领域本体映射框架探讨

本体异构是本体间互操作的主要障碍,解决本体异构最好的方法是本体映射。文章以本体CNCO1和CNCO2为例深入研究了本体映射中相似矩阵的生成、映射规则的制定与执行以及知识共享模型框架的建立,为领域本体映射的最终建立及知识的共享利用奠定了基础。     

一种利用搜索引擎实现本体映射的方法

提出了一种利用web搜索引擎如Google自动完成本体映射的方法.该方法通过构造句法模式,利用web搜索引擎获得异构本体概念间的上下义关系,产生由本体概念对组成的初始候选映射集.根据本体的概念层次建立一个产生式规则集,从初始候选映射集中去除不符合本体语义的概念对,同时加入符合本体语义但未被初始候选映射集包含的概念对.最后,按照基于互信息的映射选取规则从候选集映射集中自动产生本体映射.实验结果表明,该方法的F-measure可达到75%～100%,能有效地完成本体之间的映射.     

一种基于本体的语义信息集成方法

针对信息集成中的语义异构问题,提出了一个基于本体的语义信息集成模型OSII,并给出了逻辑框架.OSII采用混和本体方式建模,以OWL描述本体,通过局部本体与全局本体之间的映射获得多源统一视图.提出了一种基于树结构的多策略本体映射算法,该算法包含4个步骤,即预处理,名称映射,子树映射和映射矫正.其特点在于:按照数据类型分类进行映射,并采用启发式规则,提高映射效率;同时考虑概念的语言相似性和结构相似性,提高相似度计算的准确性;采用迭代矫正,最终得到正确而完整的映射对.通过一个挑战性的实例说明了算法的有效性.OSII能很好地解决信息集成中的语义异构难点,实现多信息源之间的互操作.     

基于分类本体的web集成

在web信息集成领域,为消除语义异构、实现语义融合,将分类本体引入WWW信息集成,设计了一种基于本体集成的web信息集成系统.通过构建标准分类本体以获取局部分类本体,并建立二者间的映射,以获得多源统一视图.通过计算概念间的统领匹配度、关联匹配度、从属匹配度来完成概念的映射.实现了基于分类本体的web信息集成系统,该系统能很好地解决web信息分类语义异构问题,并能实现多web信息源的集成以及用户个性化定制.     

使用遗传算法实现基于实例的本体映射

提出了一种新颖的基于实例的本体映射方法,即通过遗传算法确定最优实例间的映射集合,并通过相似度扩散算法获取高准确率的本体映射结果.文章描述了实例相似度度量技术和upPropagation算法,给出了本体映射问题的单目标优化模型,论述了使用遗传算法求解该问题的3个关键步骤,最后通过实验验证.实验表明,采用遗传算法实现基于实例的本体映射方法,可以获取高准确率的本体映射结果.     

本体映射中概念相似度计算的改进

通过对目前各种本体映射方法的分析,提出一种改进的本体映射的方法.该方法考虑了概念的名称、实例、属性、关系对相似度计算的影响,使概念相似度的计算更加全面、准确.     

基于MLS方法的本体算法

MLS模型作为一种逼近模型被广泛应用于数据光滑、数值分析和统计等诸多领域.文章将MLS模型用于最优本体函数的计算,将本体图中每个顶点映射成实数后,通过顶点对应实数间的差值来确定它们的相似度.将新本体算法应用于GO本体和物理教育本体,通过实验结果表明新算法对特定应用领域的相似度计算和建立本体映射是有效的.     

语义网中基于Kullback-Leibler距离的本体映射方法

提出了一种基于Kullback-Leibler(KL)距离的本体映射方法.该方法将本体中每个概念抽象为一个概率分布,并通过相应的实例数据对其进行估计;对于不同本体的2个概念,通过计算相应概率分布之间的KL距离而求得其相似度.进而求得本体间概念的映射关系.该方法与传统的方法相比,极大地降低了计算的复杂度,并且此算法针对不同的数据类型提出了不同的概念分布的估计和平滑方法,所以能够适用于各种数值类型的概念映射.通过试验,证明了此方法的有效性.     

构造OWL本体的语义分析方法

提出了一种支持本体构造的语义分析方法,该方法识别和定义概念间的语义联系,并将概念间的语义联系映射或转换成OWL原语.首先讨论了3种最常见的抽象(即包含、聚集和联系)以及它们在本体中含义,然后分析并用实例演示了3种抽象的OWL实现方法.当所有的语义联系都被识别和描述后,就产生了OWL本体的主干部分(即分类、对属性的约束、以及分类间的关系).该研究是发展本体概念模型(OCM)以及实现模型间映射或转换的基础.     

一种新的自动本体映射算法

提出了一种自动完成本体映射的算法.该算法通过计算本体概念之间元素层与结构层上的相似性来完成相似度的计算.在元素层上,该算法引进了WordNet,通过将WordNet中对应的概念转换为向量,计算向量间夹角的余弦得到元素层概念的相似度.在结构层上,该算法通过加权函数和sigmoid函数,基于元素层的计算结果,将元素层的相似度和结构层的相似度结合起来,完成本体之间相似度的计算,最终完成映射.实验结果表明,该算法的匹配准确率可以达到63%~70%,可以有效地完成本体之间的映射.     

通用本体学习框架研究

提出了一种通用本体学习框架GOLF,通过对网络上各专业领域web文档集进行挖掘来实现本体自动构建,讨论了本体学习中本体概念的抽取、概念之间语义关系的抽取和分类体系的自动构建等关键技术,通过实验对算法进行了测试,并对本体评价方法进行了探讨.由于集成了多种机器学习算法,该方法在概念抽取和语义关系学习方面具有更高的准确性.采用通用本体WordNet和HowNet作为语料库,它可适用于不同的专业领域.同时,通过按需获取web文档,该方法能实时生成本体.     

基于本体环境迁移的信息共享方法(英文)

为了更好地实现基于分布式本体的知识共享, 提出了一个基于本体环境迁移(OCI)的方法. 该方法同传统的本体集成和映射方法相比, 能减少实现复杂度. 该方法可以分成3个阶段: 给定术语的语义环境确定, 本体术语之间的语义相似度计算以及本体环境迁移. 针对分布式本体的一个本地术语, 其本体环境可以通过使用语义相似度计算从与该术语最相关的本地本体中确定和抽取. 然后, 该环境将被动态地迁移到源本体以获取更丰富的语义信息. 采用多智能体技术, 开发了一个分布式知识共享系统(DKSS)以演示该方法的使用. 实验结果显示, 该方法对分布式本体知识共享是有效的, 不需要维护全局本体或复杂的本体映射, 因此具有更好的可维护性和可伸缩性.     

基于关系矩阵的异构本体间近似查询

提出一种基于关系矩阵的异构本体信息系统间近似查询方法.首先定义关系矩阵表达不同本体的概念间关系,然后给出一个重写查询方法.利用2个本体的概念间包含关系,将一个本体中的查询重写为另一个本体中的近似查询,从而解决本体异构问题.并提出用向量表示查询,通过查询向量和关系矩阵计算的结果考虑不同本体概念间的不相交关系,得到比现有方法更精确的近似查询结果.该方法可由机器自动完成,易于实现且速度快.     

基于本体的数据库元搜索引擎域映射

为了实现数据库元搜索引擎在语义层次上的映射,采用本体作为信息的组织形式,并记录本体中没有的新词,当使用新词的频率超过一定阈值时,加入到本体库中,对本体进行扩充.查询过程支持"与"和"或"布尔运算.为了提高系统的映射速度,特别添加了一个记忆模块,记录用户近期的查询行为.并在映射过程中自动学习用户的查询兴趣,以此动态决定实例表的查询顺序.实验证明这些方法可以显著降低系统平均映射时间.     

文本聚类中基于本体的相似性测度

介绍了一种综合各层级分类类目和对应关键词来构造概念体系并用于改进信息检索系统效果的方法．为了改进文本聚类的效果，提出了将领域知识本体和文本关键词词频相结合的基于余弦向量的文本相似性测度方法．该本体面向特定领域，将关键词以不同权值对应于各分类类目，通过其语义知识来改进文本相似性测度以及信息检索系统的效果．进一步给出了对基于本体的相似性测度方法进行效果评价的2种策略以及该方法与经典余弦向量测度方法的比较结果．