大数据环境下基于知识整合的语义计算技术与应用

语义计算是理解自然语言的核心内容之一，有助于计算机量化、理解语句或文档的关联程度。依据语义资源的不同，典型的语义相似度计算方法分为基于知识库和基于语料库。知识库能够提供词汇的语义描述和结构化信息，但是严重依赖于领域专家的构建和维护，词汇覆盖率较低，缺乏可扩展性。而语料库虽然包含丰富的词汇，但是其非结构性导致难以从中提取词汇的有效语义特征。本书作者将在语义计算方向的科学研究成果进行总结整理，立足于基于知识整合的词汇语义相似度计算技术及其应用，提出整合两类语义资源的语义相似度计算方法，从语义特征的选择与提取、语义特征融合、语义计算这三方面内容梳理知识脉络。本书内容涉及当前主流的技术，如深度学习、文本向量化，附有大量的理论与技术介绍、实验数据、图表以及结果分析，帮助读者对于相关知识概念有一个较为清晰的认识。

这是一本深入探讨语义计算在大数据环境下的应用和技术的著作。该书首先介绍了语义计算的概念与作用，强调了其在自然语言处理、信息检索等领域的重要性，并详细介绍了语义相似度的定义与重要性，以及语义相似度的计算方法。 书中详细阐述了基于IC模型的异构数据整合，以及基于度量方法的异构数据整合，并深入探讨了固有IC混合模型和统计IC值的混合计算，以及多语义融合模型的设计。此外，还详细介绍了基于差分进化算法的语义相似度计算方法，以及知识图谱与深度学习的整合研究现状。 在讨论现有技术的不足时，书中指出，现有技术在知识库和语料库的语义信息整合、概念语义相似度计算方法的准确率提升、词汇语义的抽取和表示方法改进以及多计算方法或异构向量空间模型度量结果的整合等方面仍存在不足，需要进一步研究和改进。 本书的主要内容与创新包括语义特征的选择与提取、语义特征的融合、语义相似度的组合计算，以及基于IC模型的异构数据整合、基于语义特征的异构数据整合、基于度量方法的异构数据整合等方法，实现了WordNet与文本语料这两类语义资源的知识整合。