王俊華，左萬利，彭 濤

(1.吉林大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，長春130012;2.吉林大學(xué) 符號計算與知識工程教育部重點實驗室，長春130012;3.長春工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院，長春130012)

0 引 言

本體是共享概念模型的明確的形式化規(guī)范說明。本體O:=(C，root，R)，其中C 為概念集合，root 為根標(biāo)識，R 為C 上的二元關(guān)系，包括分類關(guān)系(IS-A)、語義關(guān)系(SR)和屬性關(guān)系(AR)。20 世紀(jì)70 年代本體被引入人工智能領(lǐng)域，隨著人工智能的發(fā)展，本體應(yīng)用越來越廣泛［1-2］，而手工構(gòu)建本體的代價太大，因此人們提出了自動或半自動地構(gòu)建本體。面向文本的本體學(xué)習(xí)研究的早期成果 有Text2Onto［3］、Hasti［4］、OntoLearn［5］、OntoBuilder［6］和OntoGen［7］，但多數(shù)是原型系統(tǒng)，生成的本體不能指導(dǎo)各類應(yīng)用。面向文本的本體學(xué)習(xí)仍是本體工程的研究熱點。

邢軍等［8］以面向?qū)ο笏枷氲姆治龇椒榛A(chǔ)，把傳統(tǒng)的單層文本向量空間模型改進為2 層向量空間模型，并在此基礎(chǔ)上引入模糊形式概念分 析 本 體 學(xué) 習(xí) 技 術(shù)。Zouaq 等［9］提 出 了OntoCmaps，是一領(lǐng)域獨立的和開放的本體學(xué)習(xí)工具，它從語料庫中抽取深層的語義表達(dá)。OntoCmaps 以概念圖的形式生成豐富的概念表示，并提出一種基于度量的創(chuàng)新的過濾機制。Ruiz-Martinez 等［10］提出了一種面向文本構(gòu)建生物醫(yī)學(xué)本體的方法。該方法通過自然語言處理和增量知識獲取技術(shù)來獲得相關(guān)概念和關(guān)系，這些被包括在OWL 本體中。此外，他們用UMLS 來連接本體中孤立的概念區(qū)域。Yang 等［11］提出了一新的本體學(xué)習(xí)模型，該模型提高了抽取概念的效率，減少了構(gòu)建本體的時間。該模型包括幾個方面，其中區(qū)域概念抽取是最主要的方面，它把概念抽取與個性化推薦聯(lián)合起來實現(xiàn)了一個更精確和穩(wěn)定的領(lǐng)域概念抽取方法。Jiang 等［12］提出了CRCTOL 系統(tǒng)，用于從指定的領(lǐng)域文檔中自動地挖掘本體。CRCTOL 采用一種完全的文本剖析技術(shù)及統(tǒng)計與lexicon-syntactic 方法相結(jié)合的綜合策略，包括一個統(tǒng)計算法用于從文檔集中抽取關(guān)鍵概念，一個語義消歧算法用于消除關(guān)鍵概念中的單詞的歧義，一個基于規(guī)則的算法用于抽取關(guān)鍵概念之間的關(guān)系，一個改進的廣義關(guān)聯(lián)規(guī)則挖掘算法用于修剪對本體學(xué)習(xí)不重要的關(guān)系。以上成果較早期成果有所改進，但仍不能滿足各類本體的應(yīng)用需求。

本文借助文本預(yù)處理工具Gate 和通用本體WordNet，采用統(tǒng)計、頻繁項挖掘、模式匹配、啟發(fā)式學(xué)習(xí)和主動學(xué)習(xí)等技術(shù)，學(xué)習(xí)本體基元——概念、概念間的分類關(guān)系、概念間的語義關(guān)系和概念屬性。提出了基于主動學(xué)習(xí)的語義排歧算法，彌補了SSI 算法［13］無法處理所有術(shù)語在WordNet中都不是獨義的情況的不足;并增加了概念屬性的學(xué)習(xí)。

1 概念學(xué)習(xí)

概念可以是詞，也可以是短語，是在特定領(lǐng)域表示想法、觀念、范疇或類的實體集合，是特定領(lǐng)域具有語義的詞匯的集合。概念由術(shù)語經(jīng)語義排歧后獲得，術(shù)語是領(lǐng)域知識的外在表現(xiàn)。概念學(xué)習(xí)包括術(shù)語抽取和詞義消歧。

1.1 術(shù)語抽取

術(shù)語是代表領(lǐng)域知識的短語或單詞，其語言結(jié)構(gòu)較固定，一般有前后界標(biāo)記、長度較短、為名詞性單詞或符合一定模式的短語，停用詞除外。術(shù)語亦具有較明顯的統(tǒng)計特性，一般為高頻詞。綜合術(shù)語的如上特征，本文結(jié)合語言學(xué)采用統(tǒng)計和模式匹配技術(shù)學(xué)習(xí)術(shù)語，術(shù)語抽取如圖1 所示。

圖1 術(shù)語抽取Fig.1 Term extraction

術(shù)語抽取步驟如下:

Step1 調(diào)用Gate 接口，預(yù)處理語料集，并將詞性標(biāo)注結(jié)果輸出到XML 文檔中。

Step2 借用dom4j 處理XML 文檔，依次抽取單詞和其詞性，并逐行存入文本中。

Step3 抽取名詞并計算其頻數(shù)TF，提取TF 值大于閾值α 的名詞為術(shù)語。

Step4 獲取名詞性短語并計算其頻數(shù)TF，提取TF 值大于閾值β 的名詞性短語為術(shù)語。

定義1 名詞性短語。字符串S 是名詞性短語，當(dāng)且僅當(dāng)S 符合名詞性短語模式(NN+NNP+NNS+VBG)*，不存在左上下文依賴和右上下文依賴，且S 的互信息大于0.5。

定義2 左上下文依賴。S 是字符串，L 是S 左邊相鄰的詞匯集合，S 的左上下文依賴記為LCDS，計算公式為:

定義3 右上下文依賴。S 是字符串，R 是S右邊相鄰的詞匯集合，S 的右上下文依賴記為RCDS，計算公式為:

定義4 互信息。用于度量字符串間的關(guān)聯(lián)程度。已知S1、S2是字符串，TFS1、TFS2和TFS1S2分別為S1、S2和S1S2的出現(xiàn)頻數(shù)，則S1和S2的互信息記為MIS1S2，計算公式為:

字符串S 的互信息記為MIS，計算公式為:

1.2 詞義消歧

術(shù)語可能具有多個語義，而概念的語義是唯一的，因此需要確定術(shù)語的語義。相同語義的術(shù)語集合可以唯一標(biāo)識特定的概念語義。詞義消歧可確定術(shù)語的語義，獲得相同語義的術(shù)語集合。本文利用主動學(xué)習(xí)技術(shù)改進SSI 算法實現(xiàn)術(shù)語的語義消歧以獲取概念，消歧過程由學(xué)習(xí)引擎和選擇引擎兩部分組成，如圖2 所示。選擇引擎自動選擇信息增益大的未消歧術(shù)語，提交領(lǐng)域?qū)＜覙?biāo)注，系統(tǒng)將反饋結(jié)果添加到概念集I 中，以最大限度地提升學(xué)習(xí)引擎性能。

圖2 基于主動學(xué)習(xí)的詞義消歧Fig.2 Word semantic disambiguation based on active learning

詞義消歧步驟如下:

Step1 提取術(shù)語的語境特征，生成術(shù)語語境。

定義5 語境。術(shù)語的語境表征了術(shù)語應(yīng)用的上下文，記為Context。Context=(FW×POS×V)*，其中，F(xiàn)W 為語境特征詞，POS 為FW 的詞性，V 為FW 的權(quán)重。

語境特征提取有滑動窗口法［14-15］、基于詞間依賴關(guān)系的語境特征提取法［16-18］和基于句法分析的語境特征提取法［19-21］三類?；瑒哟翱诜ㄒ讓崿F(xiàn)，但由于沒有考慮句法和語義關(guān)系致使結(jié)果中包含了鄰近的但不相關(guān)的詞而遺漏了較遠(yuǎn)的但相關(guān)的詞?；谠~間依賴關(guān)系的語境特征提取法的準(zhǔn)確率較高，但提取的語境詞數(shù)目較少。基于句法分析的語境特征提取法在一定程度上彌補了以上不足。綜合語境特征提取的研究現(xiàn)狀，本文選用了基于句法分析的語境特征提取法。

采用基于句法分析的語境特征提取法提取的術(shù)語語境特性，為在句法分析樹結(jié)構(gòu)中與術(shù)語擁有共同祖先或位置上相鄰的節(jié)點。提取術(shù)語語境特征的步驟如下:

①生成句法結(jié)構(gòu)分析樹。圖3 是語句“The coaches which brought the workers to the plant are produced by FAW corporation and CN heavy duty truck factory.”的句法分析樹。

圖3 句法分析樹示例Fig.3 Example of syntactic analysis tree

②按照樹的層次結(jié)構(gòu)，從目標(biāo)節(jié)點開始遍歷樹結(jié)構(gòu)，逐層搜集鄰近節(jié)點選為候選語境特征詞，并利用候選特征節(jié)點和歧義詞間的層次關(guān)系和路徑距離，依據(jù)式(6)計算其權(quán)重，直到根節(jié)點為止。

式中:fj表示第j 個候選語境特征詞;l 表示候選語境特征詞與歧義詞間的層距;d 表示候選語境特征詞與歧義詞間的路徑距離;μ 和τ 是調(diào)節(jié)因子;分別選擇0.4 和0.2。

③將候選語境特征詞按其權(quán)重降序排列，去掉虛詞，選取前8 個作為歧義詞的語境特征，獲得術(shù)語語境。

Step2 計算術(shù)語語義相似度，生成術(shù)語語義相似矩陣A。

式中:aij是詞性為POSi的術(shù)語Termi與詞性為POSj的術(shù)語Termj的語義相似度。

定義6 術(shù)語語義相似度。已知詞性為POS1的術(shù)語Term1與詞性為POS2的術(shù)語Term2，它們的語義相似度記為ST(Term1，POS1，Term2，POS2)，計算公式為:

式中:n=|Context1|，m=|Context2|。

定義7 詞語義相似度。已知詞性為POS1的詞W1與詞性為POS2的詞W2，它們的語義相似度記為SW(W1，POS1，W2，POS2)，計算公式為:

式中:C1i和C2j分別為W1和W2的特定語義所對應(yīng)的概念。

定義8 概念語義相似度。已知概念C1、C2，它們的語義相似度記為SC(C1，C2)，計算公式為［22］:

式中:D 為全局概念上下位體系的最大深度;L(C1，C2)為概念C1、C2的最短上下位路徑長度。

Step3 處理在WordNet 中只存在一個語義的術(shù)語，添加相應(yīng)概念到集合I 中。

Step4 處理與I 存在關(guān)聯(lián)的歧義術(shù)語，針對每個術(shù)語依據(jù)式(10)添加與I 關(guān)聯(lián)度最大的概念到集合I 中。

定義9 概念關(guān)聯(lián)度。已知概念C1、C2，它們的關(guān)聯(lián)度記為RC(C1，C2)。如果概念C1、C2在WordNet 中存在直接關(guān)系，則RC(C1，C2)的值為1，否則為0。

Step5 在未消歧術(shù)語集中選擇信息增益最大的術(shù)語提交領(lǐng)域?qū)＜?。保存反饋結(jié)果到I，轉(zhuǎn)Step4。

定義10 信息增益。本文中的選擇引擎需在未消歧術(shù)語集Term 中選出核心術(shù)語，即與其他未消歧術(shù)語聯(lián)系最緊密的術(shù)語，因此本文以術(shù)語的相似度和量化術(shù)語對消歧任務(wù)的信息增益。

式中:ST(Termi，POSi，Termj，POSj)可通過查詢矩陣A 獲得。

2 關(guān)系學(xué)習(xí)

2.1 分類關(guān)系學(xué)習(xí)

分類關(guān)系是一種類屬關(guān)系，大多存在于表示事物名稱的名詞之間，具有一定的語言模式。直接在WordNet 中查找概念間分類關(guān)系，準(zhǔn)確率高但查全率不夠。如圖4 所示，本文通過挖掘CC二元頻繁項來提高查全率，并采用模式匹配的方法自動判別CC 二元頻繁項集合中的分類關(guān)系，彌補了關(guān)聯(lián)規(guī)則學(xué)習(xí)關(guān)系時關(guān)系類型需要工作人員確定的缺陷。

圖4 分類關(guān)系學(xué)習(xí)Fig.4 IS－A relation learning

分類關(guān)系學(xué)習(xí)的步驟如下:

Step1 基 于 WordNet 調(diào) 用 PointerUtils.getHypernymTree()方法直接獲取概念間分類關(guān)系。

Step2 以概念集為項目集，以語句為事務(wù)，基于閾值θ 抽取CC 二元頻繁項。

定義11 CC 二元頻繁項(CC)。表達(dá)概念間的二元關(guān)系，以二元組表示CC=(C，C)。

Step3 基于WordNet 過濾CC 二元頻繁項，刪除可識別關(guān)系的CC 二元頻繁項。

Step4 采用模式匹配技術(shù)識別CC 二元頻繁項中的分類關(guān)系，使用如下分類關(guān)系模式。

分類關(guān)系模式:

NP such as NP，NP…and NP

Such NP as NP，NP…or NP

NP，NP…and other NP

NP，especially NP，NP…and NP

NP is a NP

2.2 語義關(guān)系學(xué)習(xí)

語義關(guān)系描述了一種對象屬性，即兩個概念間的關(guān)系可用一個動詞表示。現(xiàn)有VCC(n)事務(wù)方法學(xué)習(xí)概念間語義關(guān)系基于假設(shè):如果概念C1、C2存在語義關(guān)系V，當(dāng)且僅當(dāng)C1、C2都出現(xiàn)在含有動詞V 的n 個詞內(nèi)，動詞和概念對間的這種關(guān)聯(lián)度則可以用一個條件概率來表示［8］。如圖5所示，本文借鑒VCC(n)事務(wù)方法的思想，通過挖掘CCV 頻繁項啟發(fā)式學(xué)習(xí)概念語義關(guān)系。

語義關(guān)系學(xué)習(xí)的步驟如下:

Step1 由語料庫中提取動詞集Vset。

Step2 讀取分類關(guān)系學(xué)習(xí)階段未標(biāo)識關(guān)系的CC 二元頻繁項。

Step3 以語句為事務(wù)，計算Ci1、Ci2、Vj在語料庫中同時出現(xiàn)的頻數(shù)TF。其中，Ci1Ci2∈CC，Vj∈Vset。

Step4 設(shè)定閾值γ，挖掘頻繁項Ci1Ci2Vj。Ci1、Ci2和Vj在語料庫中同時出現(xiàn)的頻數(shù)大于γ。

Step5 基于啟發(fā)式規(guī)則1 獲語義關(guān)系集SR。

啟發(fā)式規(guī)則1:若存在頻繁項Ci1Ci2Vj，則Ci1、Ci2存在語義關(guān)系Vj。

2.3 概念屬性學(xué)習(xí)

概念屬性學(xué)習(xí)是獲取概念內(nèi)涵的方法之一。從語言學(xué)角度，概念的屬性仍為概念，屬性值則是屬性的實例，因此概念屬性包含了概念與概念、概念與實例的關(guān)聯(lián)。概念屬性包含信息的多樣性，增加了概念屬性學(xué)習(xí)的難度。本文提出了模式匹配、CCC 三元頻繁項挖掘、啟發(fā)式規(guī)則與WordNet相結(jié)合的概念屬性學(xué)習(xí)方法，見圖6。

圖6 概念屬性學(xué)習(xí)Fig.6 Concepts attribute learning

概念屬性學(xué)習(xí)的步驟如下:

Step1 直接由WordNet 中查找概念的Part 屬性。

Step2 采用模式匹配技術(shù)識別剩余CC 二元頻繁項中的概念屬性關(guān)系，使用的模式為如下概念屬性模式。

NP’s NP

NP part of NP

Step3 以概念集為項目集，語句為事務(wù)，基于閾值δ 挖掘CCC 三元頻繁項Ci1Ci2Ci3。Ci1、Ci2和Ci3在語料庫中同時出現(xiàn)的頻數(shù)大于δ。

Step4 遍歷 CCC 三元頻繁項集，結(jié)合WordNet 基于啟發(fā)式規(guī)則2 學(xué)習(xí)概念屬性。

啟發(fā)式規(guī)則2:若CCC 三元頻繁項中有兩個概念存在上下位關(guān)系，且剩余概念和上述概念不存在上下位關(guān)系和同義關(guān)系，則CCC 三元頻繁項中存在概念、屬性和屬性值，其中屬性是屬性值的上位概念。

例1 如若C1是C2的下位概念，且C3和C1、C2不存在上下位關(guān)系和同義關(guān)系，則認(rèn)為C3具有屬性C2，其屬性值為C1，添加C3、C2、C1到概念屬性集中。

2.4 算法描述

算法1 K 元頻繁項挖掘算法

輸入:K-1 元頻繁項集LK-1，

事務(wù)集D，閾值V。

輸出:K 元頻繁項集LK。

1 CK-1=LK-1;

2 組成候選集:

3 令CK為容量為K 的那些集合的集合，

4 它們的所有非空真子集都屬于CK-1;

5 While CK不為空do

6 掃描事務(wù)集D:

7 計算CK中每個元素Ei的次數(shù)Ti;

8 令LK為CK中頻繁集的匯集;

9 IF Ti＞V Then

10 Ei加入LK;

11 End IF

12 End

算法2 模式匹配算法

輸入:概念C1、C2，模式P。

輸出:True 或者False。

1 生成模式:Pattern。compile(C1，C2，Pi);

2 掃描語料集:

3 以每篇文檔為母字符串生成匹配器;

4 執(zhí)行模式匹配，matcher。find();

5 IF 匹配成功Then

6 Return True;

7 Else

8 Return False;

9 End IF

10 End

3 實驗結(jié)果與分析

本文提出的面向文本的本體學(xué)習(xí)方法簡記為TOL。并選擇旅游領(lǐng)域的英文語料作為測試語料(http://www.lonelyplanet.com/destinations)驗證TOL。評價指標(biāo)采用查準(zhǔn)率、查全率和F 指數(shù)。從以下5 個方面給出實驗結(jié)果。語料庫不同，最佳閾值亦有所差別，因此通過實驗獲得各閾值。將實驗結(jié)果與較好的本體自動構(gòu)建平臺Text2Onto 的結(jié)果進行了對比分析。

3.1 術(shù)語抽取

實驗1 主要考查TOL 方法中閾值α 和β 的不同在術(shù)語抽取過程中對3 個評價指標(biāo)的影響情況，從而選擇最佳閾值。α 的取值范圍為0.003 ～0.009，β 的取值范圍為0.002 ～0.008。不同閾值對評價指標(biāo)的影響如圖7 ～圖9 所示。對于準(zhǔn)確度來說閾值選擇過小會產(chǎn)生噪聲數(shù)據(jù)，而閾值過大會過濾掉有用信息，可以看出當(dāng)α 為0.006，β為0.004 時，整體效果較好。把α 為0.006，β 為0.004 的結(jié)果與Text2Onto 的結(jié)果相比較，如表1所示，各項指標(biāo)均優(yōu)于Text2Onto，這與本文增加了短語學(xué)習(xí)密不可分。后續(xù)實驗均在α 為0.006，β 為0.004 的基礎(chǔ)上進行。

圖7 α－β－準(zhǔn)確度Fig.7 α－β－precision

圖8 α－β－召回率Fig.8 α－β－recall

圖9 α－β－F－measureFig.9 α－β－F－measure

表1 術(shù)語抽取實驗結(jié)果對比Table 1 Comparison of term extraction experiment

3.2 詞義消歧

實驗2 主要考查TOL 方法中基于主動學(xué)習(xí)的詞義消歧算法的性能。實驗數(shù)據(jù)采用Senseval-3 中的全文消歧任務(wù)作為測試集，該測試集由3篇文檔組成，共包含349 個句子、4903 個單詞，需要消歧的單詞有1969 個，短語有114 個。Text2Onto 直接將術(shù)語作為概念未提供詞義消歧功能，因此僅將實驗結(jié)果與SSI 算法的結(jié)果做了對比分析，對比結(jié)果見表2。TOL 各項指標(biāo)均顯著高于SSI，可見專家的適當(dāng)干預(yù)是提高詞義消歧的有效途徑。

表2 詞義消歧實驗結(jié)果對比Table 2 Comparison of WSD experiment

3.3 分類關(guān)系學(xué)習(xí)

實驗3 主要考查TOL 方法中閾值θ 的變化在分類關(guān)系學(xué)習(xí)過程中對3 個評價指標(biāo)的影響情況，從而選擇最佳閾值。θ 的取值范圍為3 ～9，不同閾值對評價指標(biāo)的影響如圖10 所示，可以看出當(dāng)θ 為6 時，整體效果較好。另外把θ 為6 的結(jié)果與Text2Onto 的結(jié)果相比較，對比結(jié)果見表3。TOL 各項指標(biāo)均高于Text2Onto，其中準(zhǔn)確率高出Text2Onto 6 個百分點。這要歸功于本文采用了多種策略相結(jié)合的分類關(guān)系學(xué)習(xí)方法。

圖10 θ－準(zhǔn)確度－召回率－F－measureFig.10 θ－precision－recall－F－measure

表3 分類關(guān)系學(xué)習(xí)實驗結(jié)果對比Table 3 Comparison of IS－A relation learning

3.4 語義關(guān)系學(xué)習(xí)

實驗4 主要考查TOL 方法中閾值γ 的變化在語義關(guān)系學(xué)習(xí)過程中對3 個評價指標(biāo)的影響情況，從而選擇最佳閾值。γ 的取值范圍為3 ～9，不同閾值對評價指標(biāo)的影響如圖11 所示，可以看出當(dāng)γ 為5 時，整體效果較好。另外把γ 為5 的結(jié)果與Text2Onto 的結(jié)果相比較，對比結(jié)果見表4。TOL 的準(zhǔn)確率、召回率和F-measure 值均稍高于Text2Onto。

圖11 γ－準(zhǔn)確度－召回率－F－measureFig.11 γ－precision－recall－F－measure

表4 語義關(guān)系學(xué)習(xí)實驗結(jié)果對比Table 4 Comparison of semantic relation learning

3.5 概念屬性學(xué)習(xí)

實驗5 主要考查TOL 方法中閾值δ 的變化在概念屬性學(xué)習(xí)過程中對3 個評價指標(biāo)的影響情況，從而選擇最佳閾值。δ 的取值范圍為2 ～8，不同閾值對評價指標(biāo)的影響如圖12 所示，可以看出當(dāng)δ 為4 時，整體效果較好。另外，Text2Onto 尚未提供概念屬性的學(xué)習(xí)。

圖12 δ－準(zhǔn)確度－召回率－F－measureFig.12 δ－precision－recall－F－measure

4 結(jié)束語

本文提出的面向文本的本體學(xué)習(xí)方法，使用統(tǒng)計和名詞性短語模式學(xué)習(xí)術(shù)語，并利用主動學(xué)習(xí)技術(shù)改進SSI 算法實現(xiàn)術(shù)語的語義排歧以獲取概念，采用頻繁項挖掘與模式匹配技術(shù)結(jié)合WordNet 學(xué)習(xí)概念上下位關(guān)系，通過挖掘CCV 頻繁項啟發(fā)式學(xué)習(xí)概念語義關(guān)系，結(jié)合模式匹配、CCC 三元頻繁項挖掘、啟發(fā)式規(guī)則與WordNet 學(xué)習(xí)概念屬性，實驗結(jié)果表明TOL 方法整體效果較好，改善了概念語義排歧效果，豐富了短語概念學(xué)習(xí)與語義關(guān)系學(xué)習(xí)，提高了本體自動構(gòu)建的準(zhǔn)確度，可降低本體構(gòu)建的代價。其中，提出的基于主動學(xué)習(xí)的語義排歧算法，彌補了SSI 算法無法處理所有術(shù)語在WordNet 中都不是獨義的情況的不足;并增加了概念屬性的學(xué)習(xí)。

［1］葉育鑫，歐陽丹彤，領(lǐng)吉，等.本體與規(guī)則整合的推理方法研究及設(shè)計［J］.吉林大學(xué)學(xué)報:工學(xué)版，2009，39(5):1297-1302.Ye Yu-xin，Ouyang Dan-tong，Ling Ji，et al.Research and design of reasoning algorithm with ontologies and rules［J］.Journal of Jilin University(Engineering and Technology Edition)，2009，39(5):1297-1302.

［2］白巖，劉大有，劉杰.一種移動Agent 通信中本體信息調(diào)整方法［J］.吉林大學(xué)學(xué)報:工學(xué)版，2007，37(3):587-590.Bai Yan，Liu Da-you，Liu Jie.Ontology based information alignment method in mobile Agent communication［J］.Journal of Jilin University(Engineering and Technology Edition)，2007，37(3):587-590.

［3］Philipp Cimiano，Johanna V?olker.Text2Onto a framework for ontology learning and data-driven change discovery［C］∥LNCS，2005，3513:227-238.

［4］Shamsfard M，Barforoush A A.Learning ontologies from natural language texts［J］.Journal of Human-Computer Studies，2004，60(1):17-63.

［5］Navigli R，Velardi P，Gangemi A.Ontology learning and its application to automated terminology translation［J］.IEEE Intelligent Systems，2003，18(1):22-31.

［6］Avigdor G，Giovanni M，Hasan J.OntoBuilder:fully automatic extraction and consolidation of ontologies from web sources［C］∥Proc of the ICDE，Boston:IEEE Computer Society，2004:853-858.

［7］Fortuna Blaz，Grobelnik Marko，Mladenic Dunja.OntoGen:semi-automatic ontology editor［C］∥HCII，2007:309-318.

［8］邢軍，韓敏.基于兩層向量空間模型和模糊FCA 本體學(xué)習(xí)方法［J］.計算機研究與發(fā)展，2009，46(3):443-451.Xing Jun，Han Min.An ontology learning method based on double VSM and fuzzy FCA［J］.Journal of Computer Research and Development，2009，46(3):443-451.

［9］Zouaq Amal，Gasevic Dragan，Hatala Marek.Towards open ontology learning and filtering［J］.Information Systems，2011，36(7):1064-1081.

［10］Ruiz-Martinez J M，Valencia-Garcia R，F(xiàn)ernandez-Breis J T，et al.Ontology learning from biomedical natural language documents using UMLS［J］.Expert Systems with Applications，2011，38(10):12365-12378.

［11］Yang Qing，Cai Kai-min，Sun Jun-li，et al.Design analysis and implementation for ontology learning model［C］∥ICCET，2010:164-167.

［12］Jiang Xing，Tan Ah-hwee.CRCTOL:a semanticbased domain ontology learning system［C］∥ICCET，2010:3164-3167.

［13］Navigli R，Velardi P.Structural semantic interconnections:acknowledge-based approach to word sense disambiguation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27(7):1075-1086.

［14］Patwardhan S，Banerjee S，Pedersen T.UMND1:unsupervised word sense disambiguation using contextual semantic relatedness［C］∥The 4th International Workshop on Semantic Evaluations，2007:390-393.

［15］Pedersen T，Kolhatkar V.WordNet:SenseRelate:All-Words -a broad coverage word sense tagger that maximizes semantic relatedness［C］∥NAACL HLT，2009:17-20.

［16］McCarthy Diana，Koeling Rob，Weeds Julie，et al.Unsupervised acquisition of predominant word senses［J］.Computational Linguistics，2007，33(4):553-590.

［17］Eneko Agirre，Oier Lopez de Lacalle，Aitor Soroa.Knowledge-based WSD on specific domains:performing better than generic supervised WSD［C］∥The Twenty-First International Joint Conference on Artificial Intelligence，2009:1501-1506.

［18］Lu Zhi-mao，Liu Ting，Zhang Gang，et al.Word sense disambiguation based on dependency relationship analysis and Bayes model［J］.High Technology Letters，2003，13(5):1-7.

［19］Chen P，Ding W，Bowes C，et al.A fully unsupervised word sense disambiguation method using dependency knowledge human language technologies［C］∥The Annual Conference of the North American Chapter of the ACL，2009:28-36.

［20］Lu Wen-peng，Huang He-yan，Zhu Chao-yong.Feature words selection for knowledge-based word sense disambiguation with syntactic parsing［J］.Przeglad Elektrotechniczny，2012，88:82-87.

［21］Huang He-yan，Lu Wen-peng.Knowledge-based word sense disambiguation with feature words based on dependency relation and syntax tree［J］.IJACT，2011，3(8):73-81.

［22］Leacock Claudia，Chodorow Martin.Combining local context and WordNet similarity for word sense identification［C］∥Fellbaum，1998:265-283.