一种工业酶非分类关系抽取仿真研究

徐一红

(山东管理学院机电学院,山东 济南 250100)

本体是概念模型的明确规范说明[1],是描述某个领域内的概念以及概念间的关系,使得这些概念和关系在共享的范围内具有大家共同认可的、明确的、唯一的定义[2]．近年来,本体被广泛应用到语义web、智能信息检索、信息集成及人工智能等多个领域．但是本体的构建大多采用人工构造,需耗费大量的人力、物力,本体学习应运而生．非分类关系是本体学习中的高层概念.当前,国外对英文非分类关系的提取常采用3种模式:词汇-句法模式[3]、句法分析模式[4]以及关联规则模式[5]．文献[6]中对英文,利用了词汇-句法模式和关联规则模式抽取英文的非分类关系．中文本体非分类关系抽取的研究相对较少,文献[7]大多利用挖掘关联规则的方式抽取中文的非分类关系．

一些科研人员意识到了关联规则挖掘在中文非分类关系抽取中的应用价值．仿生智能算法以其寻优速度快,鲁棒性强等优势已成挖掘关联规则的重要研究算法,应用较广泛的有Marco Dorigo在1992年提出的蚁群算法(ACO)[8], 1995 年由Eberhart博士和Kennedy博士提出的粒子群算法(PSO)[9],Ferreira于2001年提出的基因表达式编程算法(GEP)[10],Karaboga在2005年提出的人工蜂群算法(ABC)[11],Yang于 2008 年提出了一种启发式随机优化算法——萤火虫算法 (FA)[12].FA算法在函数寻优方面得到了广泛应用[13],但由于FA算法本身的局限性易使寻优陷入局部最优．本文提出了一种基于小生境技术的萤火虫算法,该方法整合了萤火虫算法及小生境技术的……