随着Web 2.0网站的普及,一种新型的万维网信息分类—Folksonomy开始应用到越来越多的万维网系统中。Folksonomy是一种未经规范的,开放的分类体系,允许用户通过使用任何与资源相关的社交标签标注万维网上的资源来对万维网资源进行分类,并且用户可以共享这些社交标签。由于Folksonomy是一种平面化的分类方式,没有层次结构的划分,无法识别各个标签之间的层次联系。而层次结构的缺乏导致社交标签之间缺乏相关性,使得在资源导航和信息检索等任务中查找信息的准确度较低。对于社交标签之间层次关系的缺失问题,可通过构建社交标签层次结构来建立标签之间的层次联系。对于此问题的研究普遍采用社交标签与本体映射的方法,借助本体构建社交标签的层次结构。但社交标签具有动态更新特性能,在Folksonomy中会出现很多与当前热点相关的新词,而这些新词在本体是不会预先存在,因此这部分新词无法利用与本体映射的方式去获取标签之间的层次联系。针对以上问题,本文不再依赖本体,从Folksonomy社交标签数据的本身出发来构建其层次结构,而社交标签之间的上下位关系是组成其层次结构的基础,因此本文致力于发现社交标签之间的上下位关系。本文的主要工作包括:(1)设计了一种基于浅层神经网络的标签向量模型DTSNN,此模型不依赖外部知识源,只利用社交标签本身便能获取社交标签所对应的向量表示;(2)提出了一种基于标签向量的标签上下位关系发现方法,该方法通过将标签向量与SVM或随机森林模型相结合来判断标签之间是否具有上下位关系;(3)通过两个真实数据集实验验证了本文所提出的发现社交标签上下位关系的方法的有效性;(4)设计和实现了一个以标签向量模型DTSNN为核心的社交标签上下位关系发现可视化系统。