一种关于本体复合映射的挖掘算法

为了提高本体映射的精度,往往需要同时考虑1∶1、1∶n、n∶m等多种不同的情况。而对于以往的映射算法而言,它们主要考虑了简单的1∶1的映射,忽略了同样重要并占据相当比例的复合映射问题,这样极大地损失了本体映射的精度。针对这个问题,提出了一个基于多种关系的复合映射发现算法。实验证明,该算法在对本体复合映射的发现问题上非常有效,而且极大地提高了映射结果的精度。     

本体复合映射研究

已有的本体复合映射算法中,绝大部分都只能发现基于字符串比较的简单类型的复合映射,查准率和查全率不高。提出一种基于结点间包含关系和等价关系发现复合映射的方法。实验证明,该方法可以发现本体中包含的绝大部分复合映射,较之现有的复合映射发现算法在查准率和查全率方面有了很大改进。     

语义Web中的本体自动映射

分布式语义信息集成足语义Web面临的六大挑战之一．本体映射是语义集成的关键．文章基于贝叶斯决策理论提出最小风险的本体映射模型;RiMOM（Risk Minimization based Ontology Mapping）．RiMOM将映射发现问题转换成风险最小化问题,提供了一个多策略的本体映射方法．该方法不仅在1：1的映射上取得了较好的效果,还实现了n：1映射,实验表明在几个公开的数据集上,RiMOM可以取得比同类方法更高的查准率和查全率．     

基于三角数模糊层次分析法的本体校正映射研究

传统的多策略映射方法一般依据经验给各个子策略赋权重,缺乏理论依据性,并且精确度不高。提出基于模糊层次分析法的本体映射算法。该算法用三角模糊数层次分析法解决多策略参数赋值问题,同时根据OWL语法特点,引入映射校正规则,有效地提高了映射精度。仿真实验的结果表明,基于三角数模糊层次分析法的本体校正映射算法能有效提高映射查准率和查全率。     

基于领域学习的本体映射方法

在语义数据集成中本体映射是关键,手工设置映射关系不仅消耗时间而且不准确,需要使用本体映射工具自动发现这种映射关系.在现有本体映射方法的基础上提出了基于领域学习的映射发现策略,可以从领域知识中发现复杂映射的规则,增加映射时的实例数据,从而提高映射发现的查全率和准确率;同时利用本体中丰富的语义知识去筛选候选数据,从而降低映射方法的算法复杂度.实验证明该方法是有效的.     

基于参考点的大规模本体扩散映射算法

目前针对大规模本体映射大多采用先分块,再在分得的小块间进行块内映射.但是,对大本体进行分块,以及对相关小块的映射操作会增加很大的开销.本文采用基于参考点的扩散映射算法,通过小模块快速获得参考点(在名称上相似的概念),利用访问局部性原理,通过比较参考点附近的邻居概念,逐渐向其邻居扩散映射.根据邻居概念的映射情况检查参考点是否为错误映射,且映射的邻居概念成为新的参考点.然后对新的参考点迭代进行扩散映射,直到所有概念都扩散完毕或者找不到新的参考点为止.显然,该方法把候选映射概念集始终限制在参考点附近,极大的减少了映射的时间复杂度.本文算法支持从目标本体到源本体的1:n映射;支持参考点的自动生成;带冲突避免的映射操作能同时提高映射效率和质量.     

基于本体语义映射的数据集成机制研究

数据集成的难点是如何解决数据之间的语义异构问题,本文利用本体在语义集成上的优点,提出了一种基于本体语义映射的数据集成框架。根据本体概念的定义及其结构,给出了一种本体语义映射算法,该算法通过属性集合间的比较确定概念语义关系,在计算概念相似度时,考虑了概念名称、概念属性集合和相关概念的语义信息。最后通过概念的属性集映射算法和概念映射算法实现了本体语义映射,从而重点解决了数据集成中的语义映射问题。     

基于映射的实例转换研究

本体映射可以有效解决异构本体间的互操作问题。在本体映射的研究中,已经存在很多建立映射的方法和工具,但针对如何应用本体映射完成特定任务的研究却很少。探讨了本体映射的应用模式,提出一个基于映射的自动实例转换框架（MAIT）,并展示了相关的转换算法。该框架可以在基于本体的环境（如：语义Web）中将源本体的实例自动转换为目标本体的实例。实验结果表明提出的框架和算法是可行的,也是有效的。     

基于推理的本体映射抽取算法及修正

针对使用多策略进行本体映射时,其输出的相似度矩阵中往往含有错误的映射对的问题,基于分布式描述逻辑提出了一种Sufferage抽取算法.该算法融入推理技术对候选映射进行抽取,并对抽取结果做进一步修正,从而正确有效地提高了抽取质量.通过和已有的算法进行实验比较,表明该方案能够明显提高查准率,获得更准确的映射结果.     

面向Web零件库的零件簇本体映射研究

时零件本体的异构问题进行讨论,给出零件本体的定义和映射过程模型.提出一种结构--特性本体映射算法来解决零件本体异构问题,该映射算法由结构相似性算法和零件特性相似性算法组合而成.以查全率和查准率为目标.通过实例分析说明该方法的有效性.     

基于Stacking方法的多策略本体映射*

将概念相似度的计算问题看做分类问题,提出一种基于Stacking方法的多策略本体映射框架;利用Stacking方法组合多种概念相似度算法,进而提出基于Widrow-Hoff理论的元数据分类算法LMSMC。该框架中,第0层分类器使用各种概念相似度算法对源本体进行分类,第1层分类器使用LMSMC算法对元数据进行分类,从而实现组合多种算法的本体映射。实验表明该方法比单独使用相似度算法在查全率、查准率上均有所提高。     

基于Top-k映射的本体匹配方法

针对本体之间的异构问题,提出一种基于Top-k映射的本体匹配方法。该方法是对现有匹配方法的一种扩展,它以相似度计算为基础,从元素级和结构级计算2个概念之间的相似度,并在匹配过程中同时产生k个映射而不是一个最佳映射。实验结果表明,该算法在查全率和查准率方面都有很好的表现,并且其查准率要优于GLUE方法。     

基于相似度计算的本体映射框架

本体映射是实现异构本体知识共享与互操作的有效手段。提出计算相似度的方法,考虑确定的映射对未进行计算的相关概念相似度的影响,并给出一种基于本体内定义的规则来验证映射结果的方法,在保证映射准确性的前提下,有效提高映射速度。除判别相等与相似的概念,还考虑映射概念的子类与超类关系。     

一种模块化的多策略模糊本体映射方法*

通过分析模糊本体的特点,并结合模块化和多策略映射的优点,提出了一个面向语义Web的模糊本体模型,并针对该模型提出了一种模块化的多策略本体映射方法,以提高模糊本体映射的效率和准确率。最后对映射结果进行融合并采用迭代矫正的方法进行修复,使得映射结果更加准确可靠。     

基于分类的本体映射方法及映射工具实现*

介绍了本体和本体映射的概念,以及目前本体映射的主要方法.针对目前本体映射方法中存在的不足,提出了一种新的本体映射方法--基于分类的本体映射方法,解决了本体概念相似度计算量过大的问题,并实现了基于该映射方法的原型工具COMT,最后通过一个本体映射实例加以验证.     

利用共用本体构造本体映射

一些代理机语言使得代理机能够理解代理机之间传递的信息的内容和潜在含义。交互中用到的信息载体是本体,由于本体是多种多样的,而且不同的本体对于同一个事物的描述是不一样的,这就阻碍了代理机之间的交互,这个问题被称作交互问题。文中提出共用本体的概念,建立通用的本体体系,首先建立本体与通用本体之间的映射,然后构建两个或两个以上异构本体之间的映射。实验表明,此方法不仅能够解决结构异构问题,也能解决语义异构问题。     

基于覆盖聚类的大本体分块映射研究

在本体映射的研究中,本体分块映射是完成大规模本体映射任务的主要方法。但是目前本体分块方法存在以下不足：分块大小不适合映射,分块质量依赖于预先给定的参数。针对这些问题,综合分块的内聚与耦合程度,作为分块指标指导分块过程,改善分块及映射的质量,并重新设计了基于覆盖聚类的本体分块映射的方法,使分块不依赖于参数。实验结果显示,改进的方法对大本体分块映射问题是行之有效的。     

多策略概念相似度计算方法LMSW

本体映射是语义集成的关键,国内外对本体映射进行了深入的研究。将机器学习的方法引入到组合概念相似度的权值计算中来,提出了基于Widrow-Hoff理论的权值确定算法LMSW。通过梯度下降法来搜索最佳拟合训练样例的权向量,从而计算出组合的概念相似度,最终实现组合多种概念相似度算法的本体映射。实验表明该算法比单独使用概念相似度计算方法在查全率、查准率上均有所提高。     

一种基于片段映射的本体映射模型

在大规模本体映射中,不相关元素的匹配可能造成时间和空间的浪费。本文提出了一种基本片段映射的映射模型,将本体分解后进行片段映射。这种方法可以提高大规模本体的映射效率,并能有效发现m-n映射关系。