基于本体的人物关系一致性检测方法研究

doi:10.3772/j.issn.1000-0135.2018.01.011

情报学报

2018, Vol. 37

Issue (1): 98-105 DOI: 10.3772/j.issn.1000-0135.2018.01.011

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于本体的人物关系一致性检测方法研究

于娟¹, 施文洁¹, 朱正祥²

1. 福州大学经济与管理学院福州 350116;
2. 苏宁消费金融有限公司南京 231000

Consistency Detection of Interpersonal Relationship:an Ontology-based Method

Yu Juan¹, Shi Wenjie¹, Zhu Zhengxiang²

1. School of Economics and Management, Fuzhou University, Fuzhou 350116;
2. Suning Consumer Finance Co., Nanjing 231000

摘要
图/表
参考文献
相关文章 (0)

全文: PDF (394 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要人物关系是大数据时代下组织进行管理决策的重要依据之一,而人物关系网络天然的复杂性使决策者无法人工快速处理。为支持人物关系的自动推理,本文提出一种基于本体的人物关系一致性检测方法。该方法首先根据已有人物关系数据构建人物关系本体,通过检测该人物关系本体的正确性来修正已有人物关系数据,然后利用本体推理引擎与自定义规则对后续新增加的人物关系数据进行检测,通过判断新数据是否与已有人物关系本体存在不一致来检查新数据的正确性。实验证明,本文方法能够有效地实现人物关系的确定性推理,隐含关系的发现以及人物关系一致性的自动检测,从而支持基于人物关系推理的管理决策。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	于娟
	施文洁
	朱正祥

关键词 ：人物关系, 一致性检测, 本体推理, 规则推理

收稿日期: 2017-04-18

基金资助:国家自然科学基金项目“基于本体学习与本体映射的组织异构数据融合方法研究”(71771054); 国家自然科学基金项目“中文领域本体学习及半自动构建方法研究”(71201032); 福建省社会科学规划项目“基于本体集成的多源异构数据融合方法研究”(FJ2016C044)

作者简介: 于娟,女,1981年生,工学博士,副教授,硕士生导师,主要研究方向为知识管理、领域本体,E-mail：yujuan@fzu.edu.cn;施文洁,女,1992年生,硕士研究生,主要研究方向为数据挖掘;朱正祥,男,1974年生,工学博士,主要研究方向为数据挖掘、知识管理。

引用本文:

于娟, 施文洁, 朱正祥. 基于本体的人物关系一致性检测方法研究[J]. 情报学报, 2018, 37(1): 98-105.
Yu Juan, Shi Wenjie, Zhu Zhengxiang. Consistency Detection of Interpersonal Relationship:an Ontology-based Method. 情报学报, 2018, 37(1): 98-105.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2018.01.011 或 https://qbxb.istic.ac.cn/CN/Y2018/V37/I1/98

[1] Yar K T, Tun K M L. Searching Personnel Relationship from Myanmar census data using Graph database and Deductive Reasoning prolog rules[C]// Proceedings of International Conference on Computer Communication and Informatics, 2016.
[2] Gruber T.R. A translation approach to portable ontology specifications[J]. Knowledge Acquisition, 1993, 5(2): 199-220.
[3] Studer R, Benjamins V R, Fensel D.Knowledge engineering: Principles and methods[J]. Data & Knowledge Engineering, 1998, 25(1-2): 161-197.
[4] Ma S H, Tian L.Ontology-based semantic retrieval for mechanical design knowledge[J]. International Journal of Computer Integrated Manufacturing, 2015, 28(2): 226-238.
[5] Zhang S J, Boukamp F, Teizer J.Ontology-based semantic modeling of construction safety knowledge: Towards automated safety planning for job hazard analysis (JHA)[J]. Automation in Construction, 2015, 52: 29-41.
[6] Ali F, Kim E K, Kim Y G.Type-2 fuzzy ontology-based semantic knowledge for collision avoidance of autonomous underwater vehicles[J]. Information Sciences, 2015, 295: 441-464.
[7] Stanford University. Protégé[EB/OL]. [2016-12-11]. http://protégé.stanford.edu/.
[8] Noy N F, McGuinness D L. Ontology development 101: A guide to creating your first ontology[J]. Stanford Knowledge Systems Laboratory Technical Report KSL-01-05 and Stanford Medical Informatics Technical Report SMI-2002-0880, 2001, 15(2).
[9] 许勇, 王智学, 李宗勇. 领域本体的一致性检查[J]. 计算机工程, 2009, 35(1): 55-57, 64.
[10] Krötzsch M, Simancik F, Horrocks I.A description logic primer[J]. Computer Science, 2013.
[11] Sirin E, Parsia B, Grau B C, et al.Pellet: A practical OWL-DL reasoner[J]. Journal of Web Semantics, 2007, 5(2): 51-53.
[12] GitHub. Pellet[EB/OL]. [2016-12-18]. http://github.com/stardog-union/pellet.
[13] HP Labs. Apache Jena-Home[EB/OL]. [2016-11-12]. http://jena. apache.org/.
[14] Lutz C. Description logics[EB/OL]. [2016-04-16]. http://dl.kr.org/.
[15] Baader F, Calvanese D, McGuinness D L, et al. The description logic handbook: Theory, implementation and applications[M]. New York: Cambridge University Press, 2003.