1、語義網(wǎng)絡(luò)是一種重要的知識表示和知識處理方法?；谡Z義網(wǎng)絡(luò)的知識智能在專家系統(tǒng)、商業(yè)智能、智能Agent、互聯(lián)網(wǎng)語義搜索等多個方面都有廣泛的應(yīng)用。本論文以基于語義網(wǎng)絡(luò)的知識協(xié)作作為應(yīng)用背景,研究語義網(wǎng)絡(luò)知識智能的緊密關(guān)聯(lián)的三個方面的課題:語義網(wǎng)絡(luò)復(fù)雜知識表示、語義網(wǎng)絡(luò)知識智能處理、語義網(wǎng)絡(luò)知識的自然語言輸入和輸出。首先,本論文研究了語義網(wǎng)絡(luò)上的復(fù)雜知識表示,形式化定義了語義樹、語義格、語義星等各種語義網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),提出了一種抽象關(guān)系結(jié)構(gòu)模

2、型和一種新的稱為抽象語義網(wǎng)絡(luò)的復(fù)雜知識表示方法。抽象語義網(wǎng)絡(luò)的主要特點是在語義網(wǎng)絡(luò)上建立一個子網(wǎng)到一個節(jié)點的關(guān)聯(lián)映射,可以表示語義網(wǎng)絡(luò)上的子網(wǎng)與節(jié)點、子網(wǎng)與子網(wǎng)之間的關(guān)系,從而可以靈活、方便、統(tǒng)一地表示事件、變化、規(guī)律、信念等復(fù)雜知識,并有望擴展到過程、計劃的表示。在抽象語義網(wǎng)絡(luò)的基礎(chǔ)上,本論文研究了語義網(wǎng)絡(luò)上的圖變換的特殊要求,分析了過往的圖文法和圖重寫實現(xiàn)技術(shù),在算法圖重寫(algorithmicgraphrewriting)圖文法

3、的基礎(chǔ)上改進(jìn)提出了一種新的圖文法,稱為通用圖文法,很好適應(yīng)了語義網(wǎng)絡(luò)圖變換的要求,并利用通用圖文法來表示語義網(wǎng)絡(luò)推理規(guī)則。其次,本論文研究了語義網(wǎng)絡(luò)上基于圖匹配和圖變換的知識處理。研究分析了圖匹配問題的特性,分析了語義網(wǎng)絡(luò)上的圖匹配問題的特殊要求,提出了一種新的標(biāo)記圖匹配快速算法,稱為GraphExplorer(GE)算法。GE算法是一種非索引的基于樹搜索的圖匹配算法。但不同于傳統(tǒng)樹搜索圖匹配以節(jié)點匹配為中心,GE算法針對語義網(wǎng)絡(luò)作為一

4、種標(biāo)記圖的這個特點,以邊匹配為中心。GE算法將模式圖轉(zhuǎn)換為一條盡量連續(xù)的路徑,這樣即能夠有效的制導(dǎo)匹配子狀態(tài)搜索,減少無效狀態(tài)訪問,又能夠通過狀態(tài)繼承大大減少標(biāo)記匹配檢查次數(shù)。GE算法還通過智能回溯來進(jìn)一步有效避免無效狀態(tài)訪問。實驗顯示GE算法時間、空間性能較之類似算法,如著名的VF2算法,有較大提高。此外GE算法還將傳統(tǒng)算法的遞歸函數(shù)調(diào)用改為搜索狀態(tài)隊列,從而避免了傳統(tǒng)算法的堆棧溢出問題,健壯性也得到提升,將可處理的模式圖的大小提升到

5、10000節(jié)點。在GE算法與其他類似的基于樹搜索的圖匹配算法的性能對比測試實驗中,本論文還提出一種新的利用搜索狀態(tài)數(shù)目和標(biāo)記檢查次數(shù)作為此類圖匹配算法的性能的衡量標(biāo)準(zhǔn)。該評價標(biāo)準(zhǔn)與平臺和實現(xiàn)無關(guān)的,提高了這類算法之間的可比性。本論文將抽象語義網(wǎng)絡(luò)、GE圖匹配算法和基于通用圖文法的圖變換應(yīng)用于語義網(wǎng)絡(luò)的知識處理,實現(xiàn)了語義網(wǎng)絡(luò)上的查詢、推理、識別等知識智能功能。本論文研究了語義網(wǎng)絡(luò)的知識合并與知識一致性維護(hù)問題,提出了一種語義網(wǎng)絡(luò)合并時推

6、理機制,同時提出了一種語義網(wǎng)絡(luò)元素級知識度量方法,并嘗試?yán)弥R度量和知識貢獻(xiàn)度來解決圖變換的終結(jié)問題。接著,本論文研究了語義網(wǎng)絡(luò)的抽取和語義網(wǎng)絡(luò)自然語言理解,提出了一種新的面向語義網(wǎng)絡(luò)自然語言處理的文法,稱為語義網(wǎng)絡(luò)文法(SemanticNetworksGrammar,SNG)。SNG文法通過語義模式實現(xiàn)語義星拓?fù)浣Y(jié)構(gòu)與節(jié)點序列的流化和抽取,通過轉(zhuǎn)換生成和組合構(gòu)造將語義樹與語言節(jié)點序列之間的流化和抽取轉(zhuǎn)換為多個語義星與語言節(jié)點序列之間

7、的流化與抽取,從而實現(xiàn)了語義網(wǎng)絡(luò)的語言理解和生成。SNG還通過模式網(wǎng)來確定語義模式應(yīng)用的先后順序,規(guī)定了語義網(wǎng)絡(luò)語言理解中的結(jié)構(gòu)歧義消解原則和語義網(wǎng)絡(luò)語言生成中的語句良構(gòu)性的標(biāo)準(zhǔn)。SNG還將詞語作為一種語義模式。SNG文法將分詞、文法分析和語義理解統(tǒng)一在一個單一的框架之中。然后,本文研究了文法分析的過程模型和消歧問題,分析了分類結(jié)構(gòu)文法的共同點,剖析了基于分類結(jié)構(gòu)文法的自然語言理解從符號流識別出語言結(jié)構(gòu)和語義結(jié)構(gòu)的過程,形式化定義了結(jié)構(gòu)

8、文法分析過程的語言格和語義格模型,指出了句法樹與語言格的關(guān)系。本文根據(jù)格模型分析了文法分析中結(jié)構(gòu)歧義和分類歧義產(chǎn)生的原因和性質(zhì),給出上下文消歧的概率解釋,形式化分析了類型細(xì)分消歧的原理和有效性,并分析了細(xì)分類型消歧方案所引入的數(shù)據(jù)稀疏性問題。然后本文提出了面向語義網(wǎng)絡(luò)文法的層級分類概率上下文無關(guān)文法分析方法和一種層級分類概率上下文相關(guān)文法分析方法。該層級分類方法能夠充分利用語料庫提供的知識,很好地平衡過分類和欠分類之間的矛盾。本文還針對

9、結(jié)構(gòu)文法分析的分類歧義提出了一種基于短語實例聚類的分類歧義消解方法和一種基于最大熵的局部分類消歧方法。最后,在賓州中文樹庫等語料庫上的實驗結(jié)果證明通過率與準(zhǔn)確率比類似方法有所提高。本論文還研究了語義網(wǎng)絡(luò)語言生成課題,將SNG文法應(yīng)用于語義網(wǎng)絡(luò)語言生成,提出了一種基于SNG語義網(wǎng)絡(luò)語言文法的SNLG方案。提出了基于語義模式網(wǎng)路徑搜索的語義網(wǎng)絡(luò)語言生成內(nèi)容規(guī)劃和話語規(guī)劃方法。本論文介紹了語義模式和語義模式網(wǎng)在SNLG的語句規(guī)劃中的應(yīng)用,設(shè)計

10、了一種語義星生成自然語言的平凡化方法和一種基于模式網(wǎng)路徑搜索為語義網(wǎng)絡(luò)標(biāo)定語義模式的方法。本文還提出了一種改進(jìn)的基于距離的SNLG的內(nèi)容規(guī)劃方法,并提出了一種應(yīng)用于SNLG話語規(guī)劃的新的平凡化時拆分和拆分時匯聚(splittingtimeaggregation)方法,提高了生成的語句的流暢性和可讀性。最后,論文綜合應(yīng)用上述研究成果,實現(xiàn)了一種新的語義網(wǎng)絡(luò)中間件軟件組件,并在該語義網(wǎng)絡(luò)中間件的基礎(chǔ)上設(shè)計了一種全語義化的語義Wiki系統(tǒng)來作