一、背景
在协同设计中，项目被分成一个个的任务，任务之间有一定的关系，比如：后继任务需要前驱任务的相关数据，每个任务也会产生很多数据作为其他任务的需求。所有的数据都存放在数据中心，每个任务需要根据自己所需的数据从数据中心检索出相关数据。原来，数据的检索主要依靠关键字之间的比较，即只看关键字是否相同，而不关注语义是否相似，这就导致了基于关键字的检索技术的查全率和查准率并不高，为了改善这种情况，提高检索系统的查全率和查准率，需要一种根据语义间的相似度来作为检索标准的检索系统。目前，主要采用的是基于本体的语义检索技术。
Ontology原本是一个哲学上的概念，称为车体论、实体论 或存在论，是对自然存在及其本质的研究，其反映的是事物本质的、科学的内涵。人工智能等学科将Ontology的概念从哲学领域中借用过来，并赋予了一些新的古义[1]。因为本体能够对知识和信息进行建模和规范化描述，所以它能在知识层次和语义上描述信息系统，进而也就能将其运用到智能化的检索系统中。加之，本体还支持逻辑推理并具有良好的概念层次结构，能够通过概念之间的关系来表达概念的语义，所以基于本体的语义检索成为信息检索领域的一个研究热点[2]。
二、国外研究现状
早在二十世纪九十年代便有人开始用本体的方法来实现查询。在1994年，Yoorhees就曾提出了基于本体的查询扩展方法，他提出利用本体中的概念来进行扩展，其中主要是依据本体中概念的子类和同义词来扩展。
Philip Nour在2000年项目开发经验库中使用了本体的方法，他首先建立了关于经验的索引，利用该索引用户或者管理者就可以在经验库中查找所需的信息，以运用到当前项目规划之中。
之后，在2001年Gsoldar提出了一种用于从科学数据中提取出语义检索模型的体系结构。而Khan和McLeod也利用本体构造了一个基于概念的模型，不过他们所构造的这个模型主要用于文本检索。
在2003年，Maki在Voorhees的基础上提出了基于本体结构的查询扩展方法，该方法主要是利用本体中的路径来对用户的查询进行扩展。因为在本体中，每个概念都不是孤立存在的，而是与其它概念之间有着某种类型的关联，所以可通过选择与之关联的其它节点来进行查询扩展。为了防止扩展的概念过多、过滥， 就必须对扩展的的概念进行筛选。当然，筛选的标准有很多，而Maki主要是把概念节点之间的相似度和关系边作为筛选的依据，通过计算优先选取那些概念相关度较大者。在计算相似度时主要考虑概念之间路径的数量、长度以及路径中关系的种类等。
Soner Kara等人[3]在比较原有的基于关键字的查询和基础的语义检索算法后针对足球领域提出一个基于本体的语义提取和检索系统，它的语义检索是基于关键字的，能够提高足球领域知识的提取和推理能力，与传统的系统和查询扩展方式进行比较，发现其准确率和查全率显著提高。
三、国内研究现状
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
