摘要：为了改善基于关键词的垂直搜索引擎查全率低和相关排序效果不佳的缺点,提出了基于本体的垂直搜索引擎分类索引模型。设计了一种基于领域本体的分类体系,实现了基于该分类体系的细粒度文本分类,并将分类信息写入索引,增加了索引的语义信息。在lucene原有索引结构的基础上,重新设计了索引的逻辑结构和物理结构,使类别信息和关键词信息合理融合,形成分类索引。最后提出针对该索引的检索算法,并举例验证了该模型的有效性。

摘要：为了解决传统文本过滤以关键字检索为主导产生的弊端,利用文本与文本特征之间的关系,并考虑到概念之间的关联,提出了一种基于概念格的文本过滤模型。在以传统的向量空间模型对文本进行表示的基础上,将文本与文本特征之间的关系以概念格的形式加以表示。设计了基于领域本体的概念相似度的计算方法,以概念相似度对概念之间的关联进行衡量。利用了概念格中的层次关系,设计了一个基于概念格的匹配过滤算法。实验结果表明,该模型能有效实现领域文本的过滤。

摘要：针对现有的K-Means算法K值需要人工赋值、随机选取初始中心点、文本表示维度高且缺乏语义的缺陷,提出了一种基于概念格的K-Means算法——K-MeansBCC(K-means algorithm based on concept lattice)。将文本集经预处理转化为形式背景,在此基础上生成概念格;利用概念格中的概念表示文本,根据文本中概念的权重确定K值、选取初始中心点。最后设计了文本间的概念相似度计算公式,并由K-Means算法产生聚类结果。实验结果表明,该算法提高了聚类的效率和准确性。