领域知识在文本聚类应用中的机遇和挑战

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (6): 88-91.doi: 10.3969/j.issn.1007130X.2010.

领域知识在文本聚类应用中的机遇和挑战

景丽萍，恽佳丽，于剑

（北京交通大学计算机与信息技术学院，北京 100044）

收稿日期:2009-09-06 修回日期:2009-12-10 出版日期:2010-06-01 发布日期:2010-06-01
通讯作者: 景丽萍 E-mail:lpjing@bjtu.edu.cn
作者简介:景丽萍（1978），女，河南南阳人，博士，讲师，研究方向为文本挖掘、领域知识、生物信息学和聚类算法；恽佳丽，博士生，研究方向为文本挖掘和领域知识；于剑，教授，博士生导师，研究方向为机器学习和图像处理等。
基金资助:
国家973计划资助项目（2007CB311002）；国家自然科学基金资助项目（90820013，60875031，60905028）

Domain Knowledge in Text Mining:Opportunities and Challenges

JING Liping,YUN Jiali,YU Jian

（School of Computer and Information Technology,Beijing Jiaotong University,Beijing 100044,China）

Received:2009-09-06 Revised:2009-12-10 Online:2010-06-01 Published:2010-06-01

摘要/Abstract

摘要：

最近几年，越来越多学者意识到单靠数据驱动的无监督聚类方法很难满足用户对富含语义信息的文本数据的处理需求。领域知识，如领域本体的人工或自动构建、百科全书Wikipedia的网上公布为文本处理带来了新的希望和美好的前景。本文主要阐述领域知识在文本聚类过程中的具体应用、研究现状和所面临的挑战。

关键词: 领域知识, 文本聚类, 知识表示, 文本表示模型

Abstract:

Recently, more and more researchers realize that it is hard to satisfy the users’ needs of the datadriven unsupervised learning methods in text data analysis. Fortunately, the appearance of domain knowledge provides a bright future for this problem. Domain knowledge, at present, is usually represented as ontology hierarchy (built artificially) or encyclopedia (e.g., online Wikipedia). In this paper, we describe how the domain knowledge is used in processing text mining, review the related work,and point out the challenges in this research direction.

Key words: domain knowledge;text mining;knowledge representation;text representation model

中图分类号:

TP18

景丽萍，恽佳丽，于剑. 领域知识在文本聚类应用中的机遇和挑战[J]. J4, 2010, 32(6): 88-91.

JING Liping,YUN Jiali,YU Jian. Domain Knowledge in Text Mining:Opportunities and Challenges[J]. J4, 2010, 32(6): 88-91.

[1]	马赫, 王海荣, 周北京, 孙崇, 徐玺. 基于表示学习的实体对齐方法综述[J]. 计算机工程与科学, 2023, 45(03): 554-564.
[2]	武国胜, 张月琴. 基于LSA模型的改进密度峰值算法的微学习单元文本聚类研究[J]. 计算机工程与科学, 2020, 42(04): 722-732.
[3]	王亚强1,2，臧根林1,2，吴庆蓉1,2，占春丽1,2，谢新扬1,2. 一种领域知识图谱的本体根类型设计[J]. 计算机工程与科学, 2019, 41(10): 1861-1867.
[4]	马慧芳，朱志强，成玉丹，贾俊杰. 基于核心词项平均划分相似度的短文本聚类算法[J]. 计算机工程与科学, 2017, 39(08): 1562-1569.
[5]	曹准1，2,李永建1. 基于优化目的的人机界面知识化表示方法[J]. 计算机工程与科学, 2017, 39(03): 580-585.
[6]	陈功1，黄瑞章1，2，钟文良1. 基于社交特征的多维度文本表示方法[J]. 计算机工程与科学, 2016, 38(11): 2348-2355.
[7]	吐尔地·托合提，艾海麦提江·阿布来提，米也塞·艾尼玩，艾斯卡尔·艾木都拉. 一种结合GAAC和Kmeans的维吾尔文文本聚类算法[J]. J4, 2013, 35(7): 149-155.
[8]	丁建立1,2,杨博1,2,雷雄3. 基于MapReduce的航空公司服务品质热点发现算法[J]. J4, 2013, 35(4): 130-135.
[9]	马甲林,刘金岭,于长辉. 一种高效中文文本聚类算法[J]. J4, 2013, 35(2): 103-108.
[10]	王振宇1，唐远华1，郭力2. 面向分层结构的网页分类与抓取[J]. J4, 2012, 34(11): 1-6.
[11]	金春霞,周海岩. 位置加权文本聚类算法[J]. J4, 2011, 33(6): 154-158.
[12]	刘晓勇. 基于最优适值保留的蚁群文本聚类算法[J]. J4, 2010, 32(5): 79-81.
[13]	陈余许威赵克杨欢. 一个领域自然语言理解的知识获取工具的设计实现[J]. J4, 2008, 30(5): 147-149.
[14]	张绍兵[1] 季厌浮[2] 高志军[1]. 基于神经网络专家系统的研究与实现[J]. J4, 2008, 30(4): 156-158.
[15]	王岑潘正华. 基于中介逻辑的模糊知识表示及应用[J]. J4, 2008, 30(11): 80-82.

领域知识在文本聚类应用中的机遇和挑战

Domain Knowledge in Text Mining:Opportunities and Challenges

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价