以“ontology learning"为关键词,在springerLink数据库中检索到的结果如下:
       版权 2008 (1) 2007 (6) 2006 (7) 2005 (1) 2004 (1) 2003 (2) 2002 (1) 2001 (1)
       分布为:图书 (1) ,图书章节 (18) ,期刊文章 (1)
Supporting Lexical Ontology Learning by Relational Exploration
         完成设计和完善问题的众多人物所使用的半自动化方法将决定本体使用的成功与否。本文描述了通过结合自然语言检索(NLP) 和规则概念分析(FCA)两种技术来构建和完善本体的方法.我们指出怎样在两个领域当中协同,才能够建立比较完善的本体从而克服两种技术的缺点。
A Web-Based Novel Term Similarity Framework for Ontology Learning(一种基于网络的新术语相似框架) 53
        给定两个对象进行相似度计算对于本体学习和数据挖掘是非常重要的。我们提出了一种基于传统搜索引擎相似度框架。我们使用网络搜索引擎可以得到两个方面的好处。第一,我们可以获得通过某个术语表达的最新指示的最新内容。这一点对于动态本体管理来说是尤其有用得,本体动态管理必须包含进新概念或者新术语出现的时间。第二,通过比较大量抓取如文集的网络文本的方法,我们提出的方法对于数据稀少这一问题并不那么敏感,因为我们利用搜索引擎访问了尽可能多的内容。在我们提出的方法论核心内容中,我们表明了相似度计算的两种不同的方法,一种基于相互信息而另一种则是基于特征的度量。更进一步,我们展示怎么适用这是度量来修正已有的本体,最后,我们适用WordNet的语义相似度比较了萃取的相似度关系。实验结果表明我们的方法可以抽取出那些在传统概念本体中无法表示的术语的主题关系。
Automated Ontology Learning and Validation Using Hypothesis Testing(自动本体学习以及利用假设测试来检验其有效性)
         本文描述了AVALON-本体获取及有效性项目。这个项目的目的在于在自动化控制系统上下文中,通过使用本体学习的方法减少知识获取瓶颈。我们将介绍从文本数据以及基于萃取知识的规则假设中,自动的抽取知识的技术。在现实生活中,比如商业数据,假设是有效的以及反馈的结果进入了系统中,因此关掉自动控制系统的反馈循环。但是这个项目目前还在开发当中,我们只是展示我们的中期成果以及该系统的基本观点。
Discovery of Lexical Entries for Non-taxonomic Relations in Ontology Learning(本体学习中的非分类关系的词汇条目的发现)
         本体学习已经被作为一种在模型化过程中,帮助本体设计的一种新的技术被提出。非分类关系发现可以理解为在那里解决问题的最新方法。我们提出了一种抽取词汇条目的技术,抽取词汇条目在分配语义标签提供了线索。
Hybrid Learning of Ontology Classes(本体类的混合学习)
         我们提出了应用进化的有灵感的方法来解决这个问题(描述逻辑)。我们展示Genetic Programming是怎么被应用到在描述逻辑中的学习上的俄,并且将其与Inductive逻辑程序的技术相结合。我们将我们的算法建立在整个理论基础之上并且进行了初步的评价。
Learning Ontolgy from Relational Database(从关系型数据库中学习本体)
         本文提出了一种从关系型数据库中学习OWL本体的方法。与向右方法相比,这者方法可以从关系型数据库中自动获取本体,通过适用一系列的学习规则而非使用中间模型。除此之外,也可以获取OWL本体,包括类,属性,属性特征,日期和实力,但是没有一种现有的方法可以获取所有这些信息。提出的学习规则在实际中得到了考验并得到了修正。
Mining Query Log to Assist Ontology Learning from Relational Database(挖掘检索日志从关系数据库中来辅助本体学习)
        本文提出了一种在数据维上,通过挖掘用户检索日志来壮大本体学习过程。除此之外,我们还提出了一系列抽取机制的规则,这种抽取规格可以作为本文提出方法的基础。这种方法可以应用到先进关系型数据仓库更大范围内。
On the Need to Bootstrap Ontology Learning with Extraction Grammer Learning()
         本文主要是声称的是机器学习可以帮助整合本体的构建以及语法的抽取,并使我们更加接近于语义网。本文所提出的方法是可以结合本体以及语法学习的引导程序过程,目的在于使知识获取过程半自动化。为了达到此目标,我们先进行了许多相关研究的调查。最近的研究包括NCSR软件和知识工程库(SKEL),尤其是在网页信息整合,信息抽取,语法引导以及本体丰富都被提到。
Ontology Learning for Medical Digital Libraries(医学数字图书馆的本体学习)
        本项目旨在寻求一种自动丰富现有本体的方法,尤其是本体中定义的概念语义关系。初始研究为:在医学领域中使用UMLS语义网来归纳相关规格和推导语义关系的类型,从而研究有关联的概念的定义。在分析药学包含每一对概念的抽象的基础上,通过比较手动赋予语义关系的结果来评价这种方法的效果。那么我们的初始研究结果表明这个自动处理过程是有前途的,与手动标引相比,覆盖了68%。但是,药学抽象类自然语言处理很有可能可以玩上语义关系的定义。
Ontology Learning from Text:A Soft Computing Paradigm(文本本体学习:以软计算为范例)
        本文提出了一种建立在软计算框架上的三层模型,用于自动的从利于专业平行文本中获取多语种本体。目标是使语义敏捷信息能够并访问,不管语义网上的语种是什么。

本体学习方法:(归入本体构建中)结合自然语言检索(NLP) 和规则概念分析(FCA)两种技术来构建和完善本体 Supporting Lexical Ontology Learning by Relational Exploration
               基于网络的新术语相似框架 A Web-Based Novel Term Similarity Framework for Ontology Learning
               从文本数据以及基于萃取知识的规则假设中,自动的抽取知识的技术Automated Ontology Learning and Validation Using Hypothesis Testing
              一种抽取词汇条目的技术Discovery of Lexical Entries for Non-taxonomic Relations in Ontology Learning
             从关系型数据库中自动获取本体,通过适用一系列的学习规则而非使用中间模型
Learning Ontolgy from Relational Database挖掘检索日志从关系数据库中来辅助本体学习
Mining Query Log to Assist Ontology Learning from Relational Database