regex - 基于本体的字符串分类

Question

我最近开始使用本体，我正在使用 Protege 构建一个本体，我也想用它来自动分类字符串。下面说明了一个非常基本的类层次结构:

String
|_ AlphabeticString
   |_ CountryName
   |_ CityName
|_ AlphaNumericString
   |_ PrefixedNumericString
|_ NumericString

最终像 Spain 这样的字符串应该被归类为 CountryName 或者 UE4564 将是一个 PrefixedNumericString 。

但是，我不确定如何对这些知识进行建模。我是否必须首先定义一个字符是字母、数字等，然后从现有字符构造一个单词还是有办法使用正则表达式？到目前为止，我只能根据 String and hasString value "UE4565" 之类的确切短语对字符串进行分类。

或者最好为本体中的每个类保护一个正则表达式，然后使用这些正则表达式对 Java 中的字符串进行分类？

Answer 1

一种可能适合这里的方法，特别是如果本体很大/复杂或将来可能会发生变化，并且假设某些错误是可以接受的，则是 机器学习 .

使用这种方法的流程概要可能是:

定义一个可以从每个字符串中提取的与本体相关的特征集(下面的一些示例)。

收集字符串及其真正匹配类别的“训练集”。

从每个字符串中提取特征，并在此数据上训练一些机器学习算法。

使用经过训练的模型对新字符串进行分类。

根据需要重新训练或更新您的模型(例如，当添加新类别时)。

为了更具体地说明，这里有一些基于您的本体示例的建议。

一些可能适用的 bool 特性:字符串是否匹配正则表达式(例如 Qtax 建议)；该字符串是否存在于预先构建的已知城市名称列表中；它是否存在于已知的国家/地区名称列表中；存在大写字母；字符串长度(不是 bool 值)等。

因此，例如，如果您共有 8 个特征: 匹配上述 4 个正则表达式；和这里建议的另外 4 个，那么“西类牙”将表示为 (1,1,0,0,1,0,1,5)(匹配前 2 个正则表达式而不是后两个，是一个城市名称，但不是国家名称，有一个大写字母，长度为 5)。

这组特征将代表任何给定的字符串。

要训​​练和测试机器学习算法，您可以使用 WEKA .我将从基于规则或树的算法开始，例如PART、RIDOR、JRIP 或 J48。

然后可以通过 Weka 从 Java 内部或作为外部命令行使用经过训练的模型。

显然，我建议的功能与您的本体几乎 1:1 匹配，但假设您的分类更大、更复杂，这种方法可能是成本效益方面最好的方法之一。