[发明专利]一种本体排序方法及系统

摘要

本发明提供了一种本体排序方法及系统，其中，该方法包括学习方法与预测方法，所述学习方法包括采集样本步骤、构建本体向量步骤、生成基学习器步骤与生成集成模型步骤；所述预测方法包括如下步骤向所述集成模型中输入预测集样本，所述集成模型输出预测集样本的本体排序结果。本发明实施例使用集成学习的思想，通过采用列表投票法、Bagging与Random Forests将若干不同或相同的基学习器融合成不同的集成模型，充分发挥各类算法的优势，提高模型对于本体的排序准确率和泛化能力。

主权项

一种本体排序方法，其特征在于，包括：学习方法与预测方法，所述学习方法包括如下步骤：采集样本步骤，从搜索引擎中获取本体文件作为样本集，将所述样本集按照一定比例分为训练集、验证集与预测集；构建本体向量步骤，提取所述本体文件的本体特征，然后将标准评分、检索编号、特征编号与特征值映射成数值特征向量，其中，所述标准评分为按照查询项与本体文件的相关性给出的人工评分；所述检索编号为查询项的编号；所述特征编号为本体特征编号；所述特征值为本体文件相应的特征值；生成基学习器步骤，将所述训练集的所述本体向量通过排序算法训练生成基学习器；其中，所述排序算法包括MART、RB、RN、AR和CA，将所述训练集的所述本体向量通过排序算法训练生成基学习器包括：结合评价指标平均查准率均值MAP、标准化折扣增益NDCG和期望排名倒数ERR，将所述训练集的所述本体向量通过所述排序算法分别训练生成MART基学习器、RB基学习器、RN基学习器、AR_ERR基学习器、AR_MAP基学习器、AR_NDCG基学习器、CA_ERR基学习器、CA_MAP基学习器、CA_NDCG基学习器这9个基学习器；生成集成模型步骤，采用集成学习的方法将所述基学习器融合成集成模型；其中，所述集成学习的方法包括列表投票法或bagging或随机森林；交叉验证步骤，采用交叉验证法将验证集的本体向量输入至所述集成模型中进行验证、优化；所述预测方法包括如下步骤：预测样本步骤，向所述集成模型中输入预测集样本的本体向量，所述集成模型输出预测集样本的本体排序结果。