1) polysemous networks
多义网络
1.
The analysis,based on the English and Chinese corpus,shows that the polysemous networks of the semantic extension of English word face and Chinese Lian and Mian manifest that grounded on the prototype,the semantic extension of the English word face and Chinese Lian and Mian is structured by metaphor and metonymy.
基于英汉语料的研究分析发现,英汉语中"脸、面"词义演变的多义网络结构呈现出以下特征:英汉"脸、面"词义的延伸都是围绕其中心意义(即典型),通过隐喻和转喻的认知方式进行的;在两者的词义延伸过程中,转喻不仅是和隐喻同样重要的认知机制,而且是更基本的认知方式;民族文化的异质性使得我们对事物的认知不同,导致英汉语中"脸、面"的词义范畴出现文化个性;语言自身的特点也对"脸、面"词义的概念化产生了较大影响。
2) semantic network
语义网络
1.
Approach of Semantic Network for Representing Feature Based Knowledge of Part;
基于特征的零件知识语义网络表示法
2.
Chemical Domain Concept Retrieval based on Semantic Network;
基于语义网络的化工领域概念检索研究
3.
The Expression of Pathology Diagnosis Case and the Research on Uncertainty Based on Semantic Network;
基于语义网络的病理诊断案例表示及不确定性研究
3) semantic Web
语义网络
1.
Research of arithmetic on graph semantic Web construction;
基于图的语义网络构造算法研究
2.
A Semantic Web Architecture of Virtual Museum Based on CIDOC CRM;
基于CIDOC CRM的虚拟博物馆语义网络架构
3.
Computer Aided Technology for Composite Documents Editing Based on Ontology and Semantic Web;
基于本体和语义网络的复合文档辅助生成技术
4) semantic networks
语义网络
1.
Structures of semantic networks: how do we learn semantic knowledge;
语义网络的结构:我们怎样学习语义知识(英文)
2.
Research on the Key Techniques of Semantic Networks Based Knowledge Collaboration
基于语义网络的知识协作关键技术研究
3.
Global semantic structures of two large semantic networks, HowNet and WordNet, are analyzed.
分析了2个大型语义网络HowNet和WordNet的全局意义结构。
5) generalized network
广义网络
1.
Because expert did not refer to how to determine whether there is flow-generating cycle in generalized network,this thesis presents the algorithm for determining whether there is a flow-generating cycle independently based on searching minimum mean cycle,and prove the accuracy and complexity of the algorithm.
前人对广义网络流问题的研究都会讨论有流广义圈的网络和没有流广义圈的网络2种情况,但对于如何判断网络中是否有流广义圈都没做提及,针对这一问题,根据寻找图中平均权和最小圈的算法给出了判断流广义圈的算法,并对算法的正确性和时间复杂性给出证明。
6) semantic net
语义网络
1.
Auto-reasoning methodology based on knowledge and semantic net in process planning;
基于知识和语义网络的加工流程自动推理算法
2.
We construct the semantic net model for the object of access control system,and detect the integrity of access control object by the complete reasoning on semantic net,which is used as the evidence of intrusion detection.
为访问控制系统中的实体建立了语义网络模型,用语义网络完备性推理来检测访问控制实体的完整性,作为入侵攻击行为判断的依据,从而取代了依赖训练数据集建立系统访问模式轮廓进行比对的入侵检测传统手段。
3.
Aiming at knowledge representation problem of expert system for rotary machinery fault diagnosis, semantic net knowledge representation is discussed.
针对旋转机械故障诊断专家系统中的知识表示问题 ,讨论了语义网络的知识表示方法。
补充资料：语义网络
用于表示知识和建立认知模型的一种带标号的有向图。在语义网络中，带标号的节点表示思考对象──具体事物、抽象概念、状态和局势等；带标号的有向弧则表示节点所代表对象间的关系。语义网络中每一条有向弧及其连接的两个节点在表达力上相当于一个二元谓词公式。例如，图1a相当于ON（c,a）（c直接在a上），图1b相当于EQUAL(OWNER（BOOK），STUDENT)（书的拥有者是学生）。因此语义网络可用来对知识作出陈述性表示。它比逻辑表示直观，在用于常识推理时，有时也较为方便。
特性继承技术 在人工智能中，所谓特性继承是在承认上位节点（代表属概念或整体）的所有特性都被下位节点（代表种概念或局部）所继承的前提下，沿着特性继承链所进行的一种网络推理技术。例如，图2a是种概念继承属概念特性；图2b是局部继承整体的特性。尽管网络上没有显式表明，"张是一位艺术家"、"沈阳是中国的一部分"，但是这些结论可以运用特性继承技术推断出来。可以运用特性继承技术进行推理，是语义网络在知识表示中得到广泛应用的一个重要原因。但是这种推理必须沿着特性继承链 (如ISA，IS-PART-OF等)进行,否则就可能产生错误。例如,在图3中若就此作出一组博物学家正在研究熊猫的结论,便是不正确的，造成推理错误的原因是,STUDIED-BY不是特性继承链。更深刻的原因是网络中没有将一事物同一类事物加以明确区分。因此精确规定网络结构含义和深入研究特性继承策略是重要的课题。
格框架 在复杂的问题中往往要对事件进行全面细致的描述（例如要考虑事件的执行人、涉及对象、时间、地点等多方面的因素），但是语义网络两个节点之间的有向弧只能反映一个二元关系。解决这个困难的关键是除了一般的代表对象的节点外，还需要引入代表事态、行为、动作等的节点，以这类节点为中心，向外射出一组有向弧。每一条有向弧代表一种称之为格（语法中格的概念的推广）的二元关系，这组有向弧称为相对于弧线射出节点的格框架。例如,图4的语义网络利用(OWN-1)格框架的4条有向弧线清楚地表示了"张从春天开始到秋天为止拥有一辆汽车"这一事件（见框架型表示方式、格语法）。格框架已成为构造语义网络的常用手段，是语义网络得到广泛应用的另一重要原因。
网络匹配和推理 语义网络缺乏完整的理论，它的总体意义不象逻辑表示那样具有严格规定性，其意义主要由运用网络（即运用知识）的程序来决定。大部分语义网络采用网络匹配技术。以问答系统为例，将询问用网络段表示，并同语义网络匹配，使网络段的节点变元取得相应结合值，即可对所提询问作出回答。
从R.奎连于1968年提出语义网络作为联想记忆的心理模型以来（见认知模型），语义网络在智能信息检索系统、自然语言处理系统、智能化计算机辅助教学系统和专家系统等方面均获得较广泛的应用。
参考书目
M.Minsky,ed.，Semantic Information Processing,MIT Press, Cambridge, Mass.,1968.
N.V.Findler，ed.， Associative Networks：The Representation and Use of Knowledge by Computers, Academic Press, New York,1979.
特性继承技术 在人工智能中，所谓特性继承是在承认上位节点（代表属概念或整体）的所有特性都被下位节点（代表种概念或局部）所继承的前提下，沿着特性继承链所进行的一种网络推理技术。例如，图2a是种概念继承属概念特性；图2b是局部继承整体的特性。尽管网络上没有显式表明，"张是一位艺术家"、"沈阳是中国的一部分"，但是这些结论可以运用特性继承技术推断出来。可以运用特性继承技术进行推理，是语义网络在知识表示中得到广泛应用的一个重要原因。但是这种推理必须沿着特性继承链 (如ISA，IS-PART-OF等)进行,否则就可能产生错误。例如,在图3中若就此作出一组博物学家正在研究熊猫的结论,便是不正确的，造成推理错误的原因是,STUDIED-BY不是特性继承链。更深刻的原因是网络中没有将一事物同一类事物加以明确区分。因此精确规定网络结构含义和深入研究特性继承策略是重要的课题。
格框架 在复杂的问题中往往要对事件进行全面细致的描述（例如要考虑事件的执行人、涉及对象、时间、地点等多方面的因素），但是语义网络两个节点之间的有向弧只能反映一个二元关系。解决这个困难的关键是除了一般的代表对象的节点外，还需要引入代表事态、行为、动作等的节点，以这类节点为中心，向外射出一组有向弧。每一条有向弧代表一种称之为格（语法中格的概念的推广）的二元关系，这组有向弧称为相对于弧线射出节点的格框架。例如,图4的语义网络利用(OWN-1)格框架的4条有向弧线清楚地表示了"张从春天开始到秋天为止拥有一辆汽车"这一事件（见框架型表示方式、格语法）。格框架已成为构造语义网络的常用手段，是语义网络得到广泛应用的另一重要原因。
网络匹配和推理 语义网络缺乏完整的理论，它的总体意义不象逻辑表示那样具有严格规定性，其意义主要由运用网络（即运用知识）的程序来决定。大部分语义网络采用网络匹配技术。以问答系统为例，将询问用网络段表示，并同语义网络匹配，使网络段的节点变元取得相应结合值，即可对所提询问作出回答。
从R.奎连于1968年提出语义网络作为联想记忆的心理模型以来（见认知模型），语义网络在智能信息检索系统、自然语言处理系统、智能化计算机辅助教学系统和专家系统等方面均获得较广泛的应用。
参考书目
M.Minsky,ed.，Semantic Information Processing,MIT Press, Cambridge, Mass.,1968.
N.V.Findler，ed.， Associative Networks：The Representation and Use of Knowledge by Computers, Academic Press, New York,1979.
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条