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。     

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。     

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。     

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.     

基于混合聚类的本体分块与映射

在本体的映射研究中,大规模本体之间的映射一直是研究的难点。当前主要采用分块的思想来处理大本体映射问题。而应用的分块算法只是针对给定分块数的情况。据此,提出基于混合聚类的大本体分块与映射方法（BMC）。该方法首先用语义扩散算法获得结点的语义信息,然后,运用混合聚类算法对本体进行自动分块,最后在各块中进行映射。通过实验结果及分析,表明BMC能取得较好的映射结果。     

基于模块抽取的大本体分块与映射

大本体规模过大,使得本体间映射复杂.针对已有方法在分块上的不足,提出一种基于模块抽取的大本体分块映射方法.通过建立本体依赖图的拉普拉斯矩阵来抽取本体模块,计算模块之间的相似度,实现分块映射.实验结果表明,该方法能有效实现大本体分块,提高映射效率.     

基于模块抽取的大本体分块与映射

大本体规模过大,使得本体间映射复杂。针对已有方法在分块上的不足,提出一种基于模块抽取的大本体分 块映射方法。通过建立本体依赖图的拉普拉斯矩阵来抽取本体模块,计算模块之间的相似度,实现分块映射。实验结 果表明,该方法能有效实现大本体分块,提高映射效率。     

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.     

大规模本体分块与映射中一种新的块映射策略

现有的大规模本体分块与映射系统中大多采用基于参考点的块映射策略,映射策略比较单一,块映射质量不高.因此,提出一种新的基于本体块结构的块映射策略,通过重建本体块结构图来获取块与决之间在结构上的相似度,并将其和基于参考点的策略相结合,通过加权求和得到总的相似度.理论分析和实验结果表明,本文的方法块映射准确率高.     

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.     

基于本体分割的本体映射算法

映射效率对于Web服务发现和组合、智能空间上下文感知等领域的动态映射至关重要。现有方法对相似度计算方法加以简化来提升效率,但当候选匹配实体对的数目随本体的规模增大而急剧增加时,就无法有效地处理。文中提出一种基于本体分割的高效本体映射算法。通过自下而上的聚类,将本体划分为一组大小合适的本体块。然后基于向量空间算法进行块映射,并从块映射结果中选取实体映射的候选匹配对,从而削减其数量,达到减少时间复杂度的目的。实验表明,文中方法显著提升运行时本体映射的效率,比Falcon-AO本体映射方法快6倍。     

基于可信度的多策略本体映射

针对本体映射中各种策略不能依据本体间的差异进行不同映射处理以及多策略结合时权值分配不合理的问题,提出一种本体映射方法。该方法对各种映射策略根据当前映射任务的特点进行自适应处理,在映射过程中对不同策略的可信度做自适应计算,依据可信度进行多策略结合,得到最终的映射结果。实验结果表明,该方法在保证通用性和稳定性的同时,能提高映射的查准率。     

一种新的本体映射发现方法SME

本体映射是基于本体的语义查询与集成的基础.本体映射发现的任务是从源本体和目标本体的相似度中发现本体映射,它是本体映射的关键.将本体映射发现问题看成是集合覆盖问题,提出一种基于集合覆盖的本体映射发现方法SME(SCM-hased Mapping Extraction),该方法在训练阶段找到最大程度覆盖训练数据的属性集,在测试阶段利用这些属性集在测试数据上对应属性值的交操作来发现映射.实验证明该方法具有较好的综合性能.