海量、动态、嘈杂语义数据集上的递增随时推理方法研究

This project proposes an incrementally anytime reasoning method in large-scale, dynamical and noisy semantic data set. The motivation is that, firstly, traditional reasoning methods want to get complete results, and assume that the semantic data set is stable and clear, thus it can not be used in the semantic data set with the above mentioned characteristics. Secondly, we have already carried out three research work which can support the project. First, we have established the initial processing method for noisy semantic data, experimental results show that the quality of reasoning results have been increased about 100%. This work is the Urban Computing sub-project in the LarKC, which is the biggest Semantic Web project supported by European Commission. Second, we proposed a reasoning optimization method based on resolvable relevant function. This work have applied three PCT international patents, and been published in an international journal paper. Third, we introduce a general semantic distance calculation method based on search results. This work have applied one Chinese patent and been published in an international conference paper. We plan to extend our previous work in this project, achieve three goals: Firstly, to use resolvable relevant function to incrementally calculate the most important results. Secondly, to use resolvable relevant tree to dynamically adjust the validation of results. Thirdly, to use general semantic distance to assure correctness of results in the noisy semantic data processing.

本项目提出海量、动态和嘈杂语义数据集上的递增随时推理方法。立项依据是：1、传统推理方法追求完整解，并假设数据的稳定性和一致性，无法处理具有上述特征的语义数据集；2、在前期研究中，1）我们已经初步建立了嘈杂语义数据的处理方法，且实验表明推理结果的质量提高了约一倍（该工作为欧盟最大的语义网项目LarKC中城市计算子项目，结果发表在语义网领域顶级国际会议ISWC2011）。2）提出了消解相关性函数优化推理性能的方法（工作已申请三项PCT国际专利，发表一篇国际杂志文章）。3）提出了使用搜索结果计算一般语义距离的方法（工作已申请一项国内专利，发表一篇国际会议文章）。这些研究结果初步验证了递增随时推理方法的可行性。本项目计划进一步扩展研究工作，完成三个核心任务：1、设计消解相关函数来递增选择最重要的数据进行推理；2、使用消解相关树动态更新解的有效性；3、使用一般语义距离保证嘈杂语义数据推理中解的合理性

本项目提出海量、动态和嘈杂语义数据集上的递增随时推理方法。项目完成目前标准的语义网表示语言消解相关性函数的定义和计算方法；完成了海量、动态和嘈杂语义数据处理的递增随时推理框架；构建消解相关树，并使用它来指导动态语义数据处理，保证计算结果的有效性。设计了嘈杂语义数据处理的通用框架，在此框架下使用一般语义距离来指导嘈杂语义数据的处理，并衍生了转折推理的方法；针对多推理问题，提出了同时多推理的方法，并进行了实现和测试。最后，本项目在LarKC上实现了递增随时推理的方法，并整合到RSM系统中，在千亿的交通数据集（嘈杂率23%）上测试了递增随时推理方法的有效性。本项目发表了相关的研究成果共26项，其中第一作者和第一发明人的成果15项。本项目为语义物联网上的推理给出了一种实用的新方法，其研究成果具有良好的推广性和应用性，以及潜在而广泛的应用前景。