一种改进的本体语义相似度计算及其应用

词语相似度研究,是知识表示以及信息检索领域中的一个重要内容.词语相似度的计算方法一般是利用大规模的语料库来统计.本体给词语间相似度计算带来了新的机会.利用本体结构上的ISA关系,提出了本体内部概念之间的相似度计算方法.实验结果表明,该方法能充分利用本体特点来计算相关概念之间的相似度.结合一个简单本体,介绍了如何计算概念间的相似度,及其在智能检索系统中的应用.     

基于树结构的本体概念相似度计算方法

随着本体在数据集成方面的广泛应用,面向本体的概念相似度计算成为人们关注的热点问题.针对当前领域本体概念相似度的计算过程都比较复杂的问题,提出一种基于树结构的本体概念相似度的计算方法.该方法通过添加和重组虚拟节点重构本体树,再通过属性比较映射对象,最后通过计算,得到本体概念的语义相似度结果.实验结果表明,该方法有效利用了本体概念的语义信息,得到了合理的计算结果,并简化了计算过程.     

一种本体概念的语义相似度计算方法

概念语义相似度已广泛应用于 Web 服务发现、本体映射等领域, 但现有的概念语义相似度计算方法对概念间语义相似程度的区分不够细致. 本文从本体结构出发, 首先提出了自底向上的本体概念出现概率计算方法, 并在此基础上改进了基于节点信息量的概念语义相似性度量方法; 然后又设计了基于边计算的本体概念语义相似度计算方法; 最后对上述两种方法线性加权, 提出了一种加权的本体概念语义相似度计算方法. 实验结果表明该方法能进一步正确区分本体中父子概念及兄弟概念间的相似程度.     

本体映射中的概念相似度计算

本体是概念、属性和关系的集合,本体映射是解决本体异构的最好方法.文中针对目前本体映射过程中概念相似度计算存在的问题,提出一种综合的相似度计算方法.先根据本体中两个概念名称的相似性,选出最相关的概念,减少相似度的计算,然后分别基于概念的属性、实例和关系来计算概念相似度,并进行综合得到概念相似度.在计算属性相似度时,先通过计算属性的信息增益来确定各个属性的优先级,最后只选取几个信息增益大的属性进行相似度的计算,从而减小计算量.     

基于加权的本体相似度计算方法

为优化基于本体的语义推理效果,提出了对本体中概念结点赋予权重的相似度计算方法.通过定义本体树中深度因子和密度因子,以解决本体中概念深度与密度对相似度计算的影响.利用Jena API、Lucene等开源工具包,提出了查询扩展方法.实验结果表明,提出的基于加权语义相似度计算模型与传统的计算法方法以及主观判断的方法相比,提高了相似度计算的准确性,效率有明显提高.     

一种基于本体的概念语义相似度计算研究

概念的语义相似度研究,是知识表示以及信息检索领域中的一个重要内容.通过分析两种传统的语义相似度计算方法,对它们存在的问题进行改进,提出了一种综合的基于本体的概念语义相似度计算方法.该方法结合本体网络特征和语义距离计算中的多种语义影响因素,充分利用本体中概念的语义信息计算概念间的语义相似度.实验结果比较合理,验证了该方法的有效性.     

本体映射中相似度计算的改进

本体映射是一种常用的解决本体异构的方法,在本体映射过程中,概念相似度计算是重要的环节。针对目前概念相似度计算方法存在的不足,采用一种综合的方法进一步改善计算的过程,从本体概念的语义相似度、属性、实例、结构等方面计算概念的相似度。通过引入概念相关度以及属性论方法,寻找更加有效的概念相似度计算方法。最后的实验证明,此方法能适应不同规模的本体,并能提高概念对相似度的准确性。     

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.     

领域本体的概念相似度计算

随着本体在信息检索、人工智能等领域的广泛应用,面向本体的概念相似度计算成为了本体研究的一大热点。当前领域本体中概念相似度的研究主要是利用概念的上下位关系进行计算,但这并没有完整反映出概念的语义信息。论文提出的算法将概念相似度计算分为两层,一层是概念语义初始相似度层,其主要利用概念之间的距离来计算概念的初始相似度。另一层是概念非上下位关系相似度层,其在概念初始相似度的基础上,计算概念通过非上下位关系体现出的相似度。最后通过综合计算,得到领域本体中概念的实际相似度。实验证明,该方法充分利用了本体中概念的语义信息,得到的结果也比较合理。     

一种跨本体的语义相似度计算方法

针对在广域分布环境下进行信息共享与服务的需要,本文设计了基于本体的元数据模型,并在MD3模型的基础上给出了一种基于该元数据模型的跨本体的语义相似度计算方法.MD3模型是一种系统的跨本体概念间相似度的计算方法,这种方法无需建立一个集成的共享本体.在MD3模型的基础上,充分利用本体对概念的描述信息,重点讨论了跨本体概念间非层次关系相似度的计算,把MD3模型扩展到MD4模型,使得概念间相似度的计算理论上更全面、更精确.     

改进的多策略的概念相似度计算方法

本体映射是解决本体异构的有效手段,而概念相似度计算是本体映射的关键环节。针对目前本体映射中概念相似度计算存在的问题,提出一种改进的多策略的概念相似度计算方法。首先根据两个概念的名称相似度进行初始映射判断,然后基于概念的属性、结构、实例计算概念相似度,并选取适当的权值进行加权综合。最后采用OAEI提供的标准数据测试集benchmark进行实验。实验结果表明,该方法在保证映射效率和通用性的同时,提高了映射结果的查全率和查准率。     

一种改进的本体相似度综合映射方法研究

为了解决本体映射方法中计算量大、方法单一的问题,提出本体相似度综合映射方法。首先分解合适的本体,将规模比较大的本体分解为小本体,以降低映射计算的时间复杂度;然后根据本体映射的启发规则筛选出候选概念集,对候选概念集进行基于世界知识体系的本体概念相似度计算,再进行语义相似度和结构相似度计算,并把这3种不同算法得到的相似度值进行加权综合,给出最终的本体概念相似度值,再根据该值进行本体映射;最后通过设计实验来验证算法的正确性与有效性,结果表明本方法能在提高映射效率的同时保证良好的查询效果。     

基于概念集群的本体映射方法研究

本体异构是目前本体应用的一大瓶颈,而本体映射则是解决本体异构性的基础。基于概念集群的本体映射方法(CCOM)将概念间的语义结构关系引入映射过程中,用概念集群相似度代替概念相似度进行映射规则推导。实验证明本方法具有较好的查全率与查准率。     

本体映射中一种改进的概念相似度计算方法

本体映射是实现不同本体之间共享和交流的基础性工作。目前本体映射方法研究的重点主要集中在以自动化或半自动化方式实现映射和提高概念相似度计算的精度。本体映射的关键是不同本体概念间相似度的计算,单一的概念相似度计算方法往往不利于提高相似度的精度。针对以上不足提出了一种改进的概念相似度计算方法,并对其进行详细的描述,其中属性语义相似度计算方法改进了现有的基于属性计算语义相似度的方法,综合了数据类型属性和对象类型属性的语义相似度。经实例验证该方法有效且具有较高的精度。     

本体映射中一种综合的概念相似度计算方法

本体映射是实现异构本体间互操作的有效方法,其核心环节是概念相似度的计算。针对传统概念相似度计算方法中存在的不足之处,提出了一种综合的概念相似度计算方法——DISS模型。该算法从概念定义、概念实例、概念结构三个方面计算相似度。实验证明,该算法改善了传统计算方法中存在的片面性和不完善性问题,提高了本体映射的查全率和查准率。     

基于广义信息的关系映射方法研究

为了解决Web服务发现中存在的本体异构问题,研究了基于本体概念及属性的简单本体映射。在已有本体映射方法的基础上,通过引入广义信息的概念,提出了一种针对关系映射的改进方法,将简单映射扩展成复杂映射,并使用广义信息中的广义熵概念优化了相似度计算的方法,剔除了其中不相关的计算。实验结果表明,该方法在不影响查全率和查准率的前提下大幅度地提高了时间效率。     

一种新的基于相似度计算的本体映射算法*

领域本体在知识的共享和重用方面起着重要的作用。本体映射是解决本体异构,在不同本体间建立语义关联的一种有效的方法。针对不同本体间的本体概念映射提出了一种新的概念相似度的综合计算方法,从本体概念名称、属性、结构和实例四个方面讨论本体概念的相似度,同时提出在涉及概念名称和属性名称时,使用其同义词扩展集参加计算,计算综合相似度时,分别用手工和自动的方法赋予权值。实验证明改进的算法提高了本体概念映射的查全率。     

改进的本体中概念相似度计算方法

随着本体的增多,本体异构是本体间互操作的主要障碍,阻碍了本体信息共享,解决本体异构最好的方法是本体映射。本体映射的关键是概念相似度的计算,但现今的计算模型考虑的影响因素比较单一。结合距离语义相似度和属性语义相似度,提出了一种综合语义相似度计算方法。实验证明,该方法可以提高计算结果的精确度。     

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。