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。     

基于映射的树的相似度算法及其在本体匹配中的应用

本体创建和使用的自治性和主观性导致了本体异构现象的大量产生。本体匹配正是解决本体异构问题的最有效途径。传统的利用本体结构信息进行匹配的方法并未充分利用本体的树形结构特点,这导致本体匹配过程具有大量的冗余计算。论文提出了一种基于映射的匹配算法,将两棵本体树的节点之间的相似度预先得出,然后使用基于编辑操作的映射理论将两棵树转换成同构树,最终得到两个本体之间的最大相似度和最佳匹配对。实验表明,算法在本体匹配中具有较高的可行性和有效性。     

一种基于人工免疫的本体匹配算法

针对目前本体匹配算法存在运行效率低和匹配准确度不高等问题,提出一种基于人工免疫的动态本体匹配算法,用来快速地从现有本体中筛选出用户所需的子本体。该算法根据用户行为信息构建抗原本体模型,利用情景匹配确定其领域上下文环境,然后通过结构匹配获得匹配度最高的本体,最后对本体执行语义匹配得到最终需要的子本体。实验表明,该算法提高了本体匹配的准确度和效率。     

改进的本体匹配算法

传统的利用本体结构信息对本体做匹配的方法,并未充分利用本体的树形结构特点,致使整个本体匹配的匹配过程具有大量的冗余计算。因此,提出一种改进的基于本体树形结构的本体匹配算法TARA。该方法首先严格地以本体的树形结构为依据进行本体匹配,然后通过二次匹配来解决由于严格按照树形结构进行匹配而产生的不可避免的不足。实验结果表明,TARA方法的查全率和准确率都有较好的表现。     

语义Web中的本体匹配研究

随着本体应用的快速发展,本体数量大幅增长,这些本体描述的内容存在重复和关联,但在本体模式上却表现各异。本体匹配旨在识别异构本体中存在语义关联的实体,并建立它们之间匹配关系。它对于消除本体异构、实现本体集成和数据融合等具有重要作用。形式化定义了语义Web中的本体匹配问题,并从本体匹配方法、本体匹配挑战和本体匹配原型系统3个方面调研了最新研究进展,旨在为进一步研究指明方向。     

基于多属性的本体实例匹配算法

提出一种基于多属性的本体实例匹配算法,利用关键性属性获得待匹配本体实例间的相似度,使用Similarity Flooding算法,依据由对象属性构成的有向图对实例间的相似度进行修正,并获得初始匹配结果,根据必要性属性过滤初始匹配中的错误匹配。实验结果表明,该算法可提高本体实例匹配的查准率与查全率。     

一种基于RDF图的本体匹配方法

本体匹配是建立两个本体之间映射关系的过程,一个高效、严格的相似度计算方法是本体匹配的前提条件,为此提出了一种基于RDF图匹配的方法。该方法用RDF图表示本体,使本体间的匹配问题转化为RDF图的匹配问题,并利用匹配树表示匹配的状态,通过匹配树计算出两个本体中各实体之间的相似度,进而得到两个本体之间的映射关系。实验结果表明,该方法在查全率和查准率方面都有很好的表现。     

一种基于结构相似的本体匹配方法

本体匹配对于本体映射与集成、本体的检索和重用、信息集成、语义Web服务的匹配以及基于本体的软件需求工程等是不可缺少的重要环’节。针对领域中存在不同的本体的问题,讨论了一种基于分型、迭代的结构匹配方法,并通过实验检验了该方法的有效性。     

一种应用描述逻辑推理实现本体映射的方法

本体匹配用于找到两个本体中元素间的映射关系,是数据库应用领域的一个重要问题.本文提出了一种基于描述逻辑的本体匹配方法,利用语义解释实现匹配.该方法首先利用多匹配器发现字面语义关系,并据此利用描述逻辑推理器推理元素相互间关系.借助概念包含推理设计了概念间关系的判定算法,可推理出各种对应关系,如等价、泛化、特化、相离、相交.该方法最终利用推理器RacerPro实现了本体匹配,最后通过实验证明了方法的有效性.     

本体结构特征分析与匹配应用研究

针对本体匹配中结构蕴含的隐式语义信息难以正确表示和充分使用问题,提出将本体结构特征量化引入本体匹配。根据本体与复杂网络的相似性,分析本体具有的网络特征,提出了一系列基于结构和语义特征的理论和节点、边的量化标准,并将其用于核心节点的选取和边权重的度量。将本体匹配转换为基于元素个体特征和整体组织结构的有权标签图匹配问题,通过二次规划方法求取近似最优匹配。实验证明本体拓扑结构特征对本体匹配具有较大影响,其与核心节点匹配的紧密藕合能够显著提高匹配的准确性。     

一种基于语义网的本体映射改进算法

针对目前基于语义网的本体映射算法中背景本体搜索面少、本体收集不精确的问题,利用基于虚拟文档的映射技术提取在Word—Net中与概念同义的同义词集,将对单个概念进行搜索转换成对同义概念集进行搜索,从而扩大本体搜索面,获取更多背景本体。提出基于语义环境的动态本体映射算法来排除错误背景本体,使本体收集更加精确。实验结果表明,该算法可有效提高映射的查全率和查准率。     

基于匿名消息广播的电子选举方案

针对目前基于语义网的本体映射算法中背景本体搜索面少、本体收集不精确的问题,利用基于虚拟文档的映射技术提取在Word-Net中与概念同义的同义词集,将对单个概念进行搜索转换成对同义概念集进行搜索,从而扩大本体搜索面,获取更多背景本体.提出基于语义环境的动态本体映射算法来排除错误背景本体,使本体收集更加精确.实验结果表明,该算法可有效提高映射的查全率和查准率.     

Axiom-based ontology matching

Abstract: Managing multiple ontologies is now a core question in most of the applications that require semantic interoperability. The semantic web is surely the most significant application of this report: the current challenge is not to design, develop and deploy domain ontologies but to define semantic correspondences among multiple ontologies covering overlapping domains. In this paper, we introduce a new approach of ontology matching named axiom-based ontology matching. As this approach is founded on the use of axioms, it is mainly dedicated to heavyweight ontologies, but it can also be applied to lightweight ontologies as a complementary approach to the current techniques based on the analysis of natural language expressions, instances and/or taxonomical structures of ontologies. This new matching paradigm is defined in the context of the conceptual graphs model, where the projection (i.e. the main operator for reasoning with conceptual graphs which corresponds to homomorphism of graphs) is used as a means to semantically match the concepts and the relations of two ontologies through the explicit representation of the axioms in terms of conceptual graphs. We also introduce an ontology of representation, called MetaOCGL, dedicated to the reasoning of heavyweight ontologies at the meta-level.     

一个基于语义模块的交互式本体匹配框架

本体匹配是用来解决异质本体间互操作问题的一种技术手段。目前,大多数关于本体匹配的研究都集中在了如何提高匹配结果的质量上。然而,一方面,在许多情况下,匹配结果的正确与否直接依赖于用户的判断,另一方面,由于一些描述现实世界的本体十分庞大,匹配工具往往不能及时为用户提供可供确认的匹配对。为此,提出了一种基于语义模块的交互式本体匹配框架。借助信息论的相关知识,将本体聚类成语义模块。用户利用模块核心结点信息对模块的内容进行推断,从而将大规模的本体匹配任务转换为数个规模较小的语义模块间的匹配任务。通过合理地增大用户在匹配过程中的作用,试图在保证匹配质量的同时提高匹配效率。已获得的实验结果表明该方法能显著提高本体匹配任务的效率。     

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。     

Cluster-Merge本体构造算法

本体构造就是利用各种数据源以半自动方式新建或扩充改编已有本体以构建一个新本体。现有的本体构造方法大都以大量领域文本和背景语料库为基础抽取大量概念术语,然后从中选出领域概念构造出一个本体。Cluster-Merge算法首先对领域文档先用k-means聚类算法进行聚类,然后根据文档聚类的结果来构造本体,最后根据本体相似度进行本体合并得到最终的输出本体。通过实验可证明用Cluster-Merge算法得出的本体可以提高查全率、查准率。     

基于二部图模型的大本体分块与映射方法

针对当前大本体分块与映射方法中的块边界信息丢失严重、块间匹配计算复杂等问题,提出一种基于二部图模型的大本体分块与映射方法。根据本体概念相似度在2个本体间建立带权二部图模型,对该二部图进行分割,实现本体的关联分块,在子图中求解得到二部图的最佳匹配,并通过映射修正获得块内实体映射。实验结果表明,该方法的分块质量与映射效率均较优。     

Variable weight semantic graph‐based ontology mapping method

The mapping method that is based on the name and structure of the ontology elements is the strategy used in most mapping methods. Methods using the name often only use the similarity between the individual elements in the ontology to predict the semantic relations between two ontologies, while the latter measure the mapping between two ontologies by means of the structural relations between the elements. The effects of these two kinds of mapping strategies are not ideal. Addressing this issue, the work presented in this paper proposes an ontology mapping approach, in which the ontology element name and structure are combined. It uses the approaches based on linguistics and distance to generate a variable weight semantic graph. On this graph, the similarity of element names and structure are calculated through iterative computation. In the process of iteration, similarity result values are constantly adjusted. The approach avoids the problem of single methods that cannot use the entire amount of ontology information; therefore, it provides a more ideal mapping result. For making full use of the message of ontology, our implementation and experimental results are provided to demonstrate the effectiveness of the mapping approach.