一种基于本体概念语义距离的服务相似度度量方法

随着语义Web服务及语义网格服务应用的不断深入,对服务资源的需求日益增长,服务匹配在服务发现和服务组合研究中的地位也日渐重要.在服务使用OWL-S描述的前提下,服务匹配通常认为是本体概念的匹配,概念匹配的目的是发现概念间的语义相似度.概念的语义相似度不但与概念间的距离有关系,而且还受概念在本体中层次深度的影响.综合考虑这两个因素,提出了一种基于语义距离的概念相似度度量方法,给出了语义距离的定义,明确了语义距离与语义相似度的关系.最后,通过与其他方法的实验比较,验证了该方法的有效性.     

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.     

基于本体结构的语义相似度计算

语义相似度是语义网络和信息检索领域的重要内容.本体结构为语义相似度计算提供了新的思路,但现有的方法都存在着不同程度的缺陷.为了提高已有方法的有效性,在分析语义相似度经典方法的基础上,充分利用本体的结构信息,综合考虑概念在本体图中的位置、语义距离,共享属性量和共享信息等因素,提出了一个基于本体结构的语义相似度算法.实验部分以维基百科中公开发布的氨基酸本体为例,通过与经典方法计算结果的对比,证明了算法的有效性.     

改进的领域本体概念语义相似度计算方法

基于领域本体的树状层次结构,从路径距离、语义重合度、语义深度、语义密度和概念属性几个角度讨论并优化了领域本体概念语义相似度的计算方法。该方法在聚焦爬虫网页分析中的成功应用,充分验证了它对概念语义相似度进行量化的准确性。     

基于上下文的概念语义相似度计算模型

针对概念语义相似度计算方法在信息检索中存在的漏检、误检等问题,提出一种基于上下文的计算本体内概念间语义相似度的模型。该模型分别从概念的父节点、子节点以及概念间路径权重3个角度进行计算,加权求和并求得语义相似度。实验结果表明,该模型的计算结果更加接近专家的经验值,为概念之间的语义关系提供了有效的量化。     

基于本体的概念间语义相似度计算方法研究

基于SUMO(Suggested Upper Merged Ontology)[1],提出了一种计算两概念语义相似度的语义距离方法。根据该方法实现了一个计算平台,将计算结果同人类的主观判断进行了比较,验证了概念语义相似度计算方法的有效性。该研究成果拟在正研发的语义数据库本体集成部分得到应用,也可以为本体的其它相关研究提供一定的技术基础。     

基于本体的概念相似度计算及其应用

提出了基于语义相似度和相关度的综合概念相似度计算方法.语义相似度考虑了语义距离和本体库特征,加入概念的信息量、概念的深度、概念的密度和不对称因子的辅助影响;语义相关度从直接相关、间接相关、直接继承和间接继承几个方面考虑.通过实验和两种传统的语义相似度计算方法进行对比,本方法能更好地区分本体树中不同关系的概念对,验证了该方法的有效性.     

基于本体的概念相似度计算

概念相似度的计算是信息检索领域的研究热点。本体在信息检索和人工智能领域的广泛应用,为概念相似度计算带来新的方法。该文提出一种利用本体来计算概念间相似度的方法,综合考虑语义距离和本体库统计特征。加入概念的深度、语义重合度和概念间强度的辅助影响。实验结果表明,该方法对概念相似度的计算有效,可应用于面向Web的信息检索。     

基于语义相似度的本体概念更新方法研究

为了实现本体概念的自动更新,减少对领域专家的过多依赖,给出一种基于语义相似度的本体概念更新方法 SSOCUM(Semantic Similarity-based Ontology Concept Update Method)。实现一种改进的基于Word Net的相似度算法,该算法在计算路径长度的基础上,综合考虑了概念的节点深度以及信息量对相似度的影响。为了弥补基于Word Net的相似度算法没有考虑概念属性所携带的语义信息的不足,加入属性相似度对其进行调整。通过实验对比,验证了改进算法的计算结果与标准数据集之间的皮尔森系数高于传统算法,计算结果更接近于人的主观判断。采用构建好的煤矿领域通风系统本体对SSOCUM算法进行实验分析。结果表明,SSOCUM算法有助于本体新概念的自动添加,并具有一定的准确性和有效性。     

基于本体的概念语义相似度度量

针对概念语义相似度度量问题,提出结合基于图理论和信息量2种方法的语义相似度度量算法。计算2个概念在概念图中连接的路径长度、局部密度以及在连接2个概念之间的路径上连接关系的连接力度,结合连结路径权重和信息量来度量概念之间的语义相似度。实验结果表明,该算法能取得较好的度量效果。     

基于概念间双向语义和多重关系的Web服务发现

如何提高Web服务的发现效果是面向服务计算领域需要解决的关键问题.针对这一问题,文中提出基于概念间双向语义和多重关系的Web服务发现方法.在计算概念相似度时,考虑语义的双向性及连接路径上的多重关系.不同于以往的服务发现方法,不仅计算服务描述中的名词和动词,还计算形容词.在名词和动词相似度计算中,涵盖继承关系(ISA)、部分整体关系(HASA)和反义关系(ANT).在形容词相似度计算中,涉及相似关系(Similar-to)和ANT.Web服务相似度的计算综合I/O和功能描述两方面内容,提高Web服务发现的准确性.通过综合数据实验充分验证文中方法的有效性,该方法具有较优的查准率、查全率及F-measure.     

不同本体中概念语义距离的一种度量方法

本体合并与映射中的一个重要步骤是检测不同本体中的相似概念,以提供合并或者映射的作用点.通常,具有相似名称的概念常被作为候选.然而,完全有可能出现具有文字相似名称的概念在语义上却不相似,甚至不相容.本文提出了一个从四方面比较概念语义距离的方法,综合考虑了一个概念在本体中的位置以及概念的属性这些对于确定概念涵义非常重要的信息.     

有向标记根树之间的语义编辑距离

有向标记根树之间的编辑距离(TED)被广泛应用在文档的结构化相似度计算上。文中提出有向标记根树之间的语义编辑距离(TSED)的概念,并给出计算公式。组合TED和TSED形成距离测度,并应用在XML文档的结构聚类上。实验表明该距离模型在结构化聚类的准确率和召回率上明显优于单纯利用TED算法的聚类结果。该算法在时间复杂性上也等同于利用动态规划计算TED的最好算法。     

一种基于同义词词林的中文大规模本体映射方案

本体映射是解决本体异构问题的重要途径和手段,中文知识是网络开放知识库的重要组成部分,但现有的中文本体映射系统在面对大规模本体映射任务时,显得效率较低且可用性不高,目前仍缺乏针对中文大规模本体映射的相关系统。为了解决中文大规模本体的映射问题,设计并实现了一个面向中文的大规模本体映射系统。首先,提出了一种基于拟核力场势函数的大规模本体压缩方法;其次,提出了一种基于同义词词林的中文概念等价关系确定算法;再次,实现了大规模中文本体映射的原型系统;最后,将本系统与相似度计算相关典型算法进行比较,证明其具备一定的可用性和较高的总体性能。     

针对边计算法的语义相似度计算优化算法

概念语义相似度计算是诸多应用普遍面临的问题。文中以简化单本体内概念语义相似度计算为出发点,提出针对边计算法的相似度计算优化算法。利用本体概念间的层次关系优化相似度计算过程。优化算法依据本体内一对概念间的语义相似度求出本体内所有概念间的语义相似度。仿真实验表明,优化算法能有效降低语义相似度计算复杂度,计算速度提高约一倍。     

面向企业本体复用的语义贴近度算法

摘要：为了实现企业本体的重用、整合、演化和通信,研究了本体的语义内涵和语义距离,包括语义的差异性、共性和综合性;提出一种语义贴近度算法,并通过定量计算获得不同本体的语义贴近度,提供了面向本体应用的决策依据;最后通过一个实例给出企业本体中两个概念的贴近度计算方法,表明了该语义贴近度算法的实用性和有效性。     

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.     

基于信息内容的词林词语相似度计算

针对哈尔滨工业大学《同义词词林》扩展版的层次结构不能有效反映词语之间信息内容含量差异性的问题进行了研究,进行了《同义词词林》作为词语相似度计算本体的结构改造,增加了原编码信息结点的语义,提出了一种较为适合改造后本体的相似度计算策略,经实验证明,修改后的本体更能体现词语在本体中信息内容含量的差异性,提出的相似度计算策略应用在改进后的本体上时,得出的相似度计算结果准确程度达到了较高水平,具有较好的实用价值。     

基于本体分割的语义图概要方法

语义图概要的目的是提取语义图的关键信息,形成原数据集的概要模型以解决大规模语义图的理解、查询、应用难题.为提升现有语义图概要方法效率,提出一种基于本体分割的概要方法.通过本体分割算法对语义图进行分割生成扩展子图.采用形式概念分析对每个扩展子图生成元素的偏序格(又称特征集格).在此基础上,由所有子图的特征集格形成了原语义...