【摘要】：[目的 /意義]挖掘不同名稱數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系,將關(guān)于某一實體或主題的領(lǐng)域知識表現(xiàn)出來,這對實現(xiàn)不同層次、不同粒度的知識體系的解構(gòu)和重構(gòu)、提供滿足多種需求的知識服務工作具有重要的研究意義。[方法/過程]提出一種基于人物實體數(shù)據(jù)運行關(guān)聯(lián)規(guī)則挖掘?qū)嶒灥难芯靠蚣?通過對人物實體條目的抽取、預處理及屬性識別與分類等處理方法,利用R語言得到人物實體集的關(guān)聯(lián)規(guī)則,實現(xiàn)多種名稱數(shù)據(jù)的關(guān)聯(lián),最后從Wikidata知識庫提取113位諾貝爾文學獎得主的實體條目進行實證分析。[結(jié)果 /結(jié)論]分析右部為地點名稱、機構(gòu)名稱、時間名稱和主題名稱等4種不同類型規(guī)則的關(guān)聯(lián)特征,實現(xiàn)不同名稱數(shù)據(jù)類型的關(guān)系挖掘問題。本研究可為知識的揭示、聚合和關(guān)聯(lián)提供新的視角,探索了數(shù)據(jù)挖掘技術(shù)在名稱數(shù)據(jù)中的應用。
【圖文】：

識，為更好地促進名稱數(shù)據(jù)方面的關(guān)聯(lián)關(guān)系揭示和知識挖掘研究，為利用關(guān)聯(lián)規(guī)則技術(shù)開展知識關(guān)聯(lián)和知識服務工作提供借鑒。2研究框架與方法2．1研究框架人物實體條目中的許多屬性值是可訪問的、名稱數(shù)據(jù)型的資源，本文主要利用某一群體內(nèi)人物實體所涉及的名稱數(shù)據(jù)之間的關(guān)聯(lián)性，挖掘隱形的潛在知識。因此，本研究嘗試將人物信息條目看作事務型數(shù)據(jù)類型，將若干個屬性及其取值具體化為事務項，，使用基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘技術(shù)應用于人物實體集，通過對規(guī)則的關(guān)聯(lián)分析，獲取資源間的未知信息。本文的研究框架如圖1所示，首先，從知識庫中抽取選定群體內(nèi)所有人物實體的條目，用于構(gòu)建人物實體集;然后，人工識別屬性值為名稱數(shù)據(jù)型資源及其關(guān)聯(lián)的屬性名稱，將篩選后的數(shù)據(jù)轉(zhuǎn)化為事務型數(shù)據(jù)格式;接著，選擇Apriori算法運行挖掘布爾型關(guān)聯(lián)規(guī)則的實驗，主要步驟分為數(shù)據(jù)分析、頻繁項集發(fā)現(xiàn)及關(guān)聯(lián)規(guī)則生成;最后，根據(jù)規(guī)則左右部的名稱數(shù)據(jù)類型標識其規(guī)則類型，按照劃分后的種類對規(guī)則進行關(guān)聯(lián)分析。2．2研究方法2．2．1數(shù)據(jù)源與采集方法目前，以關(guān)聯(lián)數(shù)據(jù)形式構(gòu)建的大規(guī)模知識庫不斷涌現(xiàn)，因其具有結(jié)構(gòu)化、可訪問性和開放性等特點，為數(shù)據(jù)挖掘提供了豐富、可靠的資源。Wikidata是一個多語言、開放協(xié)作、支持復用的知識庫項目［6］。根據(jù)2015年10月的維基數(shù)據(jù)統(tǒng)計報告［7］，人物實體條目約占總庫的18．5%，團體名稱和行政領(lǐng)土實體名稱的條目數(shù)位列其后，分別約占12．6%和12．3%。在人物實體條目頁面中，Wikidata通過“P+ID”形式的屬性(property)，使用OWL語言、SKOS和Schema等詞匯集具體描述人物實體的特性和關(guān)系，實現(xiàn)了多種名稱數(shù)據(jù)條目之間的連接，提高了數(shù)據(jù)的效用和價值。因此，本文選擇Wikidata為實驗數(shù)?

tralhome籍貫P6Ｒesidence居住地點P7Worklocation工作地點P8archivesat存檔地點機構(gòu)名稱P9educatedat畢業(yè)院校P10memberof所屬組織P11employer供職機構(gòu)P12memberofpoliticalparty所屬政黨P13awardreceived所獲獎項P14religion宗教組織事件名稱P15conflict戰(zhàn)爭人物名稱P16influencedby影響者時間名稱P17dateofbirth出生年份P18dateofdeath逝世年份主題名稱P19movement藝術(shù)流派P20genre文學體裁物實體的基本信息，每一項代表一個屬性及其屬性值，項采用“屬性序號_屬性值”的表示形式。數(shù)據(jù)的存儲格式如圖2所示，“P1_France”的含義為“人物1的國籍是法國”。圖2數(shù)據(jù)存儲格式3．2實驗過程3．2．1數(shù)據(jù)分析根據(jù)結(jié)果可知:數(shù)據(jù)集共包含113條事務數(shù)據(jù)、990個不同的項;在這些事務數(shù)據(jù)中，最少的包含5個項，最多的包含57個項。項頻率的最大值為0．3186，最小值和3個四分位數(shù)的值均為0．00885，說明支持度閾值應設(shè)定在兩個數(shù)值之間。頻率最高的前20位的項如圖3所示，橫坐標為項的頻率，縱坐標為項名，可知:{P10_AmericanAcademyofArtsandSciences}出現(xiàn)的頻率約為0．32，是事務數(shù)據(jù)中最頻繁出現(xiàn)的項;其余項的頻率大致分布在0．08－0．14左右;出生年份和逝世年份屬性是較為頻繁的項。圖3前20位出現(xiàn)頻率最高的項3．2．2參數(shù)設(shè)置經(jīng)過多次對支持度閾值的調(diào)整和試驗，在挖掘頻繁項集過程中，最小支持度閾值設(shè)為0．025;在運行關(guān)聯(lián)規(guī)則生成過程中，最小支持度閾值設(shè)為0．025，最小置信度閾值設(shè)為0．5，規(guī)則最小長度為2，并按照提升度降序排序。3．2．3結(jié)果分類與篩選實驗最終得到238條關(guān)聯(lián)規(guī)則。在這些規(guī)則中，長度為2、3、4的規(guī)則數(shù)量分別為125條、107條、6條;規(guī)則右部所涉及的屬性共12種，分別為國籍、出生地點、逝世


本文編號：2576216