基于概念特征的语义相似度计算方法

现有语义相似度计算方法没有充分利用本体中的语义信息,且计算方法复杂。为此,提出一种基于概念特征的语义相似度计算方法。根据概念在本体中的层次结构来确定特征集合,引入宽度影响因子,给每个特征赋予不同的权值,通过计算2个概念特征集合间的相似度得到概念的相似度,引入深度影响因子,将相似度公式表示成更直观的形式。实验结果表明,该方法计算简便,且比较接近人类主观的判断值。     

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.