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.     

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     

基于结构标准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本体映射任务的主要方法。但是目前本体分块映射方法存在以下不足:分块大小不适合映射任务,分块质量不高。针对这些问题,文章根据本体特征定义结构标准,指导分块过程,改善分块及映射的质量,并重新设计了基于结构标准的本体分块映射的方法。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。     

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。     

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.     

动态分块调节机制下的大规模解剖学本体匹配

传统的匹配系统采用固定分块的方式处理大规模解剖学本体,普遍存在语义信息的丢失,影响了匹配效果。为此,提出一种动态分块调节机制,将按匹配情况确定的实体不断地重新分配到目标块中,动态地调节各个分块,从而尽可能地保留语义完整性。此外,针对该问题计算复杂度高的特点,引入了紧凑进化算法对子匹配任务中的阈值以及进行实体重新分配的块标志位优化,并设计了一种精英解参与的概率向量更新方式对该算法进行改进。实验在OAEI(ontology alignment evaluation initiative)的Anatomy测试集上进行,验证了所提方法对匹配结果质量的提升。此外,和其他匹配系统的对比也展示了所构建匹配系统的先进性。     

基于数据场的大规模本体映射

针对已有的本体映射方法在处理大规模本体映射任务时效率和有效性较低的问题,文中提出了一个基于数据场的本体映射算法.该算法首先使用高效的相似度算法,建立本体中元素对另一本体的初始相关度;然后,利用数据场势函数引入周围本体元素对当前元素的影响,修正初始相关度,并最终确定本体间的相关子本体;最后,利用针对性的方法对上述相关子本体进行更有效的映射.实验结果表明,该算法可以在提高映射结果质量的同时保证较高的映射效率.     

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。     

本体映射的进化研究

本体映射的进化是本体研究中待研究的课题之一。本文首先给出本体和本体映射形式化定义,在此基础上讨论本体变化后的映射进化方法。将本体变化类型分为删除、增加、修改,针对不同的类型提出本体删除后的映射进化算法、本体增加后的映射进化算法和本体修改后的映射进化算法。实验结果表明该方法能基本解决本体映射的进化问题。最后指出算法中存在的挑战,并给出进一步研究的方向。     

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。     

语义网中的本体映射研究

本体映射的关键是概念相似度的计算。本文提出的方法从三个方面来计算这一相似度,首先计算概念的语义相似度,其次计算概念描述相似度,最后计算邻近层次概念的相似度。     

利用共用本体构造本体映射

一些代理机语言使得代理机能够理解代理机之间传递的信息的内容和潜在含义。交互中用到的信息载体是本体,由于本体是多种多样的,而且不同的本体对于同一个事物的描述是不一样的,这就阻碍了代理机之间的交互,这个问题被称作交互问题。文中提出共用本体的概念,建立通用的本体体系,首先建立本体与通用本体之间的映射,然后构建两个或两个以上异构本体之间的映射。实验表明,此方法不仅能够解决结构异构问题,也能解决语义异构问题。