量子计算的概念汇总十篇
量子计算的概念篇（1）
涉及初中化学计算的一些重要化学概念，首先在形成它们时尽可能通过实验或其它具体事物分析、概括导出，其次注重概念同化，进行新旧概念对比，弄清相近概念间的本质区别与内存联系，然后加强运用概念的训练，加深对基本概念的理解，提高运用基本概念的能力，最后还要加强与基本概念相关的化学用语的训练，掌握化学学科独特的学习语言。
实践证明，当学生理解了化学式、相对原子质量、相对分子质量等基本概念，化学式含义及化学式前系数的含义等内容后，有关化学式的基本计算就可以说是“轻而易举”了；当学生理解了质量守恒定律、化学方程式能够表示反应物及生成物各物质间质量比的含义等内容后，学生基本都能够进行化学方程式的简单计算了；当学生理解了溶液、溶液的组成（溶质、溶剂）、溶质的质量分数等基本概念后，溶质质量分数的计算也就不再难倒学生了。
二、初中化学计算是化学“量”的思想与数学计算方法的结合，化学计算的关键是化学“量”的思想。
量子计算的概念篇（2）
关键词: 概念相似度计算；wordnet；边权重；语义信息
中图分类号: tp393.08 文献标志码:a
abstract: the traditional distance-based similarity calculation method was described. concerning that the method of distance calculation does not contain sufficient semantic information, this paper proposed an improved method which used wordnet and edge weighting information between the concepts to measure the similarity. it considered the level of depth and density of concepts in corpus, i.e. the semantic richness of concept. using this method, the authors can solve the semantic similarity calculation issues and make the calculation of similarity among concepts easy. the experimental results show that, the proposed method has a 0.9109 correlation with the benchmark data set-rubenstein concept pairs. compared with the classical method, the proposed method has higher accuracy.
key words: concept similarity calculation; wordnet; edge weight; semantic information
0 引言
词与词之间的相似性研究多年来一直是自然语言处理和信息检索的一部分，是正确理解文本内容的关键，在计算机语言学和人工智能及应用中语义相似性问题都比较普遍，比如词义消歧、文档分类或聚类、词语拼写纠错、自动翻译、本体学习和信息检索等。
语义相似性是比较词语之间的匹配程度也可以理解成分类学上的接近程度，比如两个概念含有共同的父概念，那么它们的相似性就比较高。但是词语之间的互联不仅仅是这种分类上的父子关系还有很多语义上的关联，这样本文引入了语义相关性的概念，语义相关性是概念之间通过某种联系而产生关联，本文用方法识别出这种关联使这种关联能被计算理解这样就达到了使用语义信息。在概念之间进行语义相关的计算都是在已经存在并建好的知识库中进行的，比如wordnet［1］,wordnet是由普林斯顿大学认知语言实验室开发的一个词库。
在近几十年间很多语义相似性的算法被提出，这些方法主要可以分为以下几类：
1）基于距离度量的相似性算法；
2）基于信息量的相似性算法；
3）基于向量空间的相似性算法；
4）综合以上几种方法的计算方法。
文献［2］提出一种计算词之间的最短路径的算法，通过这个最短路径来衡量两个概念之间的相似性；wu等［3］引入最小共同父概念来表示两个概念的共性的多少；leacock等［4］提出的算法都是从路径长度以及概念的深度上考虑概念之间的相似性；li等［5］则以非线性函数的形式对最短路径和最小共同父概念组合进行计算；al-mubaid等［6］提出了一种结合最短路径长度和最小上层父概念深度的基于簇的方法，它为每一个层次上分支结构到根节点的部分定义一个簇，使得低层次上的概念对的相似度比高层次上的相似性高；lin等［7］提出的基于信息量的计算方法，考虑了两个概念间在知识库中的共享信息和两个概念分别带有语义信息的比率。
本文提出一种基于wordnet［1］并采用概念之间边的权重的相似性算法，概念之间的边的权重能反映概念在词库中的语义关系，一个概念越靠近叶子节点、含有的子概念越少，就说明含有的语义信息就越丰富［8-9］。在计算语义相似性时，两个概念距离越短则它们之间的相似性就越高［2］。本文在已有的距离相似性算法的基础上引入概念之间边的权重，去衡量概念在层次树中的语义丰富性，通过rubenstein原始数据集［10］进行实验，表明该方法在计算语义相似性问题上较其他一些算法和人工判断有更高的一致性。
1 距离度量相似性算法
假设词语组成的结构是一种像树形一样的层次结构，每个节点代表一个词语或概念，rada［2］是指代文献2吧？原来指文献1？请明确。证明了在连通不同的两个概念c1和c2之间的最短边数是衡量这两个概念之间距离的尺度。对于两个词语w1和w2之间的距离的度量可按以下三条规则进行度量［2］：
1)w1和w2是同一是“同一”?还是“统一”？请明确。个概念，则它们之间的距离为0；
2)w1和w2不是同一概念但是它们所属的词义中包含有相同的词的时候则它们的距离为1；
3)w1和w2既不属于同一概念也没有在所属词义中包含相同的词则计算它们之间的最短路径的距离。
基于距离的相似性算法最大的优点是它们计算词语之间的相似性只基于某种词库或某一本体，这样就对不同领域有更好的适应性。但是该方法最大的问题，就是太过依赖词库或本体的完整程度、均匀性和覆盖面［11］，如果词库不完整或是没有覆盖足够多知识，就容易导致计算结果不正确或不符合程序的要求。而且，这种方法在计算距离的时候是根据词库的分类来计算，这容易忽略其他因素对距离度量的影响，而且这种分类关系不能作为语义相似性的度量［12］。
2 基于概念间边权重的相似性计算方法
充分利用距离相似性算法的优势，针对上述方法存在的缺点，本文改进了li等的方法[5]，采用给边加上一定权重的方式来改进算法，因为在不加权重以前边的默认权重都为1，由于没有完全考虑到概念节点所处的位置对语义相似性的影响，容易导致计算结果不精确。概念节点间边权重的影响因素很多，包括节点所处词库网络的密度、节点在词库网络中的深度、连接节点之间链接的类型和连接边的强度［13］，文献［8］的结果表明连接节点之间链接的类型和连接边的强度对相似性计算的影响不大，所以在此基础上本文主要考虑前两种因素对概念间边权重的影响。
2.1 边的权重计算
在考虑概念所在层次深度和概念含有的子概念的个数情况下，计算出来的边权与路径的长度只存在较小的偏差，但是这样却能体现边权信息对词语准确度的影响，实验结果也显示出用此方法计算出来的边权信息能较大程度地拟合人工判断的结果。例如boy和person与boy和animal两对概念在词库中的距离是相同的都是4，可是显然前者的相似性更高，在引入本文方法后boy和person的距离为1.20，boy和animal的距离为1.93，可以很好地区分两者之间的相似性。
首先是概念所处位置的密度，本文采用了概念的子节点个数与所有节点的个数的比重来衡量概念的密度。一个概念所含有的子概念个数越多说明这个概念越抽象，则该概念所连的边的权重应该要取小一些的值［14］；相反如果概念的子概念个数很少，则说明该概念是一个很具体的概念，所以对它所连接的边应该赋予高一些的权限。由式（1）表示了概念所处的位置的密度因子对权重的影响：
density(c1,c2)=1－ln(hypo(c) 1)ln(maxwn)（1）请补充对数log的底？若没有，请说明原因。
其中：c的取值是在c1和c2中取层次比较低的那个进行计算；hypo(c)表示概念c的子孙节点的个数，并且不考虑重复的概念节点；maxwn表示整个词库中的词语的个数，本文采用的是wordnet中所有名词的个数。
概念的深度因子对概念所连边的影响也很重要，本文在考虑深度因子的时候主要是针对其在词库中所处的层次的高低，越低的层次上的概念因为概念比较具体所以对其边所赋的权也就越大；相反在高层则概念的权相对较小，这两处表达的意思相同，是否表达错误，请核实。由式（2）来表示深度因子：
depth(c1,c2)=ln(max{depth(c1),depth(c2)})ln d（2）log的底是多少，请补充。
其中：depth(c)表示概念c在词库中的深度；d表示整个词库的深度，在wordnet中词库的最大深度为16。
在考虑了深度因子和密度因子对概念之间边的权重的影响之后，本文可以把两部分结合起来计算概念之间的权重，如式（3）所示：
weight(c1,c2)=t×density(c1,c2) (1－t)×depth(c1,c2)（3）
其中t的取值范围在［0,1］。当t=0时只考虑了概念的深度对概念之间权重的影响；t=1时则只考虑了概念的密度对概念之间权重的影响。
2.2 改进的相似性计算方法
本文的相似性计算公式仍采用文献［5］的公式原型，在路径的计算上考虑上文的概念之间的边权重信息。通过计算最短路径上概念之间边的权重，综合路径上概念的密度和深度等因素的影响，使得源概念对之间的语义相似性计算更加精确。
sim(c1,c2)=e－a∑w1,w2{path(c1,c2)－lcs(c1,c2)}weight(w1,w2)×eblcs(c1,c2)－e－blcs(c1,c2)eblcs(c1,c2) e－blcs(c1,c2)(4)
式(4)中，对于blcs(c1,c2)未予交代，是否有必要补充说明一下，请核实。“b×lcs(c1,c2)”
其中：path(c1,c2)表示连接c1和c2取不同的词义的时候描述的最短路径上的概念；lcs(c1,c2)指的是概念c1和c2的最近公共祖先概念节点；weight(w1,w2)则表示词义概念w1和w2之间的边的权重，且a≥0,b>0。
2.3 语义相似性计算算法描述
输入 两个概念a和b。
输出 两个概念之间的语义相似性。
第一步 找出概念a和概念b在词库wordnet中所处的位置。
第二步 判断概念a和概念b是否是相同概念，相同则跳转到第五步，如果多义词中包含有相同的概念词语做一标记。
第三步 计算概念a和概念b之间的语义距离，取其多义词中最短路径作为两个概念之间的路径，记为path(a,b)，并保存两个概念相交的概念节点记为lcs。
第四步 遍历path(a,b)中相邻的两个概念节点，按式（1）和式（2）计算两个概念的密度density和深度depth，然后把density和depth代入式（3）计算边的权重并累加到weight变量中。
第五步 如果是相同概念则其weight等于0，lcs等于两个概念中任意一个，如果是两个概念中含有相同概念词汇则weight等于1；否则weight取第四步计算出来的结果。
第六步 计算lcs在词库中所处层次h，然后把h和weight代入式（4）计算出概念a和b之间的相似性。
3 实验结果与分析
本文的实验通过计算出来的结果之间的相关系数来衡量算法的性能，相关系数是变量之间相关程度的指标，用r表示，r的取值范围为［-1,1］。|r|值越大，误差就越小，变量之间的线性相关程度越高；|r|值越接近0，误差就越大，变量之间的线性相关程度越低。本文采用皮（尔生）氏积矩相关系数来计算两个结果之间的相关性，计算公式如式(5)所示：
rxy=∑ni=1(xi－)(yi－)∑ni=1(xi－)2∑ni=1(yi－)2(5)
其中：指的是数列x的平均值，则指的是数列y的平均值，xi表示x数列中的第i个数，yi表示y数列中的第i个数。
3.1 实验方案
本文的相似性计算采用rubenstein数据集［10］，并利用wordnet2.0作为实验的词库，实验过程中首先实现了前文提到的距离相似度算法，为了进行比较，对文献［7］的基于信息量的相似性度量算法与本文提出的方法进行了比较，如表2~3所示。
3.2 概念间的语义相似性计算
根据上述边权算法和相似性算法，并基于wordnet词库丰富的词语来进行相似性计算。在实验中，深度和密度对概念相似性影响相当，所以取两项的权重因子t=0.5，经过多次尝试，可以验证在a=0.3,b=0.4，取定的情况下相似性算法与人工判断最接近，相关度为0.9109。
表1列出了rubenstein和m&c进行的实验做出的结果以及各项词语的指标，其中length值的是概念对的最小距离长度，depth指的是概念对的最小上层父概念的在整个词库中所处的层次。本文的实验是基于rubenstein［10］所做的实验结果即rg rating，并以此来估计算法的性能。表1中的mc rating表示的是miller and charles（m&c）进行的人工实验结果，m&c数据集是rubenstein的一个子集，两者的相关度为0.97［15］。表1中的rg rating表示什么，是否需要交代一下，请核实。
实验过程分为两个阶段：边权计算和概念间的相似性计算。本文使用m&c选取的30对概念，这些概念都进行了人工打分，打分区间在［0,4］。很多研究者都只采用了这30对词组而忽略其他词组来进行研究，大量的实验表明furnace和stove存在意义上的相似可是两者语义距离却很远导致其不是很好的测试数据［8］，所以本文不考虑这组数据并选取了m&c数据集的其中27组作为本文的实验数据集。表2列出了本文方法与前述方法的计算结果，由表2数据可以发现本文方法与li方法［5］比较接近且本文方法与人工判断的数据拟合得比较好。
本文的方法是在文献［5］的基础上的改进，不同的方法对相似度的判断都有不同的结果和准确性，在rada等［2］刚提出距离相似度度量的时候，他的方法在当时是较准确的，随着技术的不断创新和存储结构的不断优化新的方法不断提出，计算结果的准确性也越来越高。li提出的假设，把resnik［16］对m&c数据集的测试出来的相关系数作为相似性算法研究的上界，也即0.9583［5］。表3列出了各种方法与人工结果的相关系数，本文方法与人工结果有较高的相关性。
4 结语
本文在li等［5］提出的非线性方程相似度计算方法的基础上，改进了其中距离度量的标准，采用了基于边权信息的计算方法。传统的基于距离的度量方法，因为没有考虑到概念所处位置的语义信息，所以在距离相同的时候概念的相似度会惊人地相似，而考虑了概念所处位置的语义信息后则把概念的这些语义相关性充分地体现了出来。本文的实验结果与rubenstein源数据集的相关系数为0.9109，表明该方法与人工判断的数据有较好的相关性。但是算法还有很大的提升空间，正如li所说的，当真正的非线性函数被发现，则算法的性能会有很大的提升。由于本文的方法只考虑了一部分信息，一个概念的语义信息还有很多比如连接类型和连接强度等因素，这些信息都会影响相似性判断的准确性，所以在以后的研究过程中需要加入更多的语义相关信息使相似判断更加准确。
参考文献:
[1]
fellbaum c. wordnet: an electronic lexical database ［m］. cambridge, ma: mit press, 1998.
[2]
rada r, mili h, bichnell e, et al. development and application of a metric on semantic nets ［j］. ieee transactions on systems, man, and cybernetics, 1989, 9(1): 17-30.
[3]
wu z, palmer m. verb semantics and lexical selection ［c］// proceedings of the 32nd annual meeting of the association for computational linguistics. stroudsburg: association for computational linguistics, 1994: 133-138.
[4]
leacock c, chodorow m. combining local context and wordnet similarity for word sense identification ［m］// wordnet: an electronic lexical database. cambridge, ma: mit press, 1998: 265-283.
[5]
li y, bandar z a, mclean d. an approach for measuring se-mantic similarity between words using multiple information sources ［j］. ieee transactions on knowledge and data engineering, 2003, 15(4): 871-882.
[6]
al-mubaid h, nguyen h a. a cluster-based approach for semantic similarity in the biomedical domain ［c］// proceedings of the ieee engineering in medicine and biology society. new york: ieee press, 2006: 2713-2717.
[7]
lin d. an information-theoretic definition of similarity ［c］// proceedings of the 15th international conference on machine learning. san francisco: morgan kaufmann, 1998: 296-304.
[8]
jiang j, conrath d. semantic similarity based on corpus statistics and lexical taxonomy ［c］// proceedings of the international conference on research in computational linguistics. cambridge, ma: mit press, 1997: 19-33.
[9]
seco n, veale t, hayes j. an intrinsic information content metric for semantic similarity in wordnet ［c］// proceedings of the 16th european conference on artificial intelligence. amsterdam: ios press, 2004: 1089-1090.
[10]
rubenstein h, goodenough j b. contextual correlates of synonymy ［j］. communications of the acm, 1965, 8(10): 627-633.
[11]
cimiano p. ontology learning and population from text: algo-rithms, evaluation and applications ［m］. new york: springer-verlag, 2006.
[12]
bollegala d, matsuo y, lshizuka m. websim: a web-based semantic similarity measure ［c］// proceedings of the 21st annual conference of the japanese society for artificial intelligence. berlin: springer-verlag, 2007: 757-766.
[13]
sussna m. word sense disambiguation for free-text indexing using a massive semantic network ［c］// proceedings of the second international conference on information and knowledge management. new york: acm press, 1993: 67-74.
[14]
richardson r, smeaton a f. using wordnet in a knowledge-based approach to information retrieval ［r］. dublin: dublin city university, 1995.
[15]
miller g, charles w g. contextual correlates of semantic similarity ［j］. language and cognitive processes, 1991, 16(1): 1-28.
[16]
resnik p. using information content to evaluate semantic similarity in a taxonomy ［c］// proceedings of the 14th international joint conference on artificial intelligence. san francisco: morgan kaufmann publishers, 1995: 448-453.
收稿日期:2011-06-20;修回日期:2011-08-21。
基金项目:
量子计算的概念篇（3）
化学基本概念的内容较多，面广量大，分散在各册教材的有关章节中，这就给学生的复习工作带来了一定的难度.教师应该指导学生运用正确的学习方法，将分散在各册中的基本概念归类整理，揭示各部分概念的内在联系，对所学知识进一步系统化，一边加深对基本概念的理解，把握重点和难点，培养学生举一反三触类旁通的能力.
一、重视课本阅读，加强学法指导
化学基本概念的知识分散于各册化学教材中，在复习时应该发挥教材的作用.在复习内容之前，要求学生进行预习，把课本内容全部看通，且让学生带着问题看书，明确看书的目的和要求，激发他们的求知欲.例如，在复习溶液时，要求学生带着溶液的定义、溶解过程、结晶过程、溶解性、溶解度、浓度概念（质量百分比、物质的量浓度、体积比浓度）等问题去课本中寻找答案.再如，复习氧化-还原反应时，指导学生带着氧化反应、还原反应、氧化剂、还原剂、氧化产物、还原产物等问题去看书.当学生把课本上的知识掌握以后，在授课时可以提高课堂教学效率，知识掌握的快而且牢固.
在指导学生读书时，要对学生提出明确的目的要求，并要求学生在看书复习时提出新的问题，加深对概念的理解，对个别问题进行单独辅导，对普遍的问题在课堂上集中解决.例如，有些学生对反应（注，氯酸钾和浓盐酸反应）电子转移数目不清，我们在课堂上就着重讲解了同种元素氧化反应的规律，再举出浓硫酸和硫化氢、单质铁和三价铁等有关反应供学生判断.再如，在复习中有些学生提出过氧化氢在有些反应中有氧气放出，而在有的反应中无氧气放出.这些问题的提出反映了部分学生对概念虽有所了解，但在实际应用中还缺乏应用概念解决实际问题的能力，为此我们在课堂上又提出了fe2 、so2等参加反应的实例供学生分析判断，这样举一反三，使学生模糊的概念得到澄清，让学生能切实掌握并会运用有关概念解决实际问题.另外，在要求学生读书的过程中，我们还根据化学学科特点，对某些重要的概念进行必要的记忆.例如，原子、分子、有色金属、黑色金属、溶液中部分离子的颜色、燃烧条件、相对原子质量、物质的量等化学用语，我们都要求进行必要的记忆.为了提高记忆效果，把一些抽象且难以理解的概念或规律编成形象生动的口诀.如，对氧化还原反应的基本规律可以编成：“氧生还，还生氧，强强生弱”；“失、氧（羊）、高（羔），得、还、降（账）等.
实践证明，在复习中，教师通过对学生学习方法的指导和阅读课本的引导，可以调动学生复习的主观能动性，提高学生把握和运用概念的能力.
二、弄清模糊概念，突破难点概念
中学化学中基本概念较多，有的概念相差一个字，意思则完全不同.因此，我们要求学生对易混淆的概念要抓住本质，加以区别；而对于一些难理解难掌握的概念，我们则多举实例，举一反三.例如，在以下有关问题中，我们让学生紧紧扣牢本质加以区别和掌握：①加热、高温、点燃、燃烧；②火焰、火星；③雾、烟、气；④化学式、分子式、电子式、结构式、结构简式；⑤溶液、溶胶；⑥溶解性、溶解度；⑦同位素、同素异形体、同系物、同分异构体；⑧重金属、轻金属、有色金属、黑色金属等.在复习中，我们把以上问题以问答形式让学生自己区别，教师再辅导讲解，一个一个过关，让学生能正确分清不同的概念.在难点概念中，我们把教师的讲解和学生的练习有机结合，进行重点突破.例如，化合价概念学生难以从定义上深刻理解.我们从最基本的概念出发，首先，让学生明白化合价是元素的性质，再从一定数目的原子相互化合上下功夫，最后，总结出化合价是元素在化合时表现的性质，所以单质中元素没有化合价，这样既掌握了理论，又把理论应用到具体的问题中.再如，物质的量是中学化学中难以掌握的概念，在复习中我们要求学生首先看书，把书本上的知识全部理解，然后教师加以总结归纳，适当的加深拓宽，对作业中出现的问题有针对的加以练习.多加训练，对个别学生单独加以辅导，这样对所学知识能掌握好.
三、运用概念知识，解决计算问题
量子计算的概念篇（4）
1 引言
随着internet的日益发展和普及，本体在信息采集、信息检索及本体集成等方面的应用越来越广泛。2002年12月18日berners-lee在国际xml2000的会议提出semantic web(语义网)的构想[1]。在semantic web中，语义相似度算法是实现基于本体的检索、采集等的关键问题。因此语义相似度算法的好坏成为信息检索效率高低的重点，于是改良语义相似度算法是一个迫切的问题。
关于语义的相关性，国内外专家已经做了大量的工作：resnik根据两个词的公共祖先节点的最大信息量来衡量两个词的语义相似度。agirre等在利用wordnet计算词语的语义相似度时，除了结点间的路径长度外，还考虑到概念层次树的深度、概念层次树的区域密度。鲁松研究了如何利用词语的相关性来计算词语的相似度。li sujian等提出了一种词语语义相似度的计算方法，计算过程综合利用了《知网》和《同义词词林》。朱礼军等引入了计算语言学中的语义距离思想来计算领域本体中概念间的相似度。
本文总结前人的经验，并将概念的数据类型考虑其中，这样概念的语义相似度就更加精确。
2 本体与领域本体
本体(ontology)作为一种能在语义和知识层次上描述信息的概念模型，自被提出以来就引起了国外众多科研人员的关注，并在计算机的许多领域得到了广泛的应用，如知识工程、数字图书馆、软件复用、信息检索和web上异构信息的处理、语义web等。
2.1 本体的概念
目前对本体的定义有很多，专家们认为由studer等人在1998年提出的“本体是共享概念模型的明确的形式化规范说明。[3]”最为精确。它包含4层含义：概念化(conceptualization)、明确(explicit)、形式化(formal)和共享(share)。
（1）概念化：指通过抽象得出客观世界中一些现象(phenomenon)的概念模型。
（2）明确：指所使用的概念及使用这些概念的约束都有明确的定义。
（3）形式化：指本体是计算机可读的(即能被计算机处理)。
（4）共享：本体中体现的是共同认可的知识，反映的是相关领域中公认的概念集，它所针对的是团体而不是个体。
2.2 本体的分类
guarino[5]在1997年对本体依照领域依赖程度，分为顶级(top-level)、领域(domain)、任务(task)和应用(application) ontologies共4类。其中：
（1）顶级ontologies描述的是最普通的概念及概念之间的关系，与具体的应用无关，其他种类的ontologies都是该类ontologies的特例。
（2）领域ontologies描述的是特定领域中的概念及概念之间的关系。
（3）任务ontologies描述的是特定任务或行为中的概念及概念之间的关系。
（4）应用ontologies描述的是依赖于特定领域和任务概念及概念之间的关系。
本文主要就是基于领域ontology来设计与研究语义相似度计算方法。
3 语义相似度计算
语义相似度是判断几个概念之间的语义的相似程度。在信息检索中，它反映的是用户查询关键词的意义上的符合程度。
3.1 语义相似度计算原则
语义相似度的计算原则是为了本体内部概念间相似度计算更加准确而提出的[2]，其内容如下：
（1）量化原则：相似度是一个数值，取值范围应该在[0,1]之间[3]，如果两个概念完全相同，那么他们的相似度为1，完全不同，相似度为0。
（2）简单性原则：计算相似度的同时应该考虑计算复杂度[4]，复杂度应该尽量降低。
（3）充分利用本体的特性。
（4）可调节性：可调节性是指相似度的计算结果可通过某些参数来调节，词语相似度是一个主观性比较强的概念，可调节性可以满足不同的需求，适应不同的情况[2]。
（5）类型性：在计算概念相似度的时候，也应该将概念的数据类型考虑其中，这样能提高概念相似度的精度。
（6）对称性：sim(c1,c2)= sim(c2,c1)，对称性有利于概念相似度之间的对比与换算。
3.2 相似度计算方法
本文建立了一个简单的医疗系统的本体，如图1所示。class：表示的是类，subclassof：表示的是本体中最主要的关系，即概念之间子类的关系，也就是继承关系。例如：c0是c1，c2的父类，而c1与c2则是c0的子类。
利于owl语言构建此本体的代码片段，如下：
xmlns:rdf="/1999/02/22-rdf-syntax-ns#"
xmlns:xsd="/2001/xmlschema#"
xmlns:rdfs="/2000/01/rdf-schema#"
xmlns:owl="/2002/07/owl#"
xmlns="/ontology1243997987.owl#"
xml:base="/ontology1243997987.owl">
……
……
（1）语义距离：是两个概念在本体树中的最短距离，记作distant(a,b)。①语义距离越大，其语义相似度越低。反之越大。②两个概念的父节点是同一个，那么distance=1/n(n表示与该节点有共同父节点的子节点的个数)③同一概念的语义距离为0。例如：图1中所示的distance(c5,c5)=0，distance(c7,c8)=0.5。
（2）datatype(数据类型属性)的相似度：是两个概念的数据类型的比较得出来的一个参数值，记作simdt(a,b)。如果两个概念的数据类型相同，则simdt(a,b)=1。如果不同，则simdt(a,b)=0。
（3）objectproperty(对象类型属性)的相似度[5]：是类与类之间的关系，记做simobject(a,b)。和分别表示概念和的对象类型属性的个数。 的对象类型属性所对应的概念为，的对象类型属性所对应的概念为，则概念的对象属性的语义相似度为：
（4）本体概念的深度：是概念在本体树中的层数，记作depth(a)。
（5）调节因子：是为了满足系统的特定需要而设定的特定参数。由于词语相似度是一个主观性比较强的概念，所以必须使用调节因数来具体情况具体分析。它通过对本体树的广度与深度的控制来调节特定的语义的相似度。本文用k来表示调节因数。
综合得出语义相似度算法的公式：
式中sim(c1,c2)表示概念c1、c2的语义相似度，distance(c1,c2)表示概念c1、c2的语义距离，simdt(c1,c2)表示概念c1、c2的数据类型的相似度，simobject(c1,c2)表示概念c1、c2的对象类型的相似度，k表示调节因子，depth(c1)表示c1的的深度(即本体树中的层数)，分别是数据类型属性和对象类型属性在属性相似度中的权值，，且。
3.3实验结果
根据本文得出的语义相似度算法，即上述公式计算出表1所示的本体树的语义相似度。
3.4 基于本体语义相似度的应用
begin；
input：查询表达式 q={w1,w 2,……,wn} and 语义相似度的临界值k；
result = null,i=0；
while(q[i]的语义相似度>=k){
result[i]=q[i] 相关概念集；
i ；
}
return result；
end；
4 结束语
人与机器之间的有语义的交流近年来成为了人们研究的焦点与瓶颈。本体由于其共享性和明确性以人与机器的语义交流的基础进入了人们的视野。本文通过建立本体树，利用其层次之间的关系来设计概念的语义相似度算法。同时将概念的数据类型与对象类型也考虑其中，这大大提高了概念的语义相似度算法的精度。但是由于本文只考虑了基于单个本体的相似度算法，不能满足多个领域本体间概念的相似度算法。在以后的研究中，会将此算法扩展到多个领域来设计，以便大幅度提高概念的语义相似度的精度，进而优化基于本体的信息检索及信息采集。
参考文献
[1]berners-lee t,hendler j,lassila o．the semantic web[j]．scientific american, 2001,284(5):34-43．
[2],陶兰．一个改进的本体语义相似度计算及其应用[j]．计算机工程与设计,2007,28(1):226-228．
[3] 刘建,李素建．基于《知网》的词汇语义似度计算[j]．中文计算机语言学, 2002,7(2):59-76．
量子计算的概念篇（5）
首先涉及初中化学计算的一些重要概念，在形成时应尽可能通过实验或其他具体事物分析、概括导出；其次，注重概念同化，进行新旧概念对比，弄清相近概念间的本质区别与内在联系，然后加强运用概念的训练，加深对基本概念的理解，提高运用基本概念的能力；最后还要加强与基本概念相关的化学用语的训练，掌握化学学科独特的学习语言。
实践证明，当学生理解了化学式、相对原子质量、相对分子质量等基本概念，化学式含义及化学式前系数的含义等内容后，有关化学式的基本计算就可以说是“轻而易举”了；当学生理解了质量守恒定律、化学方程式能够表示反应物及生成物各物质间质量比的含义等内容后，学生基本都能够进行化学方程式的简单计算了；当学生理解了溶液、溶液的组成（溶质、溶剂）、溶质的质量分数等基本概念后，溶质质量分数的计算也就不再难倒学生了。
二、初中化学计算是化学“量”的思想与数学计算方法的结合，化学计算的关键是化学“量”的思想
各种计算类型在教材上都出示了相应的例题，它们以清晰的解题步骤阐述了运用化学概念进行化学计算的思想，以简明的解题格式规范正确运用化学概念进行化学计算、表述逻辑思维过程的方式，故而要特别注重发挥教材上例题的作用。从接受式和探究式两种学习方法来形成两种策略，即传授性和探究性教学策略。
传授性教学策略主要是指通过教师讲授或师生共同谈论或学生直接自学教材上例题的方式，学习化学基本计算的方法，然后再进行训练，并通过师生评价或学生相互评价等矫正，让学生掌握化学计算方法，逐步提高化学计算能力。这种方法多数学生能够较快接受，并迅速掌握基本方法，效率较高。但少数学生容易因“不理解而掉队”，从此对计算失去信心。
探究性教学策略主要是指教师创设真实情境，提出有意义的实际问题，组织学生合作探究，力图运用基本化学概念完成基本化学计算问题，通过评价矫正不足。在探究性学习过程中，可引导学生运用化学概念或原理自己寻找解决问题的方法，也可以引导学生从例题中获取方法（不仅限于模仿），把获取的方法运用于问题中并解决问题，促使学生进行迁移。在探究的过程中，学生充分感悟或体验运用化学概念进行化学计算的方法，自然形成化学计算能力，并巩固学习兴趣。短时间来看，这种策略似乎更费时间，但学生真正运用化学思想和化学概念进行化学计算时，既形成了能力，又保持了兴趣，应该是更有效率的学习方式。当然这种策略要求学生的化学概念必须牢固，基本学习方法必须到位，化学学习兴趣必须浓厚，否则课堂教学中容易“冷场”，收不到预想的效果。因而两种教学策略都要根据学生特点而确定，力争取得更有效的教学效果。
三、化学的总复习策略
初中化学的复习阶段，当然主要是针对选拔功能来说的，在复习迎考中有这样几点需要大家加以关注：
（一）复习措施
1.以大部分同学现状为基础，分析教材、学生，研究对策，提高复习的针对性。
2.认真研读中考精神和中考说明，把握走向，提高复习的有效性。
3.分轮次复习，使用盐城中考说明、盐城零距离、中考十三地市试卷，提高学生的应试能力。按单元顺序复习，加强学科知识的联系，使基础知识系统化、网络化。加强对学生“三基的考查及时查漏补缺。
4.注意对学生思想的教育，要进行人生理想、情感态度价值观的教育，使学生明确目的，增强信心，提高复习的自我意识。
5.积极搞好教研沙龙，通力合作，集大家智慧，提高复习的质量。
（二）化学复习计划
1.指导思想。以教材、科学课标、考试说明为依据，以“三基”为主线，以培养学生的科学能力为重点；以完成学校的教育教学目标为方向
2.复习目标。扎实地掌握三基；形成熟练的科学（化学和生物）思想方法；培养学生较强的化学和生物能力和运用有关知识分析解决问题的能力。
3.复习思路方法。
（1）加强集体备课，备课标、备教材、备教法、备学法；完成说课――讨论――导学反馈案。
（2）落实复习环节：读、讲、练、测、评、补（六环节复习法）
读：预习、练习，发现问题；
讲：按知识体系，梳理知识，形成结构，提炼学科思想方法，理清基本题型，掌握基本解题方法；
练：精选习题，学生训练，掌握知识，形成技能，发展能力；
量子计算的概念篇（6）
中图分类号： tn911?34； g250.76 文献标识码： a 文章编号： 1004?373x（2016）15?0090?05
abstract： to improve the time?consuming and strenuous situations existing in the traditional ontology construction， a domain ontology semi?automatic construction method based on web was designed， and the domain ontology concept extraction algorithm based on word2vec is put forward. in this paper， the method based on chinese?english dictionary is used to extract the synonymous relation， and the hyponymy extraction algorithm based on feature vector is studied. the domain ontology semi?automatic construction method based on web was applied to the climate change field of the digital library. the practice results show that the method can shorten the ontology construction period greatly， and reduce the manpower participation.
keywords： ontology construction； domain ontology； concept extraction； relationship extraction； digital library situation
0 引 言
本体构建是本体应用的基础，随着本体的理论研究逐步深入和在工程实践中的广泛应用，形成了许多的构建方法和构建工具。但本体的构建过程仍需要通过人工的参与，人们凭借一定专业领域知识，依据自己的知识和理解主观地判断概念之间的关系。这种依靠人的经验和知识积累的本体构建方式非常费时费力，成为领域本体发展的一个瓶颈。因此，为了减轻人工工作量，缩短本体构建的周期，人们期望可以自动半自动地构建本体，提高本体构建的效率和自动化程度，于是本体学习的概念就被提了出来。
本文对领域概念的抽取和领域概念间关系的抽取等关键技术进行了深入研究；采用了基于word2vec的领域本体概念自动抽取算法，并采用迭代算法，扩充领域概念的候选词集；同时，对领域概念间关系自动抽取的方法也进行了一定研究；最后，将基于web的领域本体半自动构建方法应用于气候变化领域构建气候变化领域本体。
1 基于web的领域本体半自动构建方法
本文基于本体学习技术，设计了一种基于web的领域本体半自动构建方法，该方法包括领域信息采集、领域词典构建、本体学习、本体编辑和本体评价五大模块。其中，本体学习模块是构建领域本体的重点和难点，该模块主要采用机器学习技术、自然语言处理技术，结合语言学、统计学等知识，从大量领域数据中自动地抽取领域概念和概念间的关系。基于web的领域本体半自动构建方法框图，如图1所示。
2 基于word2vec的领域本体概念抽取
领域概念获取是构建领域本体的基础工作，领域概念自动抽取是指从一定规模的自由文本中抽取出能够反映某一特定领域特征或共性的词汇。本文在研究相关算法的基础上，采用了一种基于word2vec的领域本体概念抽取算法。该算法如图2所示，共包含三部分：中文分词、领域概念候选词抽取、领域概念候选词评价。
领域词典的构建是概念抽取的基础，在中文分词环节，领域词典为其提供领域词汇，将领域词典添加到原有的分词词典中，使更多的领域词汇可以被识别出来。在领域概念候选词抽取和评价环节，领域词典为其提供领域的种子概念，用于对候选词进行抽取和评价。
在中文分词环节，增加了新词发现模块。本文采用的是中科院计算所的ictclas分词工具对中文原始语料进行分词，本文在中文分词环节增加了新词发现模块，将发现的新词词典和构建的领域词典都添加到了原有的分词词典中，从而组成了新的分词词典。
在领域概念候选词抽取环节，本文引入了深度学习的思想，它通过构建具有多隐层的机器学习模型从海量训练数据中学习更有用的特征，本文利用word2vec工具学习web领域语料，训练词向量模型，通过计算向量间的相似度，得到两个词之间的相似度，由此将领域种子概念的相关词汇作为领域概念候选词。
领域概念候选词评价环节是指从领域概念候选词中筛选词汇作为领域概念，本文采用基于双序列比对的中文术语语义相似度计算方法计算这些候选词与种子概念的相似度，将与种子概念语义相似度高的候选词作为领域概念。
2.1 中文分词
中文分词与词之间有明显分隔，因此分词是对中文进行自然语言处理的首要步骤，分词的好坏直接影响概念抽取的效果。分词结果的好坏取决于所采用的分词工具和分词方法。目前，分词词典中的大多数词条是通用领域的，对领域专业词汇的识别率较低，因此构建领域词典，并将领域词典添加到分词词典中是很有必要的。由此，本文在中文分词中加入新词发现模块，采用大规模语料新词发现技术，将得到新词词典和领域词典中的词汇加入到原有的词典中，构成新的分词词典。然后对原始的领域语料进行分词，得到分词后的领域语料为概念抽取做准备。
（1） 新词发现
要从海量文本中发现新词，通常考虑三个因素：字符串在文本中出现的频率、字符串的内部聚集程度和边界划分能力。本文采用基于大规模语料的新词发现技术，并分别用互信息和信息熵衡量一个字符串的内部聚集程度和边界划分能力。给出判断该字符串能否作为一个新词的评价指标，公式如下所示：
[walue=log（mi 1）?log（min（leentropy，rientropy） 1）]
式中：mi代表字符串的互信息；le_entropy代表字符串左邻字集的信息熵；ri_entropy代表字符串右临字集的信息熵。
（2） new分词词典
本文采用中国科学院计算技术研究所研制的汉语词法分析系统ictclas分词工具，将领域词典、新词发现得到的新词词典和原有的分词词典组成新（new）分词词典，利用new分词词典对语料库进行分词。
2.2 领域概念候选词抽取
采用基于word2vec的领域概念候选词抽取算法。word2vec是一个把词转变为向量的工具，可以通过两个向量之间的余弦值得到两个词的相似度。本文将与种子概念具有一定相似度的词汇作为领域概念候选词，具体步骤如图3所示。利用word2vec工具对分词后的原始语料进行训练得到词向量模型，将种子概念对输入词表进行初始化，利用该模型计算与输入词表具有一定相似度的词汇作为领域概念候选词。要扩大候选词数量，采取迭代的算法，将输入词表作为迭代变量，将输出词表与输入词表的差集作为输入变量，再次调用词向量模型抽取候选词，直至符合迭代结束条件停止。
使用word2vec工具训练词向量模型步骤如下：
（1） 将文本语料进行分词，并以空格或tab隔开。
（2） 将分好词的训练语料进行训练，假定语料名称为test.txt且放入word2vec目录中。
（3） 训练好模型之后，得到词向量模型文件vectors.bin。
得到词向量模型后，便可以通过计算两个向量的余弦值来计算两个词的相似度。本文提出利用word2vec工具训练得到的词向量模型抽取种子领域概念的相关词汇，将相似度大于某一阈值的相关词作为领域概念的候选词。要扩充候选词集，设计迭代算法，将得到的输出词表与输入词表的差集作为输入，再运行程序得到更多领域概念候选词。算法流程如下：
（1） 程序初始化，将从领域词典中选取的种子概念对输入词表进行初始化；
（2） 调用word2vec的词向量模型抽取输入词表中概念的相关词汇，并将这些相关词汇作为领域概念候选词；
（3） 将抽取得到的候选词集合作为输出词表输出；
（4） 根据结束条件判定程序是否结束，如果不符合结束条件，则计算输出词表与输入词表的差集[s，]将[s]作为输入词表，转步骤（2），符合结束条件，程序结束。
该算法采用迭代算法以期获取更多的领域概念候选词，从而扩充候选词集。由上述算法流程可见，该算法中的迭代变量为输入词表，输入词表经过word2vec训练的词向量模型得到一个输出词表，然后将输出词表与输入词表的差集赋值给输入词表，再次进行抽取，这就是迭代过程。迭代算法中迭代结束条件可以是程序循环次数、输出词表与输入词表差集中元素的个数小于某个阈值和抽取概念的个数达到一定的数量等几种情况，具体的结束条件可根据需求的本体规模来确定。
2.3 领域概念候选词评价
采用迭代算法可抽取出大量的领域概念候选词，然而本体的概念应是精炼的，本体的规模也是确定的，应对这些基于word2vec得到的领域概念候选词进行过滤，进一步提取领域概念。本文以种子概念为基准，计算概念候选词与种子概念的语义相似度，认为候选词与种子概念在语义上越相近，该候选词与领域越相关，本文将语义相关度高的词语作为抽取的领域概念，具体流程如图4所示。
采取基于双序列对比的中文术语语义相似度计算方法进行语义相似度计算，该方法有效地利用《同义词词林2》对词语进行有效的语义相似度计算，并且对组合词语之间的相似度也进行了深入研究，效果较好。
3 领域本体概念关系抽取
本体概念之间的关系主要包括同义关系、上下位关系、整体?部分关系等。其中，同义关系和上下位关系是基本的语义关系，构成了本体的基础框架。
3.1 同义关系抽取
本文利用中英文词典抽取概念间的同义关系。假设概念c1翻译得到的英文单词或短语有[{w1，w2，…，wn}，]概念c2翻译得到的为[{w′1，w′2，…，w′m}，]如果两个集合有交集，即两个概念有相同的英文解释，就认为这两个概念具有同义关系。将一个概念与其相关概念组成的概念对集合作为关系解空间，从解空间中抽取同义关系。为了抽取更多的同义关系，需要扩大关系解空间。
3.2 上下位关系抽取
本文提出了一种基于概念对的语义特征和语境特征的特征向量来抽取具有上下位关系的概念对，从概念对的构词、共现、特征词出现数量、概念对在句中位置的距离出发，构建概念对上下位关系的特征向量，并使用支持向量机（svm）进行训练和预测，从而实现本体上下位关系的抽取。具体算法实现如下：
步骤1：初始化所有的概念对和特征词；
步骤2：判断一个待计算特征向量的概念对是否符合扩展的包含原理，是则该概念对的特征向量[t]为（1，0，0，0），否则该概念对的[t1]值标记为0，进行步骤3；
步骤3：利用百度搜索引擎，对概念对进行查询，保存查询结果的前10条，计算该概念对的特征向量[t；]
步骤4：判断是否所有的概念对处理完毕，否，则转步骤2，是则形成特征集[w（t）；]
步骤5：调用libsvm工具，将[w（t）]导入到训练集中；
步骤6：设置svm训练参数，分别选用4种核函数进行实验，选取分类效果最好的核函数；
步骤7：运行程序，从概念与其相关的概念组成的概念对中抽取上下位关系。
4 数字图书馆气候变化领域本体半自动化构建
本文采用气候变化领域主题网络爬虫方法从web上采集与气候变化领域有关的数据，共采集了1.5 gb的web领域数据，数据的来源主要有2个。其中，基于开放搜索引擎搜索和气候变化权威的领域内新闻共有198 104篇，数据1.04 gb，百度百科领域内数据105 660篇，数据556 mb。本文利用这些从web上采集的领域数据作为初始学习语料，从中自动的抽取气候变化领域本体概念和概念之间的关系，形成初始本体，最后利用本体编辑器，由领域专家人工对初始领域本体进行审核和编辑，以得到更为完善的知识体系和更为精准的本体描述。
4.1 基于word2vec的领域概念抽取实验
（1） 中文分词
采用中科院计算所的ictclas分词工具对原始语料进行分词，在分词前，首先对原始语料进行新词发现，再将新词发现的结果和构建的领域词典中的词添加到原有分词词典中，形成新的分词词典。
实验中采用基于互信息和信息熵的新词发现技术从采集的气候变化领域语料中发现新词，本文只抽取5个字和5个字以下的词语，实验过程中，首先对字符串进行频率过滤，设定频率阈值，如果大于该阈值，则再进行信息熵过滤，否则，直接将其排除。由于目前还没有统一的设定阈值的标准，本文中的阈值都是经过反复试验，选取使效果较佳的阈值。实验发现新词情况如表1所示。
利用原有分词词典和在原有分词词典的基础上加入新词词典和领域词典后，对语料进行分词的结果进行对比，其结果证明采用新的分词词典进行分词，分词的准确率大大地提高了。
（2） 领域概念候选词抽取
首先对采集的气候变化领域语料利用原有的分词词典进行分词，利用word2vec工具对该分词文件进行训练，得到词向量模型文件vectors.bin。采用构建的领域词典作为初始输入词典，通过调用词向量模型文件vectors.bin，计算与种子概念距离近的词汇，得到领域概念的候选词。
（3） 领域概念候选词评价
采用双序列比对的中文术语相似度计算方法，将获得的11 032个领域概念候选词与领域词中的种子概念做语义相似度计算，本文将与种子概念相似度大于一定阈值的候选词选作领域概念。实验过程中，该阈值取0.7。利用构建的领域词典中的1 080个词汇作为种子概念，采用两种方法做对比实验（将基于前后缀的中文领域术语抽取方法称为原有算法，将本文采用的基于word2vec的领域本体概念抽取算法称为改进算法），实验结果如表2所示。
由表2可见，改进的算法无论是在领域概念抽取词抽取环节还是领域概念候选词评价环节，不仅大大地增加了抽取词汇的数量，而且领域术语所占的比重也比之前提高了。
4.2 概念关系抽取实验
（1） 同义关系抽取。本文采用在线的有道词典进行约束，同义关系抽取结果如表3所示。由实验结果可知，得到的结果准确率较高但召回率比较低，由于使用词典约束以及关系解空间等因素影响了召回率，可通过对数据进行扩充，其中包括使用word2vec的训练语料和双语词典等改进方法来提高召回率。
（2） 上下位关系抽取。本文从关系解空间中抽取上下位关系，从中选取并手工标记800对概念对，其中正例400对，反例400对。实验中，在800对正反例中各取大约3/4的向量作为训练集，剩余的1/4对作为测试集。将本文提出的基于特征向量的本体概念上下位关系验证与基于百科的术语关系抽取方法进行对比验证，对比结果如表4所示。
从实验结果可得：本文提出的基于特征向量的上下位关系验证方法具有更高的准确率、召回率和[f]值，而且采用本文提出的算法比基于百科的术语上下位关系抽取发现的具有上下位关系的概念对多。
4.3 数字图书馆气候变化领域本体的应用
气候变化问题已经逐渐成为各界热议的焦点，世界各国的统计部门、气象部门等都已经积累了庞大的数据集，研究者很难从庞大而分散的数据集与观点成果中快速找到期望的信息，更难以在这些信息中寻找数据之间的关联与规律。基于以上问题，设计开发出了针对气候变化领域的rss阅读器系统。新闻、数据文件等以本体的组织框架进行组织。点击某一知识节（领域概念），便可查看相关的新闻信息等，操作方便快捷。用户通过该阅读器系统能实现对气候变化领域内最新、最全新闻信息的实时获取，从而减少人工搜索和筛选的工作，提高了新闻信息搜索效率和信息推荐的准确度。
5 结 论
本文探讨了领域本体构建方法，设计了一种基于web的领域本体半自动构建方法，对基于word2vec的数字图书馆本体构建技术进行研究，采用基于中英文词典的方法抽取同义关系，提出基于特征向量的上下位关系抽取算法。基于此，设计开发出了针对气候变化领域的rss阅读器系统，通过实验及实际应用证明文中所提方法缩短了本体开发周期，节省了大量的人工参与，自动抽取本体质量较高。但领域概念抽取结果依赖于word2vec工具，具有一定的局限性，因此，可以考虑混合其他的概念抽取方法来获取领域概念。
参考文献
[1] 顾英，柯平，李泽华.基于领域本体的数字图书馆及应用研究[j].图书馆工作与研究，2013（5）：41?44.
[2] 李志隆，王道平，关忠兴.基于领域本体的用户兴趣模型构建方法研究[j].情报科学，2015，33（11）：69?73.
[3] 陈卫.基于本体的数字图书馆个性化推荐模型构建研究[d].武汉：湖北工业大学，2015.
[4] 李跃鹏，金翠，及俊川.基于word2vec的关键词提取算法[j].科研信息化技术与应用，2015（4）：54?59.
[5] pu q. research on e?negotiation process mixed with domain ontology and reasoning technology [c]// proceedings of 2013 joint international conference. vina del mar： springer， 2013： 471?475.
量子计算的概念篇（7）
初中化学“物质的变化”一节的演示实验，既能激发学生学习化学兴趣，又是使学生形成“物理变化”、“化学变化”概念的好例子。如水的沸腾，引导学生观察水由静态转化为水蒸汽再冷凝成液态水，师生总结出变化特点：仅仅是物质状态上变化，无其他物质生成。演示“镁带燃烧”实验，引导学生观察发出耀眼白光及生成白色固体。这个变化特点是镁带转变为不同于镁的白色物质——氧化镁。最后师生共同总结：“没有生成其它物质的变化叫物理变化”，如水的沸腾，石蜡熔化等。“生成了其它物质的变化叫化学变化”，如镁带燃烧，碱式碳酸铜受热分解，二氧化碳使澄清石灰水变浑浊等。再如“催化剂”、“饱和溶液”、“不饱和溶液”等概念的形成，都可以由实验现象分析、引导、归纳得出其概念。
二、以计算为基础，使学生理解概念
如在“相对原子质量”概念的教学中，教师首先讲述原子是化学变化中的最小微粒，其质量极小，运用起来很不方便，指出“相对原子质量”使用的重要性。指导学生阅读“相对原子质量”概念，然后提出问题，依据课本中定义进行推算。
（1）“相对原子质量”的标准是什么？（学生计算）：一种碳原子质量的1/12 1．993x10-26千克x1/12≈ 1．661x10-27千克
（2）氧的“相对原子质量”是如何求得的？
（学生计算）：2.657 x10-26
氧原子绝对量（千克）：2.657 x10-26 千克
氧的“相对原子质量”：2.657 x10-26千克÷1．661x10-27千克=16.00
如果学生只注意背“相对原子质量”概念，尽管多次记忆仍一知半解。但通过这样计算，学生便能直观、准确地理解“相对原子质量”的概念，而且还较容易地把握“相对原子质量”只是一个比值，一个没有单位的相对量。
三、通过反例，加深学生对概念的理解
为了使学生更好地理解和掌握概念，教学中指导学生在正面认识概念的基础上，引导学生从反面或侧面去剖析，使学生从不同层次去加深对概念的理解。
例如对酸的认识：由h 和酸根离子组成的化合物叫酸。然后提问，硫酸氢钠中含有h ，它也是一种酸吗？学生容易看出其阳离子除h 外，还有na ，所以它不是酸。这样，从侧面理解定义的准确含义，更能准确地掌握酸的概念。
四、寻找概念之间的联系和区别
对有关概念进行有目的地比较，让学生辨别其区别与联系很有必要。例如分子和原子，元素与原子，还有物理变化与化学变化，化合反应和分解反应，溶解度与溶质质量分数等。通过对比，既有益于学生准确、深刻地理解基本概念，又能启发学生积极地抽象思维活动。
五、多角度地对概念进行练习、巩固
“溶质的质量分数”这一概念为：溶质的质量与溶液质量之比叫做“溶质质量分数”。计算式：溶质的质量分数 = 溶质质量／溶液质量 x100%＝溶质质量／（溶质质量＋溶剂质量）x100%，这个概念的引入和建立并不难，难的是它的具体运用。所以在建立这一概念之后，有针对性的进行下列练习，并组织学生讨论：
（1）10克食盐溶解于90克水中，溶质的质量分数是多少？
（2）20克食盐溶解于80克水中，溶质的质量分数是多少？
（3）100克水溶解20克食盐，溶质的质量分数为20％，对不对，为什么？
（4）10％的食盐溶液100克，倒去50克食盐水后，剩下溶液的溶质的质量分数变成5％，对不对，为什么？
量子计算的概念篇（8）
（1）原子量的标准是什么？（学生计算）：一种碳原子质量的1/121．993x10-26千克x1/12≈ 1．66x10-27千克（2）氧的原子量是如何求得的？
（学生计算）：
氧原子绝对量（千克）
氧的原子量：-------------------
原子量标准
如果学生只注意背原子量概念，尽管多次记忆仍一知半解。通过这样计算，学生便能直观地准确地理解“原子量”的概念，而且还较容易地把握原子量只是一个比值，一个没有单位的相对量。
为了使学生更好地理解和掌握概念，教学中指导学生在正面认识概念的基础上，引导学生从反面或侧面去剖析，使学生从不同层次去加深对概念的理解。
例如酸的定义：“电离时生成的阳离子全部是氢离子的化合物叫酸”。然后提问，硫酸氢钠电离生成h十，它也是一种酸吗？学生容易看出其阳离子除h十外，还有na十，所以它不是酸。这样，从侧面理解定义中“全部”的含义，更能准确地掌握酸的概念。
对概念进行对比在新课教学或阶段性复习的过程中，对有关概念进行有目的地比较，让学生辨别其区别与联系很有必要。例如分子和原子，元素与原子，还有物理变化与化学变化，化合反应和分解反应，溶解度与百分比浓度等。通过对比，既有益于学生准确、深刻地理解基本概念，又能启发学生积极地抽象思维活动。
例如：质量百分比浓度的概念“用溶质的质量占全部溶液质量的百分比表示的溶液的浓度叫做质量百分比浓度。”数量表达式为：质量百分比浓度溶质浓度 = ------------------------------ x100%溶液质量（或溶剂质量 溶质质量）这个概念的引入和建立并不难，难的是质量百分比浓度的具体运用。所以在建立这个概念之后，通过下列练习，讨论：
（1）10克食盐溶解于90克水中，它的百分比浓度是多少？
（2）20克食盐溶解于80克水中，它的百分比浓度是多少？
（3）100克水溶解20克食盐，它的百分比浓度为20％，对不对，为什么？
（4）20％的食盐溶液100克，倒去50克食盐水后，剩下溶液的浓度变成10％，对不对，为什么？
量子计算的概念篇（9）
文章编号：1008-0546（2017）04-0052-03 中图分类号：g632.41 文献标识码：b
doi：10.3969/j.issn.1008-0546.2017.04.017
一、 研究背景
1. 本节的地位和作用
物质的量这一核心概念是沟通微观粒子数和宏观物理量之间的桥梁，通过这一“桥梁”可以把宏观的物理量如：物质的质量、气体的体积、溶液的物质的量浓度和微观的微粒数联系起来（见图1），同时物质的量这一概念的形成可以使学生从定性的认识物质的组成上升到定量的计量化学反应，从而把化学反应和化学实验变得可以操控，把化学问题变成更实际的问题（见图2）。
2. 学生认知情况分析
学生普遍反映物质的量一节比较难学，然而“难”究竟“难在哪里？”。只有找准问题所在，进行有效的、有针对性的教学目标设定和教学方法的选择才能做到有的放矢，解决学生的实际困难。c合分析本节课的学习，学生主要是以下几个方面存在困难：
第一：初中物质微粒性知识太薄弱。据了解，很多学校初三的化学课是考什么就学什么，对于中考比较少考查的内容根本都不讲，造成高一一部分学生对分子、原子、离子、质子、中子、电子等微粒都不甚了解，所以这部分高一学生在计算微粒数的时候感觉无从下手。比如：不少的学生对1mol h2o中为什么有2mol h、1mol o这些问题百思不得其解。其根源就是物质的微粒构成种类和数目方面存在障碍。
第二：学生从定性认识到定量的计算方面存在一定的困难。初中比较浅显地介绍了物质的微粒构成，要求的微粒观是比较低层次的定性了解，对“量”的计算不做要求，因此从定性的认识到定量的计算需要在“化学计量在实验中的应用”也就是物质的量的概念教学中得到突破。
第三：学生在“宏观”和“微观”转变方面存在困难。物质的量概念很陌生，虽然和其他物理量有相似之处，和宏观的“集合体”的概念也有一定的相似之处，但如果不进行相应的教学情景设计和教学思路的引导，学生很难把相似的概念进行对比和联系，在计算时，由于对陌生概念的不理解往往“去蒙”或逢计算就出错。
第四：教学方式带来核心概念理解上的困难。传统的对“化学计量在实验中的应用”这一节课教师偏重讲、练结合，学生往往学了很久对这节课还不甚了解，因为对核心概念物质的量为什么要引入，以及在化学实验中到底有什么作用，还是一知半解，给以后的学习也带来了很多障碍，让学生觉得化学很难学。
二、研究案例的过程
1. 提出问题
如何在“物质的量在实验中的应用”一节中对微粒观的基本思想进行渗透。从近几年中国知网搜到的文章来看，国内研究者对于微粒观的形成普遍开始重视。但有一些侧重理论研究，对课堂中的实施不够具体。如李晓娇在微粒观在中学阶段的要求和在中学化学课堂中实施给予一定的理论指导和实践探索，黄琼对比了基于微粒观形成的教学设计在不同层次的学校、不同层次的学生、不同版本的教材实施中效果的对比。其他的一些研究者是从以下几个方面对 “物质的量”这一核心概念进行突破。第一、选择多样化的宏观教具，创设问题情境，侧重学生从宏观理解微观的物质；第二、针对“物质的量”这一核心概念的研究大多是教师主导下完成的，学生被老师设置的问题牵着走；第三、老师用自己的教学技巧和语言促进学生对“微观的量”到“宏观的量”的联系理解，学生缺乏自主探究形成知识的乐趣。
2. 教学前预设
第一次教学设计基于化学基本概念――微粒观的形成，从概念的引入到活动的设计都进行了精心设计从而突出概念教学的特征，学生的练习和教师的讲授相结合。用课前测试调查了解学生对微粒观的掌握情况――用故事和生活实例引入统计方法在实际问题中的应用――引入物质的量的概念――用物质的量统计微粒数时的换算（na、n、n三者的转变关系）体会物质的量的作用。―― 引入m，n、m、m三者的关系进行计算。――得出物质的量在化学计量中的应用的方便。
3. 第一次授课时学生研学问题的解决
教学设计以学生微粒观形成为主导，注重学生自主探究知识过程，设计了一些多样化的教学活动，在教学过程中充分调动了学生学习的积极性，学生参与度大大提高，课堂气氛非常融洽和热烈。课后，我对学生关于“物质的量”核心概念的掌握情况进行了访谈，发现学生掌握情况相比之前的教学没有特别明显的突破。课堂上学生听课都很投入，也很“忙”没有提出太多问题，但上完课后对微粒、数量、微观宏观转变依然觉得落实不够到位，“物质的量”这一核心概念大多是教师主导下完成的，课堂上学生是被老师设置的问题牵着走，被动的走完了整个过程，至于为什么引入这个物理量？这个物理量在化学实验中有什么作用，是否带来化学实验的方便？从微观量到宏观量如何转变？等问题学生依然一知半解，只是机械记住了几个公式和物理量的转变关系。缺乏思考物质的量这个核心概念在建立宏观和微观联系中的作用。
4. 二次授课中，研学问题的解决
分析学生的微观与宏观转变的思维障碍点。
学生普遍反映物质的量一节比较难学，然而“难”究竟“难在哪里？”只有找准问题所在，进行有效的、有针对性的教学目标设定和教学方法的选择才能做到有的放矢。
思维障碍一：物质的微粒构成种类和数目方面存在障碍。学生对分子、原子、离子、质子、中子、电子等微粒都不甚了解，所以在计算微粒数的时候感觉无从下手，连微粒都不知道是什么，也就谈不上对微粒“量”的把握。比如：不少的学生对1mol h2o中为什么有2mol h、1mol o这些问题百思不得其解。
教学环节一：
【交流评价】分析学生对“物质微粒组成和量”的掌握情况
【课前预习】调查问卷，点评特征卷
一、①气体、h2o的微粒构成
②金属、c等单质的微粒构成
③可溶性的酸、碱、盐溶质在水中的微粒存在
思维障碍二：学生在“宏观”和“微观”转变方面存在困难。物质的量概念很陌生，和宏观的“集合体”的概念也有一定的相似之处，但如果不进行相应的教学情景设计和教学思路的引导，学生很难把相似的概念进行对比和联系。
对核心概念的作用一知半解。物质的量为什么要引入，在化学实验上到底有什么实际作用。不解决这些问题，学生永远做不到真正掌握这个概念。
如何能有效地实现“微观的量”到“宏观的量”的顺利转化，并有效地落实到具体教学的实施中，是本节课的关键所在。
教学环节二：体会化学实验中微观粒子数“量”的需求和微观粒子数目不可测之间的矛盾
1滴水中的水分子由100个人平均每秒数3个需要大概160多亿年才数的完。数量极其庞大的微观粒子如何统计？
【思考交流】如果你是超市采购员，你如何统计大批量的苹果？
教学环节三：体会物质的量这一物理量在统计微观粒子数量时带来的方便
【课内探究】
1、以总个数计量微观粒子方便吗？以“摩尔”为单位计量微观粒子方便吗？
2、1摩尔h2o分子是 h2o分子，含有 个h原子，含有 个o原子。
教学环节四：从实际出发，理解物质的量核心概念在沟通微观和宏观的作用
【思考交流】1mol的微观粒子是6.02×1023个是怎样规定的？如果某反应需要1mol的c做反应物，实验室如何获取1molc？
【引导】1mol12c质量为12g，这一数目我们可以顺利地在实验中用天平“称量”出c的原子数。拓展开来，如果我们知道某物质1mol微观粒子的质量也就能在实验室用天平“称出”其微观粒子数。
【思考交流】
1.写出摩尔质量的意义、单位、计算公式。
2.摩尔质量的数值有什么特点。
3.请你用计算公式表示如何用物质的质量去计算物质的微观粒子数。
思维障碍三：学生不了解为什么引入“物质的量”这个概念，对于其在化学实际问题中的应用不甚明了。在化学反应中“物质的量”到底表示什么，怎么把用物质的量把宏观可测与微观化学反应之间的矛盾化解和融合，是学生需要解决的更高层次的问题。
教学环节五：体会核心概念――物质的量在化学反应中的意义
【思考与交流】试用物质的量、微观粒子数、质量等物理量说明反应：h2 cuo[=][][=][]cu h2o 在反应物和生成物“量”方面表示的意义。
教学环节六：应用训练提升，进一步理解物质的量在微观宏观之间转化的重要意义
【思考与交流】
计算下列结果并写出公式和计算过程
1）某反应需要3.01×1022个c参加反应，实验室需要称量的c为多少克？
2）49g硫酸溶于水中得到溶液中的h 物质的量和个数，so42-的物质的量和个数为多少？
二、案例研究的评价和分析
教学设计着重从以下两个方面开展课堂活动，促进学生核心概念的构建，宏观和微观之间的转化。
第一，以生为本，从课前调查，到目标制订，再到教学设计和课后调查反思，充分体现了学生为主体，教师为主导的教学理念。
第二，创设有利于学生了解“微观”世界的教学情境。从熟悉的宏观物体的统计方法出发，类比迁移物质微观上微粒量的统计，更加有利于学生从微观到宏观的过渡，符合学生的认知规律。
第三，设计课堂自主探究活动，让学生体验自主获得知识的乐趣，从而从微观上接受和理解“物质的量”在化学中的重要地位和应用价值，激发学生学习化学的热情和动力。
第四，围绕核心概念“物质的量在实验中的应用”设计教学活动，让学生反复体会物质的量的引入对解决实际问题带来的方便。体会摩尔质量、气体摩尔体积、物质的量的浓度在化学实验中沟通微观和宏观的重要作用。
三、收获和反思
本节课后，在后续的作业中反映出来几个值得深思的问题：
第一，本节课是基于核心概念物质的量的建立，让学生对物质的微粒构成，以及微粒的数量有了更深的认识，比如：哪些物质是由分子组成，哪些物质是由原子组成，哪些物质在水溶液中是离子。
第二，学生对概念的理解和辨析都掌握得很好。从作业和后续的学生访谈中反映出来，学生的概念辨析题都做的不错，基本都能做对，说明这节课的实施还是有成功的地方，对物质的量这个核心概念在沟通微观和宏观的作用，物质的量如何把微粒数换算成宏观可测的质量等问题都能有比较深的体会和准确的认识。
第三，有些学生对于物质的化学式以及方程式中“量”的含义还停留在比较表面的认识，比如：有学生认为h2o是h2和o组成，认为只是两种物质的拼凑，对化学反应的本质――原子重新拆分和组合没有形成概念。
第四，学生对于物质的量的相关概念与符号表达比较陌生，符号与物理量对号入座还不熟练，导致计算中还是会出现问题。
高中化学微观到宏观转变，不是靠一节两节课来形成的，需要长期在日常教学中不断渗透给学生，才能使学生理解和利用化学这个工具去认识和改造社会、生活、科技、环境中的问题，从而让化学成为有用的学科。
参考文献
[1] 中华人民共和国教育部.全日制义务教育化学课程标准（实验稿）[m].北京：北京师范大学出版社，2001
[2] 王磊等.在课程中如何进行基于核心观念建构的教学设计[j].化学教育，2005（1）：173
[3] 谢鸿雁.微粒作用观下的化学课堂教学[j].教学理论与实践，2008（2）：62-63
[4] 张劲辉.高一化学教学中微粒观的培养构想[j].福建教育学院学报，2011（10）：42-44
量子计算的概念篇（10）
初三化学绪言部分的演示实验，既是激发学生学习化学兴趣，又是使学生形成“物理变化”、“化学变化”概念的好例子。如水的沸腾，引导学生观察水由静态转化为水蒸汽再冷凝成液态水，师生总结出变化特点，仅仅是物质状态上变化，无其他物质生成。演示“镁带燃烧”实验，引导学生观察发出耀眼白光及生成白色固体。这个变化特点是镁带转变为不同于镁的白色物质——氧化镁。最后师生共同总结：“没有生成其它物质的变化叫物理变化”，如水的沸腾，硫酸铜晶体的研磨等。“生成了其它物质的变化叫化学变化”，如镁带燃烧，碱式碳酸铜受热分解，二氧化碳使澄清石灰水变浑浊等。再如“催化剂”、“饱和溶液”、“不饱和溶液”等概念的形成，都可以由实验现象分析、引导、归纳得出其概念。
二、通过计算推理，帮助学生理解概念
如在“原子量”概念的教学中，教师首先讲述原子是化学变化中的最小微粒，其质量极小，运用起来很不方便，指出“原子量”使用的重要性。指导学生阅读原子量概念，然后提出问题，依据课本中定义进行推算。
（1）原子量的标准是什么？（学生计算）：一种碳原子质量的1/121．993x10-26千克x1/12≈ 1．66x10-27千克（2）氧的原子量是如何求得的？
（学生计算）：
氧原子绝对量（千克）
氧的原子量：-------------------
原子量标准
如果学生只注意背原子量概念，尽管多次记忆仍一知半解。通过这样计算，学生便能直观地准确地理解“原子量”的概念，而且还较容易地把握原子量只是一个比值，一个没有单位的相对量。
三、通过反例，加深学生对概念的理解
为了使学生更好地理解和掌握概念，教学中指导学生在正面认识概念的基础上，引导学生从反面或侧面去剖析，使学生从不同层次去加深对概念的理解。
例如酸的定义：“电离时生成的阳离子全部是氢离子的化合物叫酸”。然后提问，硫酸氢钠电离生成h十，它也是一种酸吗？学生容易看出其阳离子除h十外，还有na十，所以它不是酸。这样，从侧面理解定义中“全部”的含义，更能准确地掌握酸的概念。
四、找概念之间的联系和区别
对概念进行对比在新课教学或阶段性复习的过程中，对有关概念进行有目的地比较，让学生辨别其区别与联系很有必要。例如分子和原子，元素与原子，还有物理变化与化学变化，化合反应和分解反应，溶解度与百分比浓度等。通过对比，既有益于学生准确、深刻地理解基本概念，又能启发学生积极地抽象思维活动。
五、多角度地对概念进行练习巩固
例如：质量百分比浓度的概念“用溶质的质量占全部溶液质量的百分比表示的溶液的浓度叫做质量百分比浓度。”数量表达式为：质量百分比浓度溶质浓度 = ------------------------------ x100%溶液质量（或溶剂质量 溶质质量）这个概念的引入和建立并不难，难的是质量百分比浓度的具体运用。所以在建立这个概念之后，通过下列练习，讨论：
（1）10克食盐溶解于90克水中，它的百分比浓度是多少？
（2）20克食盐溶解于80克水中，它的百分比浓度是多少？
（3）100克水溶解20克食盐，它的百分比浓度为20％，对不对，为什么？
（4）20％的食盐溶液100克，倒去50克食盐水后，剩下溶液的浓度变成10％，对不对，为什么？
