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.     

一种基于Swoogle 本体映射的改进算法

基于Swoogle 的本体映射关键步骤在于通过本体搜索引擎动态的获取多个背景本体。然而,目前该步骤却存在无法找到与某些概念相关联的背景本体,以及由于词义的模糊性搜集了错误的背景本体的问题。针对第一个问题,提出利用基于虚拟文档的映射技术,提取在WordNet 中与概念同义的同义词,把原先的对单个概念进行搜索转换成对同义概念集进行搜索,进而提高本体搜索面,获取更多背景本体;针对第二个问题,提出基于语义环境的动态本体映射的新映射方法,采用该方法来排除错误背景本体,使本体收集更加精确。实验显示改进后的方法有效的提     

基于本体语义映射的数据集成机制研究

数据集成的难点是如何解决数据之间的语义异构问题,本文利用本体在语义集成上的优点,提出了一种基于本体语义映射的数据集成框架。根据本体概念的定义及其结构,给出了一种本体语义映射算法,该算法通过属性集合间的比较确定概念语义关系,在计算概念相似度时,考虑了概念名称、概念属性集合和相关概念的语义信息。最后通过概念的属性集映射算法和概念映射算法实现了本体语义映射,从而重点解决了数据集成中的语义映射问题。     

基于最小概念集的多知识库整合

在语义Web环境下,知识库往往是单一、分散的,阻碍了语义Web的发展。为此,提出一种基于最小概念集的多知识库整合方法。定义知识库系统的最小概念集,给出生成最小概念集的方法,对基于风险最小化的本体映射模型中的映射策略进行改进,并设计基于最小概念集的多知识库整合算法,通过应用实例验证算法的复杂度。     

多策略概念相似度计算方法LMSW

本体映射是语义集成的关键,国内外对本体映射进行了深入的研究。将机器学习的方法引入到组合概念相似度的权值计算中来,提出了基于Widrow-Hoff理论的权值确定算法LMSW。通过梯度下降法来搜索最佳拟合训练样例的权向量,从而计算出组合的概念相似度,最终实现组合多种概念相似度算法的本体映射。实验表明该算法比单独使用概念相似度计算方法在查全率、查准率上均有所提高。     

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NSGA-Ⅱ的大规模本体映射方法

现有的基于进化算法的本体映射技术在面对大规模本体映射问题时,由于搜索空间太大导致算法效率低下,从而使其无法有效地在实际中得到应用。针对这一问题,提出了基于快速非支配排序的多目标遗传算法(NSGA-Ⅱ)的大规模本体映射方法。该方法通过三个步骤来映射本体:1)通过基于邻居相似度的划分算法来将源本体划分为不相交的概念块;2)通过相关概念过滤方法来确定目标本体中同源本体概念块相关的概念块;3)使用NSGA-Ⅱ方法来完成概念块之间的映射并通过贪心算法集成最终的结果。使用OAEI 2012的小规模的书目本体测试数据集和大规模的生物医学本体测试数据集对所提出的方法进行测试。同OAEI 2012的参与者的比较结果表明,所基于NSGA-Ⅱ的大规模本体映射方法能够在较短的时间内获取较好的本体映射结果,因此该方法是有效的。     

基于范畴论的地理本体集成研究

为了实现地理本体之间的语义集成,提出了基于范畴论的方法.将地理本体抽象成为范畴对象,对象之间的"态射"描述地理本体映射,"外推"描述地理本体合并,设计了基于范畴论的地理本体语义合并算法,该算法即包含了同义概念的合并,也包含了对语义不同部分的整合,且保持层次结构不变.作为一种形式化结构的"外推",它确保了合并后的结果是完整的、惟一的和最小的.以两个不同分类标准建立的河流本体为例,阐述了地理本体语义合并方法,并对实验结果进行了分析.     

大本体的分块与映射方法研究

在本体的映射研究中,现实本体或大本体之间的映射算法是研究的难点。该文提出一种针对大层次本体的映射方法。根据本体的结构和概念之间的语义距离,应用向量空间模式（VSM）将概念表示成多维空间中的点。在此基础上,应用聚类算法（CURD）对概念进行聚类,形成若干个语义上相对独立的块,在2个本体的块之间根据参考点建立映射关系。实验结果表明,该方法在测试数据集上能得到较好的映射结果     

一种基于上下文的语义相似度算法

本体中概念映射的关键是概念相似度计算.本文针对目前概念相似度计算所存在的问题,提出了一种基于上下文的计算本体内概念间语义相似度的算法,从概念的父代和子代两个角度进行计算.该算法充分考虑了概念所处的具体应用环境,利用了本体中概念的语义信息.实验结果表明,基于上下文的语义相似度算法比单纯地计算概念闻语义相似度更有效.     

高效的异构本体的映射算法研究

基于本体的概念间相似度计算已经在信息检索等诸多领域成为当今信息技术研究的热点问题之一。本文的工作是针对描述同一领域的多个本体间存在的异构问题,设计一种快速高效的映射算法来实现异构本体的融合。本文提出了一种基于异构本体的相似度计算方法,通过字面概念相似度和语义结构(包括节点深度、节点密度、边权重、信息量等)相似度等方面的综合计算,可以准确地得到异构本体间的概念映射关系;同时,通过对映射方法的优化,算法的匹配速度也有很大程度的提高。实验结果表明,该算法可以有效地排除本体异构的影响,得到较好的概念相似性计算效果。     

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。     

基于本体概念相似度的遥感信息服务匹配研究

构建了一个遥感信息领域本体,基于领域本体和WordNet词典对遥感信息服务进行语义扩展,提出了一种基于本体概念相似度的遥感信息服务匹配方法,并对Leacock和Chodorow语义相似度计算模型进行改进。实验结果表明,该改进模型比距离模型和信息量模型都有提高,基于本体概念相似度的遥感信息服务匹配方法的查全率和查准率都能达到70%以上,较关键字匹配方法有显著提高。     

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。     

基于本体相似度的中文科研论文信息抽取

随着大量的科研论文出现在互联网上,从中精确地抽取论文头部信息和引文信息显得十分重要。提出了基于本体相似度的信息抽取方法,该方法的关键在于用本体相似度判定某个行本体是正例还是反例,然后通过主动学习选择最有可能包含抽取信息的行本体集,再充分利用本体的语义推理能力找到正确的片断。从论文中提取头部信息和引文信息为进一步的语义检索和语义存储奠定基础。测试数据集的实验结果显示该方法比其他方法具有较高的准确率。     

Ontology selection ranking model for knowledge reuse

Ontology reuse is recommended as a key factor to develop cost-effective and high-quality ontologies because it could reduce development costs by avoiding rebuilding existing ontologies. Selecting the desired ontology from existing ontologies is essential for ontology reuse. Until now, much research on ontology selection has focused on lexical-level support. However, in these cases, it is almost impossible to find an ontology that includes all the concepts matched by the search terms at the semantic level. Finding an ontology that meets users’ needs requires a new ontology selection and ranking mechanism based on semantic similarity matching. We propose an ontology selection and ranking model consisting of selection standards and metrics based on better semantic matching capabilities. The model we propose presents two novel features different from previous research models. First, it enhances the ontology selection and ranking method practically and effectively by enabling semantic matching of taxonomy or relational linkage between concepts. Second, it identifies what measures should be used to rank ontologies in the given context and what weight should be assigned to each selection measure.     

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。     

基于本体映射的多本体查询方法

随着语义网的发展,本体已经成为很多领域表达知识的主要手段。许多领域都根据自己的需求建立了本体来描述本领域内的知识。但是目前许多针对本体的语义查询只能对一个本体进行查询。为了实现一个查询能够对多个本体进行访问并且返回适当的查询结果,文中提出了一种利用本体映射实现对多本体的查询方法。其中的映射方法是一种基于语义的多策略结合方式。通过实验发现查询的速度与本体的数量基本呈线性关系且不会因为本体异构程度而增加。     

基于概念图匹配的语义相似性算法研究

本文针对传统搜索技术查全率和查准率不能满足用户日益增长的需求这一突出问题,提出一种基于概念图语义匹配的方法来计算两个本体中类之间的相似性,文中提到的本体是由实体类、这些类之间的语义关系和描述这些类的不同特征组成的.该模型首先将用户的查询信息转变为一个概念图,然后和已有的资源概念图进行匹配计算语义的相似性,实例表明该方法可以满足用户的需求,提高了检索效率.