本体映射概念及方法的研究

本体映射是本体集成的一个关键环节.构建本体映射是分布式环境下实现不同本体之间共享和交流的基础性工作.本文首先通过举例分析了本体映射的概念,再从映射的构建思路和具体实现的角度对本体映射的方法进行了总结,最后分析了现在本体映射存在的问题和可能的研究前景.     

本体映射综述

作为不同本体之间知识共享和互操作的一种方法,本体映射受到越来越多的重视。根据本体映射过程将本体映射系统划分为五大功能组件,总结了本体映射系统中常用的相似度算法。通过梳理本体映射领域的最新发展成果,从不同层次、不同维度构建本体映射系统分类体系。 介绍并比较了一些经典的本体映射系统,并对这些本体映射系统进行评价。最后指出本体映射将面临的挑战。     

语义集成:本体映射方法研究

本体是客观世界知识的表现形式,随着语义Web研究的深入,研究者们构建了越来越多的本体,如何实现本体之间的知识共享和重用,成为了语义Web发展的关键。文中对本体映射的方法进行了研究,系统阐述了本体及本体映射的定义、本体映射中的相似度计算和本体映射框架等。如何减少本体映射中的人工干预,实现本体的半自动化或自动化映射将是该领域的发展方向。     

语义集成:本体映射方法研究

本体是客观世界知识的表现形式，随着语义Web研究的深入．研究者们构建了越来越多的本体．如何实现本体之间的知识共享和重用，成为了语义Web发展的关键。文中对本体映射的方法进行了研究，系统阐述了本体及本体映射的定义、本体映射中的相似度计算和本体映射框架等。如何减少本体映射中的人工干预，实现本体的半自动化或自动化映射将是该领域的发展方向。     

本体映射技术研究

本体映射是为了解决异构本体之间的互操作,从而实现更好的知识共享和重用,是语义Web发展的关键。本文系统阐述了本体映射定义和意义,对映射方法进行了分类,从理论上和实验上分析对比现有著名映射工具的优缺点,希望能对以后他人的研究提供一些帮助。     

一种基于贝叶斯网络模型及多策略计算的本体映射方法

本体是共享概念模型的明确的形式化规范说明,本体映射是实现异构本体之间知识共享、重用的关键技术.结合本体和贝叶斯网络模型以及多策略方法,本文提出一种新的本体映射方法——基于贝叶斯网络模型及多策略计算的本体映射方法MSBN(Mapping based on Multi-Strategy and Bayesian Network).MSBN首先将本体模型转换成贝叶斯网络模型.然后使用多策略方法(Multi-Strategy)计算不同贝叶斯网络模型节点之间的相似度,并为所有节点生成相似度表ST(Similarity Table).最后,使用迭代的映射推理过程,从相似度表中推理出新的映射关系.     

语义网中基于机器学习的本体映射研究

本体映射是解决语义网中不同本体间的知识共享和重用问题的有效方法.本论文从解决语义网中本体的各种异构问题出发,同时考虑到目前的本体大多映射效率不高、映射结果不够准确的问题,在对比分析了本体映射各种方法的基础上,重点研究了基于机器学习技术的本体映射机制,提出了一种高效地建立本体映射的方法及系统框架,该方法利用机器学习技术来提高本体映射的自动化程度,利用综合评判技术来修正映射结果,以提高本体映射的准确率.     

一种基于上下文的语义映射方法

提出了一种基于上下文的语义映射方法SM-Context (semantic mapping based on context).SM-Context首先为本体模型中的概念找出表示其语义信息的上下文,然后采用谓词逻辑的形式表示概念的上下文,最后将本体映射问题转换成命题可满足性问题(SAT),并通过推理方式建立本体之间的语义映射关系.为了验证所提方法在处理本体映射问题时的可行性与有效性,采用OAEI所提供的共享数据集来测试SM-Context.实验结果表明,SM-Context可以有效地利用概念的上下文为本体之间建立语义映射关系.     

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。     

基于领域学习的本体映射方法

在语义数据集成中本体映射是关键,手工设置映射关系不仅消耗时间而且不准确,需要使用本体映射工具自动发现这种映射关系.在现有本体映射方法的基础上提出了基于领域学习的映射发现策略,可以从领域知识中发现复杂映射的规则,增加映射时的实例数据,从而提高映射发现的查全率和准确率;同时利用本体中丰富的语义知识去筛选候选数据,从而降低映射方法的算法复杂度.实验证明该方法是有效的.     

迭代拉普拉斯半监督学习本体算法

本体相似度计算和本体映射是知识表示和信息处理的核心研究内容。利用迭代拉普拉斯半监督学习方法将本体图中每个顶点映射成一个实数,通过比较顶点对应实数间的差值得到本体相似度计算算法和本体映射策略。通过两个实验表明,该方法对特定的应用领域是有效的。     

基于领域学习的本体映射方法

在语义数据集成中本体映射是关键,手工设置映射关系消耗时间并且不准确,需要使用本体映射工具自动发现这种映射关系。在现有本体映射方法的基础上提出了基于领域学习的映射方法,可以发现本体中概念之间的映射关系,可以从领域知识中发现复杂映射的规则、增加映射时的实例数据,提高映射发现的查全率和准确率。实验结果验证了算法的有效性。     

基于相似度计算的本体映射框架

本体映射是实现异构本体知识共享与互操作的有效手段。提出计算相似度的方法,考虑确定的映射对未进行计算的相关概念相似度的影响,并给出一种基于本体内定义的规则来验证映射结果的方法,在保证映射准确性的前提下,有效提高映射速度。除判别相等与相似的概念,还考虑映射概念的子类与超类关系。     

本体中概念相似度的计算

本体是概念、属性和关系的集合。本体异构是本体间互操作的主要障碍,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,但计算时一般不考虑关系和属性对相似度的影响,计算结果存在误差。论文从两个方面对概念的相似度进行计算。首先计算概念的语义相似度,然后计算概念描述相似度。实验表明该计算方式可以提高计算结果的精确度。     

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。     

语义集成中的不确定性本体映射模型

语义Web的高速发展使其具有动态性和异构性特征,解决语义信息的异构性问题成为实现信息集成的关键。本体作为一种语义Web的知识表示形式,增强了Web的语义信息。因此,为了解决语义异构性,实现数据间的互操作,必须建立异构本体间的映射关系。然而,为庞大的异构本体建立完全精确的本体映射是不现实的,本体映射中存在一定的不确定性。提出了一种新型的本体映射框架——语义集成中的不确定性本体映射。从不同方面研究本体特征,集合了多种映射策略,并引入了各映射策略中不确定性匹配的解决方案。实验证明,该方法具有可靠的实验性能,并且具有很好的通用性和可扩展性。     

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。     

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。