一個上下文條件集Cl由一組上下文條件組成； 形式化敘述為：
[0化1 ] 令i為正整數(shù)，如果Ve,: * #，:則上下文條件集表示為Cl = ，C2，. . . Cm]，否則，記為
[]，W表示上下文的全集;m取值為正整數(shù);1《i《m; Cl，C2，. . . Cm為上下文條件；
[0052] 注意，對C中任意兩個上下文條件，其維度名是不一樣的，為簡單起見，本文只討論 一個時間維度(time)的上下文。
[0053] 定義2.2屬性上的上下文感知刻面
[0054] 給定語義關(guān)系集合E的一個屬性Ak,屬性Ak上的上下文感知刻面AFk為：
[00對 ^巧=佑，巧），其中，Cl是第1個上下文條件集;F/是在上下文條件集Cl下屬性Ak的 值；
[0056] 如圖2例子所示，對于對象Pi的屬性name,有W下AFk: ([time<2008], 'Xin Dong'）， ([time between{2011,2013}],'Xin Luna Dong'）。運(yùn)表明了對象pi的屬性name在不同上 下文下有不同的刻面，也就是說，對于對象Pi，屬性name的值在2008年前為^in Dong"，而 在2011 至2013年為^in Luna Dong"。
[0057]在數(shù)據(jù)空間中，一個數(shù)據(jù)項（最小的信息單位)是一個信息塊，如文件、關(guān)系元組、 XML元素及像大學(xué)之類的抽象概念。之后，本章稱運(yùn)樣的數(shù)據(jù)項為實體或者對象。鐘鳴等人 提出的IOM模型僅僅對實體的結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化信息建模，并且平等地對待多值 屬性中的多個屬性值，然而實體的同一多值屬性往往在不同上下文下呈現(xiàn)不同的刻面，即 多個屬性值不應(yīng)該平等地對待。事實上，同一信息在不同時間存在不同變體的現(xiàn)象非常多。 受解釋對象模型啟發(fā)，本文從上下文角度進(jìn)一步擴(kuò)展解釋對象概念，形式化定義上下文感 知的解釋對象概念如下。
[005引定義2.3上下文感知的解釋對象.
[0059] -個上下文感知的解釋對象(CIO)是一個四元組（I，k，tK，xK)，其中，I是對象標(biāo)示 符;K是對象類名；Te是上下文感知元組{(Ak，AFk) }，其中Ak是實體E的第k個屬性，AFk是屬性 Ak的上下文感知刻面;xe是上下文感知內(nèi)容{(cl,Conti)}，其中Cl是第1個上下文條件集， Conti是在上下文Cl下的非結(jié)構(gòu)化內(nèi)容；
[0060] 例2.1:圖2、表2b、表2c展示了上下文感知解釋對象建模的數(shù)據(jù)空間例子。該圖是 數(shù)據(jù)空間的一個實例，它由案例研究中的示例數(shù)據(jù)組成，運(yùn)些數(shù)據(jù)表示為上下文感知的解 釋對象(如表2c)。
[0061 ]表2b為上下文感知的異構(gòu)數(shù)據(jù)關(guān)聯(lián)表，Rid為關(guān)系ID號，asso_name為名稱， S叩ervisorOf為導(dǎo)師，31：11(171]1為在哪里學(xué)習(xí)，日111:11〇1'0;1^為作者^6￥16￥〇;1^為評審人， publishedln為發(fā)表在，attend為出席、參加;表2c為上下文感知的異構(gòu)數(shù)據(jù)表示上下文感 知的解釋對象示意表，Oid為對象ID號，class為類別，person為人，a;rticle為文章， conference 為會議，uni vers ity 為大學(xué)，supervisor_study 為導(dǎo)處巧―學(xué)習(xí)，review-author 為 評審人-作者，publish_attend為出版-參加，，context-aware tuple為上下文感知的元組， context-aware content為上下文感知的內(nèi)容，NtXL為空集；
[0062]由于空間所限，圖2、表2b、表2c只展示了所有上下文感知解釋對象的部分信息。 例如，上下文感知的解釋對象Pi的上下文感知元組是(name, K[time<2008], 'Xin Dong'）， ([time between{2011，2013}2]，'Xin Luna Dong'）})。注意，本章省略了其它屬性的AFs， 與IOM模型相比，本章提出的方法不僅能夠統(tǒng)一地表示結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)， 還能夠表達(dá)同一對象的不同方面(結(jié)構(gòu)化、半結(jié)構(gòu)化與非結(jié)構(gòu)化塊)的上下文感知的刻面信 息。例如，對于上下文感知的解釋對象ai，它包含一個上下文感知元組(如，（title, {([time <now], ' Index dataspace '）}))和一個上下文感知的內(nèi)容（如，'（[time《11/19/2006], 'Dataspace are collections---'），（ [time>2/19/2007] ,'Dataspaces are large collections--- '）'）。
[0063] 此外，上下文感知的解釋對象的類名可能實現(xiàn)并不知道，但是類名將會隨著pay- as-you-go 集成逐漸獲得。事實上，識別同一現(xiàn)實世界對象 (有的文獻(xiàn)稱為實體消岐、實體解 析等)也是一個有趣的主題，但不是本文關(guān)注的焦點。在本章中，上下文感知的解釋對象與 實體概念交互使用。
[0064] 表2b關(guān)聯(lián)

【具體實施方式】 [0068] 四：本實施方式與=不同的是:所述步驟=中根據(jù)上
[00 化]
[0066]
[0067] 下文感知的解釋對象得出復(fù)雜語義關(guān)系;具體過程為：
[0069] 解決了上下文感知的異構(gòu)數(shù)據(jù)表示問題，接下來，本小節(jié)解決語義關(guān)系表示。首先 研究了最能影響語義關(guān)系復(fù)雜度的重要因素。然后提出了上下文感知的基本語義關(guān)聯(lián)和復(fù) 雜語義關(guān)系運(yùn)兩個形式化定義。前者通過考慮上下文因素擴(kuò)展傳統(tǒng)的二元語義關(guān)系，后者 通過考慮一組約束形式化表示復(fù)雜的多元語義關(guān)系。最后詳細(xì)地說明了新給出的定義。據(jù) 我們所知，數(shù)據(jù)空間社區(qū)中復(fù)雜語義關(guān)系表示的工作鮮有研究。
[0070] 為解決案例研究中提到的第二個問題，本章探討了最能影響語義關(guān)系復(fù)雜性的因 素。通常，影響語義關(guān)系復(fù)雜性的重要因素如下：
[0071] (1).上下文約束。傳統(tǒng)上，語義關(guān)系通過一個簡單的文本標(biāo)簽標(biāo)示，然而，運(yùn)種方 式呈現(xiàn)的語義相對簡單。事實上，語義關(guān)系只有在特定上下文下才變得有意義。例如，語義 關(guān)聯(lián)StudyIn只有在"2001年至2007年"上下文下才有效(見第2.2小節(jié)中的案例研究）。
[0072] (2).屬性約束。除了上下文約束，通常使用屬性約束的一些信息來描述語義關(guān)系 的語義。如置信度(用于度量語義關(guān)系的強(qiáng)度）。
[0073] (3).設(shè)及實體的數(shù)量。盡管兩個實體參與(或上下文感知的解釋對象）的語義關(guān)系 非常普遍，但在許多情況下，語義關(guān)系可能包含多個實體。例如，案例研究表明實體Pi、ci和 P3(見圖2、表化、表2c)的整體(如圖3、表3b、表3c中的el。)可能構(gòu)成一種新型語義關(guān)系并掲 示了學(xué)術(shù)領(lǐng)域中的多個實體^in Dong"中哪一個是符合要求的。
[0074] 表3b為數(shù)據(jù)空間語義關(guān)系表示上下文感知的基于語義關(guān)聯(lián)示意圖，confidence為 置信度;context為上下文;表3c為數(shù)據(jù)空間語義關(guān)系表示復(fù)雜多元語義關(guān)系示意圖，G為命 名圖，orderConstraints為順序約束，attributeConstrains為屬性約束，NtXL為空集；
[0075] 表3b上下文感知的基于語義關(guān)聯(lián)
[0076]
[0077] 表3c復(fù)雜多元語義關(guān)系
[007引
[0079] (4).順序約束。除了上述因素外，順序也是反映語義關(guān)系復(fù)雜性與豐富性的及其 重要因素。實際上，設(shè)及多個實體的復(fù)雜語義關(guān)系可能包含許多二元語義關(guān)聯(lián)，但是運(yùn)些關(guān) 聯(lián)可能W-定順序發(fā)生。例如，通過案例研究，我們可能發(fā)現(xiàn)一些關(guān)聯(lián)W某種順序發(fā)生(見 圖3、表3b、表3c)。
[0080] (5).聚合約束。高等級復(fù)雜語義關(guān)系往往由一些低等級復(fù)雜語義關(guān)系組成，其中 復(fù)雜語義關(guān)系本質(zhì)上可W看成帶約束條件的超圖。例如，復(fù)雜語義關(guān)系4(一種整體語義關(guān) 系）由幾個低等級的語義關(guān)系e:、苗和實體Cl組成(見圖3、表3b、表3c)。在本章中，復(fù)雜語 義關(guān)系等級的高低是指與包含的實體個數(shù)、約束限制強(qiáng)弱有關(guān)。通常，包含的實體個數(shù)越 多、約束限制越強(qiáng)，則該語義關(guān)系等級越高。此外，我們把復(fù)雜語義關(guān)系看成一個"虛擬"對 象，W突出語義關(guān)系與實體在數(shù)據(jù)空間模型的地位同等重要。
[0081] 基于上述因素，接下來形式化定義上下文感知的基本語義關(guān)聯(lián)和復(fù)雜多元語義關(guān) 系如下：
[0082] -、定義上下文感知的基本語義關(guān)聯(lián)；
[0083] 一個上下文感知的基本語義關(guān)聯(lián)為es= (Om, (namei, confidence ,context) ,On)，
[0084] 其中，Om或者On表示一個上下文感知的解釋對象;name I表示基本語義關(guān)聯(lián)es的名 稱;conf idence表示基本語義關(guān)聯(lián)Gs的強(qiáng)度;context表示基本語義關(guān)聯(lián)Gs的上下文條件集；
[0085] 表3b展示了上下文感知的基本語義關(guān)聯(lián)的表示形式。例如，對于關(guān)聯(lián)實體ai和實 體Pi的語義關(guān)系磅來說，，它表明了苗只在2009年11月19日前有意義且其置信度為0.9。注 意，圖3、表3b、表3c中列出的置信度值是假定已知的或者事先計算好的。關(guān)于語義關(guān)系的置 信度或重要性計算問題已經(jīng)有大量的研究。
[0086] 盡管上下文感知的基本語義關(guān)聯(lián)能夠很好地表示及擴(kuò)展傳統(tǒng)的二元語義關(guān)系，但 是它無法表達(dá)更復(fù)雜的語義關(guān)系。正如前面所述，本章主要關(guān)注于復(fù)雜語義關(guān)系的幾個方 面:多個實體、順序、聚合及描述性屬性。因此，我們形式化定義復(fù)雜多元語義關(guān)系如下：
[0087] 二、定義復(fù)雜多元語義關(guān)系；
[008引一個復(fù)雜多元語義關(guān)系定義為Gc= (name2，G,orde;r ,attr)，其中，name 2表示復(fù)雜 多元語義關(guān)系ec的名稱;G表示由上下文感知的解釋對象集{0}和語義關(guān)系集{e}組成的子 圖，其中語義關(guān)系集由上下文感知的基本語義關(guān)聯(lián)es或者復(fù)雜多元語義關(guān)系e'c組成，e'c> Ge ;上下文感知的解釋對象集由一個上下文感知的解釋對象Om或者On表示；
[0089] order表示G中的語義關(guān)系e發(fā)生順序，其中，表示語義關(guān)系ei的發(fā)生順序優(yōu) 先于語義關(guān)系62;
[0090] attr表示關(guān)于復(fù)雜多元語義關(guān)系Gg的一組屬性約束{(attrk, valuek)}，其中， attrk和valuek分別是ec的第k個屬性和第k個屬性對應(yīng)的值；
[0091] 如果復(fù)雜多元語義關(guān)系中多個es不存在順序關(guān)系，則組件order為空集;所述多個 為大于等于2個。
[0092] 在上面的定義中，復(fù)雜多元語義關(guān)系ec中組件G表明了復(fù)雜多元語義關(guān)系不僅設(shè) 及多個實體(解釋上下文感知的解釋對象)還可能聚合了多個低等級的復(fù)雜多元語義關(guān)系 e 'C或上下文感知的基本語義關(guān)聯(lián)es。直觀上，運(yùn)種思想類似于"關(guān)系中的關(guān)系"。注意，如果 復(fù)雜多元語義關(guān)系中多個es不存在順序關(guān)系，則組件化der為空集。
[0093] 例2.2.圖3、表3b、表3c展示了數(shù)據(jù)空間中語義關(guān)系表示的例子。具體來說，存在6 種上下文感知的基本語義關(guān)聯(lián)和巧巾復(fù)雜多元語義關(guān)系。例如，復(fù)雜多元語義關(guān)系可W通 過子圖G3和一組約束表達(dá)，其中G3由六個對象(如口1、口2、口3、(31、曰1和山)和；個語義關(guān)系組成， 其中包含兩個基本語義關(guān)聯(lián)(如苗和ef)和一個復(fù)雜多元語義關(guān)系(如這)組成，order是G3中 語義關(guān)系的一個順序序列，記為苗寺皆，attr包含一個屬性約束（如，這的置信度為 0.6)，此外，子圖G3表明為是由基本語義關(guān)系和低等級的復(fù)雜多元關(guān)系聚合而來。
【具體實施方式】 [0094] 五:本實施方式與一、二或四不同的是:所述步驟四中 根據(jù)上下文感知的解釋對象和復(fù)雜語義關(guān)系得出語義關(guān)聯(lián)推理規(guī)則;具體過程為:語義關(guān) 聯(lián)推理規(guī)則，具體如下：
[00M]在上下文感知的解釋對象和上下文感知的基本語義關(guān)聯(lián)的基礎(chǔ)上定義=個對象 類0 1，0 2和0 3，S種上下文感知的基本語義關(guān)聯(lián)
、
，分別記為e!["I，仍，Cl]、刮"2，仍，。和
[0096] 貝リ一個語義關(guān)聯(lián)推理規(guī)則定義為化/知.v:=神",，/,;;，(、|]>< (d"j，仇，(、|]二沖7;,/,^..，(-;」!.? 記為6,1 X ef 二 ef，其中PO = pri ? pr2且C3 = Cl n C2;
[0097] 其中，Ci、C2、C3為不同指條件集，ni、n2、n3為不同name減name 2，口1'1、口'2、口〇為不 同置信度，eN eN ?為N=2時不同的基本語義關(guān)系。
[0098] 語義關(guān)聯(lián)推理規(guī)則的直覺是:共享同一個語義節(jié)點(或者對象）的一些基本語義關(guān) 聯(lián)可能派生出新的語義關(guān)聯(lián)。在本章中，語義關(guān)聯(lián)推理規(guī)則是建立在上下文感知的基本語 義關(guān)聯(lián)基礎(chǔ)上的。運(yùn)意味著不同的上下文感知的基本語義關(guān)聯(lián)組合可能產(chǎn)生不同的語義關(guān) 聯(lián)推理規(guī)則。因此，語義關(guān)聯(lián)推理規(guī)則隨著應(yīng)用不同而不同并且是W某一概率產(chǎn)生的。另 夕h同一種基本語義關(guān)聯(lián)對于不同的對象對來說，其上下文也可能不同。因此，基于運(yùn)些語 義關(guān)聯(lián)推理規(guī)則，大量隱含的或者潛在的語義關(guān)聯(lián)可W從已有的語義關(guān)聯(lián)派生而來。
[0099] 例2.3.表4a、圖4、表4c、表4d、表4e展示了 COSAN模型的完整數(shù)據(jù)空間例子。具體來 說，表4a、圖4、表4c、表4d、表4e說明了案例研究中示例所對應(yīng)的COSAN完整表示的例子。例 如，通過利用學(xué)術(shù)領(lǐng)域中的啟發(fā)式推理規(guī)則，我們能夠派生出一種新的上下文感知的基本 語義關(guān)聯(lián)苗，它連接對象P3和ui，其中，它的關(guān)聯(lián)名為facultyOf，置信度為0.72,上下文為 "[time between{2001，2007}]"。另外，由于新的語義關(guān)聯(lián)產(chǎn)生，已有的復(fù)雜多元語義關(guān)系 可能發(fā)生變化，如表4e中關(guān)系e；；。注意，表4曰、圖4、表4c、表4d、表4e只展示了一個啟發(fā)式推 理規(guī)則。
[0100] 表4a為COSAN模型表示的數(shù)據(jù)空間例子啟發(fā)式推理規(guī)則示意圖，supervisorOf為 關(guān)系名，0.8為置信度；[time between{2001,2007}]為上下文;表4c為COSAN模型表示的數(shù) 據(jù)空間例子上下文感知的解釋對象示意圖，context-aware tuple為上下文感知的元組， context-aware content為上下文感知的內(nèi)容;表4d為COSAN模型表示的數(shù)據(jù)空間例子上下 文感知的基本語義關(guān)聯(lián)示意圖，facultyOf為作者;表4e為COSAN模型表示的數(shù)據(jù)空間例子 邏輯的上下文感知的解釋對象示意圖，supe;rviso;r_s^dy為主管研究；
[0101] 表4a啟發(fā)式推理規(guī)則
[0107]表4d上下文感知的基本語義關(guān)聯(lián)
[0102]
[0103]
[0104]
[0105]
[0106]
[010 引
[0109]
[0110] 1234567 【具體實施方式】六:本實施方式與【具體實施方式】=不同的是:所述步驟四中根據(jù)上 下文感知的解釋對象和復(fù)雜語義關(guān)系得出語義關(guān)聯(lián)推理規(guī)則;具體過程為:語義關(guān)聯(lián)推理 規(guī)則，具體如下： 2 在上下文感知的解釋對象和上下文感知的基本語義關(guān)聯(lián)的基礎(chǔ)上定義=個對象 類0 1，0 2和0 3，S種上下文感知的基本語義關(guān)聯(lián)
，
，分別記為進(jìn)巧，巧，C,]、刮/?2，奶,按2 ]和 4";，八;，(.、;]; 3 則一個語義關(guān)聯(lián)推理規(guī)則定義為胤/es =村",，p/;，Ci]x苗機(jī)，趴，Ci]^邱?3，巧，〔3]!， 記為。! X <，其中PO = pri ? pr2且C3 = Cl n C2; 4 其中，Ci、C2、C3為不同指條件集，ni、n2、n3為不同name減name 2，口1'1、口'2、口〇為不 同置信度，6：、這、這為N=2時不同的基本語義關(guān)系。 5 語義關(guān)聯(lián)推理規(guī)則的直覺是:共享同一個語義節(jié)點(或者對象）的一些基本語義關(guān) 6 聯(lián)可能派生出新的語義關(guān)聯(lián)。在本章中，語義關(guān)聯(lián)推理規(guī)則是建立在上下文感知的基本語 7 義關(guān)聯(lián)基礎(chǔ)上的。運(yùn)意味著不同的上下文感知的基本語義關(guān)聯(lián)組合可能產(chǎn)生不同的語義關(guān) 聯(lián)推理規(guī)則。因此，語義關(guān)聯(lián)推理規(guī)則隨著應(yīng)用不同而不同并且是W某一概率產(chǎn)生的。另 夕h同一種基本語義關(guān)聯(lián)對于不同的對象對來說，其上下文也可能不同。因此，基于運(yùn)些語 義關(guān)聯(lián)推理規(guī)則，大量隱含的或者潛在的語義關(guān)聯(lián)可W從已有的語義關(guān)聯(lián)派生而來。
[0116] 例2.3.表4a、圖4、表4c、表4d、表4e展示了COSAN模型的完整數(shù)據(jù)空間例子。具體來 說，表4a、圖4、表4c、表4d、表4e說明了案例研究中示例所對應(yīng)的COSAN完整表示的例子。例 如，通過利用學(xué)術(shù)領(lǐng)域中的啟發(fā)式推理規(guī)則，我們能夠派生出一種新的上下文感知的基本 語義關(guān)聯(lián)運(yùn)，它連接對象P3和Ui，其中，它的關(guān)聯(lián)名為facultyOf，置信度為0.72，上下文為 "[time between{2001，2007}]"。另外，由于新的語義關(guān)聯(lián)產(chǎn)生，已有的復(fù)雜多元語義關(guān)系 可能發(fā)生變化，如表4e中關(guān)系4進(jìn)意，表4曰、圖4、表4c、表4d、表4e只展示了一個啟發(fā)式推 理規(guī)則。
[0117] 表4a為COSAN模型表示的數(shù)據(jù)空間例子啟發(fā)式推理規(guī)則示意圖，supervisorOf為 關(guān)系名，0.8為置信度；[time between{2001,2007}]為上下文;表4c為COSAN模型表示的數(shù) 據(jù)空間例子上下文感知的解釋對象示意圖，context-aware tuple為上下文感知的元組， context-aware content為上下文感知的內(nèi)容;表4d為COSAN模型表示的數(shù)據(jù)空間例子上下 文感知的基本語義關(guān)聯(lián)示意圖，facultyOf為作者;表4e為COSAN模型表示的數(shù)據(jù)空間例子 邏輯的上下文感知的解釋對象示意圖，supe;rviso;r_s^dy為主管研究；
[0118] 表4a啟發(fā)式推理規(guī)則
[0119] 12 2
[0122]表4c上下文感知的解釋對象
[0123]
[0124]
[0125]
[0126] 表4e邏輯的上下文感知的解釋對象
[0127]
[0128] 采用W下實施例驗證本發(fā)明的有益效果：
[0129] 實施例一；
[0130] 本實施例基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法具體是按照W下 步驟制備的：
[0131] 本節(jié)首先介紹了實驗設(shè)置情況，然后從效果和效率兩方面評估本文模型COSAN與 基準(zhǔn)測試模型I0M。
[0132] 實驗設(shè)置
[0133] 本實驗使用來自2015年3月release版本的DBLP數(shù)據(jù)作為實驗所需的基本數(shù)據(jù)集， 下載地址為http: //化Ip . uni-hier. de/。抽取的實體類別包括論文、博±論文、作者，會 議、期刊、大學(xué)機(jī)構(gòu)，關(guān)系包括6種基本關(guān)系和2種復(fù)雜關(guān)系（復(fù)雜=元關(guān)系和復(fù)雜五元關(guān) 系）。在抽取過程中，有W下幾點需注意：（1)論文實體來自于i噸：roceedings記錄或者key鍵 W "journals"為前綴的Article記錄，博：t論文實體來自于地dthesiS記錄，作者實體來自 于WWW記錄或者author標(biāo)簽，會議實體來自于key鍵W "conf"為前綴的i噸；roceedings記錄 中的booktitie標(biāo)簽，期刊實體來自于journal標(biāo)簽或者key鍵W "journals"為前綴的 i叩roceedings記錄中的booktitle標(biāo)簽，大學(xué)機(jī)構(gòu)來自于school標(biāo)簽；（2)為滿足實驗要 求，本章利用year字段來作為上下文，并且只考慮作者實體(其它實體假定任何時間上下文 都成立)和語義關(guān)系的上下文；（3)2種復(fù)雜關(guān)系是3元語義關(guān)系和5元語義關(guān)系，其中=元語 義關(guān)系只設(shè)及作者、博±論文和大學(xué)機(jī)構(gòu)，而五元語義關(guān)系則設(shè)及作者、博±論文、大學(xué)機(jī) 構(gòu)、論文和會議。表2.1記錄了數(shù)據(jù)集的詳細(xì)信息。表2.2記錄了部分查詢樣例，其中前4個查 詢?yōu)楹瑫r間上下文的關(guān)鍵詞查詢樣例，后3個查詢?yōu)榍山碚Z義查詢樣例。
[0134] 表 2.1 DBLP 數(shù)據(jù)集
[0135] Table2.1 DBLP da化set
[0136]
[0137] 表2.2查詢樣例
[0138] Table 2.2 如ery examples
[0139] 1234
2 I 為Q2，2 為Q3，3 為Q4，4為Q5，5 為R2，6 為R3，7 為R5; 3 Deep 1 earning 2014為查詢包含深度學(xué)習(xí)的時間為2014的實體；Database supevised learning 2013為查詢包含數(shù)據(jù)庫監(jiān)督學(xué)習(xí)的時間為2013的實體；Graph mining Big data 2015為查詢包含圖挖掘大數(shù)據(jù)的時間為2015的實體；Efficient subgraph similarity matching database 2015為查詢包含高效的子數(shù)相似性匹配數(shù)據(jù) 庫的時間為2015的實體；subgraph similarity matching au化orOf Jeffeiy Yu Xu為查 詢包含子圖相似性匹配且作者為Jeffery Yu Xu的所有實體；["dataspace，'authorOf "Xin Dong，']and[ "Xin Dong，'studyIn"University of Washington，']為查詢包含數(shù)據(jù)空間的文 章由Xin Dong寫的，并且Xin Dong在University of Washington上學(xué)；["dataspace" author0f"Xi 打 Do 打 g，，]a 打 d[ "Xi 打 Do 打 g，，study I 打"University of Washi 打 gto 打，，]a 打 d[ "big data integration，，authorOf "Xin Dong，，]and[ "big data integration^^ published In "VLDB，']為查詢包含數(shù)據(jù)空間的文章由Xin Dong寫的，并且Xin Dong在University of Washington上學(xué)，并且還有一篇文章也是Xin Dong寫的發(fā)表在VLDB會議上； 4 實驗環(huán)境設(shè)置如下：主機(jī)采用Intel(R)Core(TM)i5-4570CPU 3.20細(xì)z，內(nèi)存容量 為4G，硬盤容量為1TB，操作系統(tǒng)為WIN 7(64bit)。算法均采用JAVA語言實現(xiàn)。
[0144] 效果評估
[0145] 本小節(jié)實驗的目標(biāo)是從上下文、語義關(guān)系的復(fù)雜性、語義關(guān)聯(lián)推理=個方面評估 本模型COSAN與基準(zhǔn)測試模型IOM的效果。另外，本實驗采用文獻(xiàn)的評分函數(shù)選取Top-k應(yīng) 答。
[0146] (1)上下文對效果的影響
[0147] 實驗1評估了在時間上下文環(huán)境下兩種模型對應(yīng)的查詢準(zhǔn)確率對比情況。圖5橫坐 標(biāo)表示包含時間上下文的不同關(guān)鍵詞長度(2、3、4、5)的查詢，其中每類查詢分別隨機(jī)選擇 50個查詢進(jìn)行實驗，然后計算平均準(zhǔn)確率，縱坐標(biāo)表示top-10應(yīng)答的平均準(zhǔn)確率。理想情況 下，支持上下文的數(shù)據(jù)空間模型應(yīng)該產(chǎn)生更佳的應(yīng)答結(jié)果。如圖5所示進(jìn)行上下文對效果的 影響時，關(guān)鍵字為Q2時，IOM方法平均準(zhǔn)確率為0.78，本發(fā)明COSAN方法平均準(zhǔn)確率為0.92; 關(guān)鍵字為Q3時，IOM方法平均準(zhǔn)確率為0.72，本發(fā)明COSAN方法平均準(zhǔn)確率為0.88;關(guān)鍵字為 Q4時，IOM方法平均準(zhǔn)確率為0.65，本發(fā)明COSAN方法平均準(zhǔn)確率為0.78;關(guān)鍵字為Q5時， IOM方法平均準(zhǔn)確率為0.5，本發(fā)明COSAN方法平均準(zhǔn)確率為0.7;從圖5可知，COSAN模型效果 明顯優(yōu)于IOM模型，運(yùn)是因為前者能夠很好地表示上下文感知的對象W及上下文感知的語 義關(guān)系，從而使得命中的節(jié)點、語義關(guān)聯(lián)更準(zhǔn)確。另外，圖中可W觀察到一個有趣現(xiàn)象，當(dāng)查 詢中關(guān)鍵詞個數(shù)比較大(如Q5)，其準(zhǔn)確率增益更加明顯。
[0148] 實驗2評估了不同復(fù)雜度的語義關(guān)系下兩種模型對應(yīng)的準(zhǔn)確率對比情況。圖6橫坐 標(biāo)表示不同復(fù)雜度的語義關(guān)系查詢，其中Rl表示簡單二元語義關(guān)系查詢，R2表示=元復(fù)雜 語義關(guān)系查詢，R3表示五元復(fù)雜語義關(guān)系查詢，每類語義關(guān)系查詢分別隨機(jī)選擇50個語義 關(guān)系查詢進(jìn)行實驗，然后計算平均值，縱坐標(biāo)表示top-10應(yīng)答的準(zhǔn)確率。理想情況下，復(fù)雜 語義關(guān)系表達(dá)力越強(qiáng)的數(shù)據(jù)模型，其查詢效果更好。如圖6所示進(jìn)行不同復(fù)雜度的語義關(guān)系 對效果的影響時，語義關(guān)系查詢?yōu)镽l時，IOM方法平均準(zhǔn)確率為0.83，本發(fā)明COSAN方法平均 準(zhǔn)確率為0.88;語義關(guān)系查詢?yōu)镽2時，IOM方法平均準(zhǔn)確率為0.62，本發(fā)明COSAN方法平均準(zhǔn) 確率為0.84;語義關(guān)系查詢?yōu)镽3時，IOM方法平均準(zhǔn)確率為0.56，本發(fā)明COSAN方法平均準(zhǔn)確 率為0.76;圖6中第一列表明，對于基本的二元語義關(guān)系，本模型平均準(zhǔn)確率略優(yōu)于I0M，然 而，對于復(fù)雜度更高的語義查詢來說(如R2，R3)，本模型顯著優(yōu)于基準(zhǔn)模型I0M，運(yùn)主要是由 于本模型對多元復(fù)雜語義關(guān)系具有強(qiáng)力的表達(dá)力，而IOM模型只能表達(dá)簡單的二元語義關(guān) 系。
[0149] (2)語義關(guān)聯(lián)推理對效果的影響
[0150] 實驗3評估了語義推理規(guī)則對效果的影響。為此，本實驗定義了一種推理規(guī)則： aWAo/心/' X ""http://"W巧' 二CO _ aWAW。圖7橫坐標(biāo)表示不包含時間上下文的不同關(guān)鍵詞長度 (2、3、4、5)的查詢，其中每類查詢分別隨機(jī)選擇50個查詢進(jìn)行實驗，然后計算平均準(zhǔn)確率， 縱坐標(biāo)表示top-10應(yīng)答的平均準(zhǔn)確率。理想情況下，支持語義關(guān)聯(lián)推理的數(shù)據(jù)空間模型應(yīng) 該產(chǎn)生更佳的應(yīng)答結(jié)果。如圖7所示進(jìn)行語義關(guān)聯(lián)推理對效果的影響時，關(guān)鍵字查詢?yōu)镼2 時，IOM方法平均準(zhǔn)確率為0.78，本發(fā)明COSAN方法平均準(zhǔn)確率為0.89;關(guān)鍵字查詢?yōu)镼3時， IOM方法平均準(zhǔn)確率為0.72，本發(fā)明COSAN方法平均準(zhǔn)確率為0.84;關(guān)鍵字查詢?yōu)镼4時，IOM 方法平均準(zhǔn)確率為0.65，本發(fā)明COSAN方法平均準(zhǔn)確率為0.72;關(guān)鍵字查詢?yōu)镼5時，IOM方法 平均準(zhǔn)確率為0.5，本發(fā)明COSAN方法平均準(zhǔn)確率為0.65;從圖7可知，COSAN模型效果明顯優(yōu) 于IOM模型，運(yùn)是因為前者能夠很好地支持語義關(guān)聯(lián)推理，從而豐富實體間的語義關(guān)系。在 某種意義上，減少元組連接樹中一些不必要的邊和節(jié)點，可W使得應(yīng)答更加緊湊。
[0151] 效率評估
[0152] 本小節(jié)實驗的目標(biāo)是從上下文、語義關(guān)系的復(fù)雜性、語義關(guān)聯(lián)推理=個方面評估 本模型COSAN與基準(zhǔn)測試模型IOM的性能。為公平起見，本文實驗中采用的索引方法、剪枝策 略、評分函數(shù)及查詢方法與文獻(xiàn)[9]的IOM方法相同。
[0153] 上下文對效率的影響
[0154] 實驗4評估了在時間上下文環(huán)境下兩種模型對應(yīng)的查詢響應(yīng)時間對比情況。圖8橫 坐標(biāo)表示包含時間上下文的不同關(guān)鍵詞長度(2、3、4、5)的查詢，其中每類查詢分別隨機(jī)選 擇50個查詢進(jìn)行實驗，然后計算平均響應(yīng)時間，縱坐標(biāo)表示top-10應(yīng)答的平均響應(yīng)時間。理 想情況下，支持上下文的數(shù)據(jù)空間模型查詢響應(yīng)時間更少。如圖8所示進(jìn)行上下文對效率的 影響時，關(guān)鍵字查詢?yōu)镼2時，IOM方法的平均響應(yīng)時間為313,本發(fā)明COSAN方法的平均響應(yīng) 時間為253;關(guān)鍵字查詢?yōu)镼3時，IOM方法的平均響應(yīng)時間為509,本發(fā)明COSAN方法的平均響 應(yīng)時間為348;關(guān)鍵字查詢?yōu)镼4時，IOM方法的平均響應(yīng)時間為811，本發(fā)明COSAN方法的平均 響應(yīng)時間為567;關(guān)鍵字查詢?yōu)镼5時，IOM方法的平均響應(yīng)時間為1040，本發(fā)明COSAN方法的 平均響應(yīng)時間為843;從圖8可知，COSAN模型對應(yīng)的查詢性能明顯優(yōu)于IOM模型，運(yùn)是因為前 者的上下文感知能力強(qiáng)，從而在查詢處理時能夠取得更好的剪枝效果（比如剪枝掉不相關(guān) 的實體和語義關(guān)系），進(jìn)一步較大地降低查詢響應(yīng)時間。
[0155] 語義關(guān)系的復(fù)雜性對效率的影響
[0156] 實驗5評估了不同復(fù)雜度的語義關(guān)系下兩種模型對應(yīng)的查詢響應(yīng)時間對比情況。 圖9橫坐標(biāo)表示不同復(fù)雜度的語義關(guān)系查詢，其中R2表示簡單二元語義關(guān)系查詢，R3表示= 元復(fù)雜語義關(guān)系查詢，R5表示五元復(fù)雜語義關(guān)系查詢，每類語義關(guān)系查詢分別隨機(jī)選擇50 個語義關(guān)系查詢進(jìn)行實驗，然后計算平均響應(yīng)時間，縱坐標(biāo)表示top-10應(yīng)答的準(zhǔn)確率。理想 情況下，復(fù)雜語義關(guān)系表達(dá)力越強(qiáng)的數(shù)據(jù)模型，其查詢效果更好。如圖9所示進(jìn)行不同復(fù)雜 度的語義關(guān)系對效果的影響時，語義關(guān)系查詢?yōu)镽2時，IOM方法的平均響應(yīng)時間為413,本發(fā) 明COSAN方法的平均響應(yīng)時間為386;語義關(guān)系查詢?yōu)镽3時，IOM方法的平均響應(yīng)時間為659， 本發(fā)明COSAN方法的平均響應(yīng)時間為486;語義關(guān)系查詢?yōu)镽5時，IOM方法的平均響應(yīng)時間為 981，本發(fā)明COSAN方法的平均響應(yīng)時間為667;從圖9可知，對于基本的二元語義關(guān)系（如列 R2)，查詢響應(yīng)時間差不多，但是，隨著語義關(guān)系查詢的復(fù)雜度增加，本模型對應(yīng)的性能顯著 優(yōu)于I0M，即查詢響應(yīng)時間明顯降低，運(yùn)是由于本模型具有強(qiáng)力的多元復(fù)雜語義關(guān)系表達(dá)能 力，使得查詢過程中大大減少復(fù)雜語義關(guān)系匹配的判斷代價，從而大幅降低了查詢響應(yīng)時 間。
[0157] (1)語義關(guān)聯(lián)推理對效率的影響
[015引實驗6評估了語義推理規(guī)則對性能的影響。為此，推理規(guī)則同實驗3。圖10橫坐標(biāo)表 示不包含時間上下文的不同關(guān)鍵詞長度(2、3、4、5)的查詢，其中每類查詢分別隨機(jī)選擇50 個查詢進(jìn)行實驗，然后計算平均響應(yīng)時間，縱坐標(biāo)表示top-10應(yīng)答的平均響應(yīng)時間。理想情 況下，支持語義關(guān)聯(lián)推理的數(shù)據(jù)空間模型應(yīng)該產(chǎn)生更低的查詢響應(yīng)時間。如圖10所示進(jìn)行 上下文對效率的影響時，關(guān)鍵字查詢?yōu)镼2時，IOM方法的平均響應(yīng)時間為313,本發(fā)明COSAN 方法的平均響應(yīng)時間為286;關(guān)鍵字查詢?yōu)镼3時，IOM方法的平均響應(yīng)時間為509,本發(fā)明 COSAN方法的平均響應(yīng)時間為423;關(guān)鍵字查詢?yōu)镼4時，IOM方法的平均響應(yīng)時間為811，本發(fā) 明COSAN方法的平均響應(yīng)時間為617;關(guān)鍵字查詢?yōu)镼5時，IOM方法的平均響應(yīng)時間為1040， 本發(fā)明COSAN方法的平均響應(yīng)時間為850;從圖10可知，COSAN模型對應(yīng)的查詢響應(yīng)時間明顯 少于IOM模型，運(yùn)是因為本模型具有語義關(guān)系推理能力，一旦添加新的語義推理規(guī)則，就能 夠自適應(yīng)地派生出更多豐富的語義關(guān)系，從而查詢中可W減少不必要的節(jié)點和邊的遍歷， 進(jìn)而降低查詢響應(yīng)時間。
[0159 ] 從圖5至圖10可得出本發(fā)明COSAN方法準(zhǔn)確率與響應(yīng)時間明與現(xiàn)有IOM方法。
[0160]本發(fā)明還可有其它多種實施例，在不背離本發(fā)明精神及其實質(zhì)的情況下，本領(lǐng)域 技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但運(yùn)些相應(yīng)的改變和變形都應(yīng)屬于 本發(fā)明所附的權(quán)利要求的保護(hù)范圍。
【主權(quán)項】
1. 基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，其特征在于基于上下文感知 和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法具體是按照以下步驟進(jìn)行的： 步驟一、構(gòu)建一種半結(jié)構(gòu)化圖模型，稱之為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型 COSAN； 步驟二、根據(jù)上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN表示上下文感知的解釋對象； 步驟三、根據(jù)上下文感知的解釋對象得出上下文感知的基本語義關(guān)聯(lián)和復(fù)雜語義關(guān) 聯(lián)； 步驟四、根據(jù)上下文感知的基本語義關(guān)聯(lián)和復(fù)雜語義關(guān)聯(lián)得出語義關(guān)聯(lián)推理規(guī)則。2. 根據(jù)權(quán)利要求1所述基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，其特征 在于:所述步驟一中構(gòu)建一種半結(jié)構(gòu)化圖模型，稱之為上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模 型COSAN;具體過程為： 將上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN定義為一個含標(biāo)簽的有向圖（V，E， Rules)，所述復(fù)雜語義關(guān)聯(lián)指NS3，N為語義節(jié)點的個數(shù);N = 2為上下文感知的基本語義關(guān) 聯(lián)； 其中，V是語義節(jié)點集合;一個語義節(jié)點表示一個上下文感知的解釋對象0; E= (Esimple，Ec〇mplex)是語乂關(guān)聯(lián)集合； 其中，Esimple表示上下文感知的基本語義關(guān)聯(lián)集合;一個上下文感知的基本語義關(guān)聯(lián)es eESimpie是連接兩個語義節(jié)點的有向邊； Eccimplex表示復(fù)雜語義關(guān)聯(lián)集合;一個復(fù)雜語義關(guān)聯(lián)e。e Eccimplex是指涉及N個語義節(jié)點的 復(fù)雜關(guān)系，N>3; Rules是語義關(guān)聯(lián)推理規(guī)則。3. 根據(jù)權(quán)利要求1或2所述基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，其特 征在于:所述步驟二中根據(jù)上下文感知的復(fù)雜語義關(guān)聯(lián)網(wǎng)絡(luò)模型COSAN表示上下文感知的 解釋對象;具體過程為： 步驟二一、定義上下文條件； 一個上下文條件c為dAv，其中， 1. d是上下文條件c的維度名； 2) Λ是一個操作符； 3. V是對應(yīng)維度d的一個值表達(dá)式； 假定:如果操作符為=或者辛，則V由單個上下文維度值組成； 如果操作符為in or not in，則v由一組線性離散的上下文維度值組成，in or not in 為在范圍內(nèi)或不在范圍內(nèi)； 如果操作符為be tween ,between- ,between+，or between*，X為V中一個元素，其中x分別 滿足13^^<6，13〈1<6，13^^〈6，13〈1〈6;其中，13為￥的最小值，6為￥的最大值 ； 所述，between為; between-為b〈x<e; between.為b<x〈e; be tween*為b〈x〈e; 將關(guān)鍵字now記為當(dāng)前時間點； 令i為正整數(shù)，如果Vc,#，則上下文條件集表示為(：1=[(31，(：2，...(^]，否則，記為[]，表 示上下文的全集;m取值為正整數(shù);I Si Sm; C1，C2，...⑶為上下文條件； 步驟二二、定義屬性上的上下文感知刻面； 給定語義關(guān)系集合E的一個屬性Ak，屬性Ak上的上下文感知刻面AFk為： 』F^(C，F(xiàn)/)，其中， C1是第1個上下文條件集，1取值為正整數(shù)； F/是在上下文條件集C1下屬性Ak的值； 步驟二三、定義上下文感知的解釋對象； 一個上下文感知的解釋對象〇是一個四元組(1，％1%乂1，其中， I是對象標(biāo)示符； K是對象類名； τε是上下文感知元組KAk，AFk)}，其中Ak是語義關(guān)系集合E的第k個屬性，AF k是屬性Ak的 上下文感知刻面； Xe是上下文感知內(nèi)容{(Cl，Cont1) }，其中Ci是第1個上下文條件集，Cont1是在上下文Ci 下的非結(jié)構(gòu)化內(nèi)容。4. 根據(jù)權(quán)利要求3所述基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，其特征 在于:所述步驟三中根據(jù)上下文感知的解釋對象得出上下文感知的基本語義關(guān)聯(lián)和復(fù)雜語 義關(guān)聯(lián);具體過程為： 一、 定義上下文感知的基本語義關(guān)聯(lián)； 一個上下文感知的基本語義關(guān)聯(lián)為es= (〇m, (namei ,confidence ,context)，on)， 其中，〇m或者〇n表示一個上下文感知的解釋對象;namei表示基本語義關(guān)聯(lián)^的名稱； conf idence表示基本語義關(guān)聯(lián)es的強(qiáng)度;context表示基本語義關(guān)聯(lián)es的上下文條件集； 二、 定義復(fù)雜語義關(guān)聯(lián)； 一個復(fù)雜語義關(guān)聯(lián)定義為e。= (name2，G,order,attr)，其中， name2表示復(fù)雜語義關(guān)聯(lián)e。的名稱； G表示由上下文感知的解釋對象集{〇}和語義關(guān)聯(lián)集{e}組成的子圖，其中語義關(guān)聯(lián)集 由上下文感知的基本語義關(guān)聯(lián)es或者復(fù)雜語義關(guān)系e'ci且成，e'c多上下文感知的解釋對 象集由一個上下文感知的解釋對象〇 m或者〇n表示； order表示G中的語義關(guān)系e發(fā)生順序，其中，ei<e2表示語義關(guān)系ei的發(fā)生順序優(yōu)先于 語義關(guān)系e2; attr表示關(guān)于復(fù)雜語義關(guān)系ec的一組屬性約束{(attrk，valuek)}，其中，attrk和valuek 分別是e。的第k個屬性和第k個屬性對應(yīng)的值； 如果復(fù)雜語義關(guān)系中多個es不存在順序關(guān)系，則組件order為空集;所述多個為大于等 于2個。5. 根據(jù)權(quán)利要求1、2或4所述基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，其 特征在于:所述步驟四中根據(jù)上下文感知的基本語義關(guān)聯(lián)和復(fù)雜語義關(guān)聯(lián)得出語義關(guān)聯(lián)推 理規(guī)則;具體過程為： 在上下文感知的解釋對象和上下文感知的基本語義關(guān)聯(lián)的基礎(chǔ)上定義三個對象類O1, O2和〇3,三個對象類的三種上下文感知的基本語義關(guān)聯(lián)記為PtC2RP e；[n^pr,,C,]： 則一個語義關(guān)聯(lián)推理規(guī)則定義為伽/微二^^用，^]%^%/^^]々^?,./^^ 記為eX =>.<，其中pr3 = pri · pr2且C3 = Ci 門 C2; 其中，Ci、C2、C3為不同指條件集，ηι、Π 2、η3為不同namei或仙11162，口1'1、口12 413為不同置信 度，<、<、g為N=2時不同的基本語義關(guān)系。6.根據(jù)權(quán)利要求3所述基于上下文感知和復(fù)雜語義關(guān)聯(lián)的數(shù)據(jù)空間建模方法，其特征 在于:所述步驟四中根據(jù)上下文感知的基本語義關(guān)聯(lián)和復(fù)雜語義關(guān)聯(lián)得出語義關(guān)聯(lián)推理規(guī) 則;具體過程為： 在上下文感知的解釋對象和上下文感知的基本語義關(guān)聯(lián)的基礎(chǔ)上定義三個對象類O1, O2和〇3,三個對象類的三種上下文感知的基本語義關(guān)聯(lián)記為g[?2,pr2,C :]和 CJ ； 則一個語義關(guān)聯(lián)推理規(guī)則定義為= F 乂丨， 記為eX 3 <，其中pn = pri · pr2且C3 = CiflC2; 其中，Ci、C2、C3為不同指條件集，m、n2、n3為不同name 1或name2，pri、pr2、pr3為不同置信 度，e|、<、《為N=2時不同的基本語義關(guān)系。
【文檔編號】G06F17/30GK106021297SQ201610289513
【公開日】2016年10月12日
【申請日】2016年5月4日
【發(fā)明人】王念濱, 周連科, 王紅濱, 祝官文, 宋奎勇, 何鳴, 王瑛琦
【申請人】哈爾濱工程大學(xué)