主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第4期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
杨立,左春,王裕国.基于语义距离的K-最近邻分类方法.软件学报,2005,16(12):2054-2062
基于语义距离的K-最近邻分类方法
K-Nearest Neighbor Classification Based on Semantic Distance
投稿时间:2004-04-09  修订日期:2005-01-24
DOI:
中文关键词:  本体  语义距离  最近邻  分类
英文关键词:ontology  semantic distance  kNN  classification
基金项目:Supported bythe National High-Tech Research and Development Plan of China under Grant No.2003AA112050(国家高技术研究发展计划(863));the Key Science-Technology Project of the National'Tenth Five-Year-Plan'of China under Grant No.2001BA102A05-02(国家"十五"科技攻关计划)
作者单位
杨立 中国科学院,软件研究所,北京,100080
中国科学院,研究生院,北京,100049 
左春 中国科学院,软件研究所,北京,100080 
王裕国 中国科学院,软件研究所,北京,100080 
摘要点击次数: 2772
全文下载次数: 3974
中文摘要:
      最近邻分类方法中对距离机制的研究大都集中在根据何种计算方法将不同属性取值的差异集中起来,而未考虑到同一属性间取值的语义差异所带来的影响;而且传统算法的分类准确率对于不同抽象层次描述的数据集带来的数据不完整性相当敏感.针对这两个问题,提出一种基于语义距离的最近邻分类方法SDkNN(semantic distance based k-nearest neighbor).该方法分析了同一属性内取值的语义差异,说明了如何基于领域本体计算语义距离,并将其应用到kNN算法中.经过在UCI数据集以及实际应用数据集中验证,SDkNN的整体性能要优于传统方法,在数据不完整的情况下效果更为明显,实践证明,SDkNN有较好的应用价值.
英文摘要:
      Most research on distance metric of kNN classification is focused on how to integrate the differences caused by various attributes, and the semantic difference between values of the same attribute is ignored. In addition, classification accuracy of the traditional approaches is very sensitive to the incomplete data described on different abstract levels. In this paper, a novel kNN approach based on semantic distance——SDkNN (semantic distance based k-nearest neighbor) is presented, which solves the two problems mentioned above. This approach analyzes the semantic difference between values of an attribute and presents how to calculate the semantic distance based on domain ontologies, and the semantic distance is then used to improve the traditional kNN methods. Experiments on the UCI (University of California, Irvine) machine learning repository and real application datasets show that the overall performance of SDkNN outperforms the traditional one, especially when the data is incomplete. SDkNN also has the desirable application value in practice.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利