基于数据场和全局序列比对的大规模中文关联数据模型

目前关联数据的研究工作主要集中在实例级别上展开,而在模式级别(Schema-Level)上的关联数据构建则易被忽视。本体映射是解决本体异构问题的重要途径和手段,同时,本体映射也可视为模式级别关联数据构建的典型情景。特别是在中文知识库方面,中文知识是关联数据网中的重要组成部分,但现有的中文本体映射系统在面对大规模本体映射任务时,显得效率较低且可用性不高,目前仍缺乏针对中文大规模本体映射的相关系统。为了解决在模式级别上的中文大规模关联数据构建问题,提出了一种新的基于数据场和序列比对思想的大规模中文关联数据构建模型。首先,基于改进的融合概念相似度和相异度的拟核力场势函数对大规模中文本体映射规模进行约简和压缩;其次,通过引入序列比对算法,对组合概念进行相似度的度量;最后,将本系统与相似度计算相关典型算法进行比较,表明其具备一定的可用性和较高的总体性能。
     

基于权重树的领域本体片段相似度算法

本体整合和评估时,随着本体库中元素数目的增大,会造成时间和空间的浪费.为了解决该问题,对本体的相似度算法进行了研究,提出了一种基于本体片段映射的算法,通过截取本体中相关片段进行映射.结合电子消费品领域的领域本体实例对算法进行了分析,该算法不仅可以提高大规模本体映射时的效率,同时为进行本体整合和评估提供了一种新的方法.     

大规模本体分块与映射研究

针对当前在大规模本体映射方面存在的不足,提出一种新的基于遗传算法的大规模本体分块与映射方法.首先,对本体进行预处理,把本体表示成有向无环图,将本体分块问题转换成图分割问题.然后采用基于遗传算法的GPO( Genetic-Partition-Ontology)算法对有向无环图进行分块,该算法不需要输入分块个数;最后利用基于本体块结构和基于参考点相结合方法找到正确的块映射.理论分析和实验结果表明,本文提出的映射方法能取得很好的结果.     

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NSGA-Ⅱ的大规模本体映射方法

现有的基于进化算法的本体映射技术在面对大规模本体映射问题时,由于搜索空间太大导致算法效率低下,从而使其无法有效地在实际中得到应用。针对这一问题,提出了基于快速非支配排序的多目标遗传算法(NSGA-Ⅱ)的大规模本体映射方法。该方法通过三个步骤来映射本体:1)通过基于邻居相似度的划分算法来将源本体划分为不相交的概念块;2)通过相关概念过滤方法来确定目标本体中同源本体概念块相关的概念块;3)使用NSGA-Ⅱ方法来完成概念块之间的映射并通过贪心算法集成最终的结果。使用OAEI 2012的小规模的书目本体测试数据集和大规模的生物医学本体测试数据集对所提出的方法进行测试。同OAEI 2012的参与者的比较结果表明,所基于NSGA-Ⅱ的大规模本体映射方法能够在较短的时间内获取较好的本体映射结果,因此该方法是有效的。     

基于数据场的大规模本体映射

针对已有的本体映射方法在处理大规模本体映射任务时效率和有效性较低的问题,文中提出了一个基于数据场的本体映射算法.该算法首先使用高效的相似度算法,建立本体中元素对另一本体的初始相关度;然后,利用数据场势函数引入周围本体元素对当前元素的影响,修正初始相关度,并最终确定本体间的相关子本体;最后,利用针对性的方法对上述相关子本体进行更有效的映射.实验结果表明,该算法可以在提高映射结果质量的同时保证较高的映射效率.     

中文本体映射研究与实现

本体间的异构是语义网建设亟待解决的问题,本体映射则是解决本体异构的有效手段。中文资源是信息网络的重要组成部分,实现中文本体间以及中文与其他本体的映射是实现知识共享重用的一个重要组成部分。本文从元素层的角度对中文本体映射进行了研究,提出利用知网,结合多种技术计算词汇相似度,利用词汇的相似度计算概念匹配的可信度,实现元素层本体映射的算法,并根据此算法实现了ELOMC(Element Level Ontology Matching for Chinese)系统。     

改进的大规模本体分块与映射方法

针对当前大规模本体映射分块结果不精确的问题,提出一种改进的大规模本体分块与映射方法。对本体进行预处理,把本体表示为有向无环图,将本体分块问题转换为图分割问题。采用基于遗传算法的GPO算法对有向无环图进行分块,利用基于本体块结构和参考点相结合的策略找到正确的块映射。实验结果表明,改进映射方法的分块与映射质量较优。     

一种基于语言学特征的本体匹配改进算法

本体匹配通过发现领域内不同本体间元素的映射关系来解决本体异构的问题。该文主要通过对基于语言学特征的本体匹配相关算法展开研究与讨论后,提出了一种基于编辑距离、I-Sub算法和WordNet的综合性本体匹配算法,并设计了一个匹配框架对该算法进行实验验证。     

基于参考点的大规模本体分块与映射

针对大规模本体映射中存在查全率和查准率不高的问题,提出了一种新的基于参考点的大规模本体分块与映射的方法.该方法的主要思想是用参考点来指导分块,并同时对待映射的两个大规模本体同时分块,即联合分块.首先对大规模本体进行预处理,将本体中的实体名称归一化并将其表示成本体树的形式,然后采用一些简便的方法找到参考点,最后以参考点为聚类中心对两个本体树的概念进行聚类,并同时实现块映射.理论分析和实验结果表明,该方法能够有效地解决大规模本体映射问题,并能获得较好的查全率和查准率.     

本体集成研究综述

本体集成(ontology integration)的目的是使异质的本体互操作,目前是本体研究的一个热点.本体集成首先发现实体间关系,生成本体映射,然后根据应用目的基于映射进行处理,最终达成本体对齐或者本体合并的目标.本文介绍了本体集成中的概念,给出本体集成的一般工程化方法.对国内外较具代表性的本体集成工具进行比较分析,讨论了现存的问题,指出了未来的研究方向.     

本体映射概念及方法的研究

本体映射是本体集成的一个关键环节.构建本体映射是分布式环境下实现不同本体之间共享和交流的基础性工作.本文首先通过举例分析了本体映射的概念,再从映射的构建思路和具体实现的角度对本体映射的方法进行了总结,最后分析了现在本体映射存在的问题和可能的研究前景.     

本体映射综述

作为不同本体之间知识共享和互操作的一种方法,本体映射受到越来越多的重视。根据本体映射过程将本体映射系统划分为五大功能组件,总结了本体映射系统中常用的相似度算法。通过梳理本体映射领域的最新发展成果,从不同层次、不同维度构建本体映射系统分类体系。 介绍并比较了一些经典的本体映射系统,并对这些本体映射系统进行评价。最后指出本体映射将面临的挑战。     

本体构建研究综述

本体是目前信息处理领域研究热点.通过对本体构建方法和工具的综述,对其研究中的关键问题进行了讨论,并在此基础上分析比较了各种本体构建方法和工具,最后,对研究现状中存在的瓶颈问题进行了总结,并提出了未来的研究方向.     

Ontology matching with semantic verification

Automated Semantic Matching of Ontologies with Verification (ASMOV) is a novel algorithm that uses lexical and structural characteristics of two ontologies to iteratively calculate a similarity measure between them, derives an alignment, and then verifies it to ensure that it does not contain semantic inconsistencies. In this paper, we describe the ASMOV algorithm, and then present experimental results that measure its accuracy using the OAEI 2008 tests, and that evaluate its use with two different thesauri: WordNet, and the Unified Medical Language System (UMLS). These results show the increased accuracy obtained by combining lexical, structural and extensional matchers with semantic verification, and demonstrate the advantage of using a domain-specific thesaurus for the alignment of specialized ontologies.     

基于多映射的本体合并框架设计

由于分布式环境下构建的本体异构特性,严重阻碍了本体间的互操作性,对同一领域本体进行合并是解决本体异构的最有效方法之一。本文提出了一种基于多映射的本体合并框架,在结合当前映射技术优点的基础之上,配备语义桥生成器和冲突处理器,能充分提高合并的效率,该框架可以在语义Web中将源本体自动合并生成新的目标本体。     

一种综合的本体相似度计算方法

本体相似度计算是本体映射的关键环节.本体的实例、关系、属性、结构等信息是相似度计算需要考虑的重要因素.针对目前本体映射过程中相似度计算所存在的问题,提出了一种综合的相似度计算方法.首先判断不同本体之间是否存在相关性.若相关,则充分考虑各种相关因素,从语义和概念两个层面来进行比较,然后给出了本体的综合相似度计算方法.最后采用了两组测试数据对该方法进行实验,并与GLUE系统的概率统计方法进行了实验对比.实验结果表明,该方法能够有效确保相似度计算的准确性.     

基于范畴论的本体描述方法

针对各种本体语言在描述本体过程中容易产生理解不一致的问题,利用范畴论的抽象性及图形化表示的优势,提出一种基于范畴论的本体描述方法,并给出了本体、本体映射和本体实例化的范畴论定义,其中本体被描述成范畴中的对象,本体间的映射被描述成范畴中对象间的同态射,本体实例化被描述成范畴间的函子。在此基础上,结合共极限和推出给出本体合并的描述及解释,并证明了本体合并的一些典型性质。     

一种基于语义词典的本体对齐框架

提出一种基于语义词典的本体对齐框架.首先抽取出代表本体元素的字符串,这些字符串包括本体中的概念、实例、关系等,并利用现有的词典和语义资源将字符串变为词的集合;然后将本体对齐转换为单词集合间的映射,通过多相似度的匹配算法来进行相似度计算,从而实现本体对齐.实验结果表明,所提出的方法是有效的且较之以前的对齐方法有一定的提高.     

BiOSS: A system for biomedical ontology selection

In biomedical informatics, ontologies are considered a key technology for annotating, retrieving and sharing the huge volume of publicly available data. Due to the increasing amount, complexity and variety of existing biomedical ontologies, choosing the ones to be used in a semantic annotation problem or to design a specific application is a difficult task. As a consequence, the design of approaches and tools addressed to facilitate the selection of biomedical ontologies is becoming a priority. In this paper we present BiOSS, a novel system for the selection of biomedical ontologies. BiOSS evaluates the adequacy of an ontology to a given domain according to three different criteria: (1) the extent to which the ontology covers the domain; (2) the semantic richness of the ontology in the domain; (3) the popularity of the ontology in the biomedical community. BiOSS has been applied to 5 representative problems of ontology selection. It also has been compared to existing methods and tools. Results are promising and show the usefulness of BiOSS to solve real-world ontology selection problems. BiOSS is openly available both as a web tool and a web service.