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。     

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     

基于混合聚类的本体分块与映射

在本体的映射研究中,大规模本体之间的映射一直是研究的难点。当前主要采用分块的思想来处理大本体映射问题。而应用的分块算法只是针对给定分块数的情况。据此,提出基于混合聚类的大本体分块与映射方法（BMC）。该方法首先用语义扩散算法获得结点的语义信息,然后,运用混合聚类算法对本体进行自动分块,最后在各块中进行映射。通过实验结果及分析,表明BMC能取得较好的映射结果。     

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.     

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.     

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。     

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。     

基于本体分割的本体映射算法

映射效率对于Web服务发现和组合、智能空间上下文感知等领域的动态映射至关重要。现有方法对相似度计算方法加以简化来提升效率,但当候选匹配实体对的数目随本体的规模增大而急剧增加时,就无法有效地处理。文中提出一种基于本体分割的高效本体映射算法。通过自下而上的聚类,将本体划分为一组大小合适的本体块。然后基于向量空间算法进行块映射,并从块映射结果中选取实体映射的候选匹配对,从而削减其数量,达到减少时间复杂度的目的。实验表明,文中方法显著提升运行时本体映射的效率,比Falcon-AO本体映射方法快6倍。     

基于本体的构件聚类研究

为了消除自然语言对构件文本信息描述的二义性以及增强术语间的语义关系,文中采用领域本体的思想,给出了一个基于人工智能领域本体的软件构件聚类模型和基于该模型的聚类算法。该模型通过分析领域的共同概念,形成领域本体知识库,提供领域内一致认可的术语,用于匹配对构件文本描述所使用的自然语言。给出的算法通过与基于传统空间向量的K—Means算法分析比较,验证了该算法是有效的,实现了对软件构件更合理的聚类,提高了构件检索的效率和准确性。     

本体复合映射研究

已有的本体复合映射算法中,绝大部分都只能发现基于字符串比较的简单类型的复合映射,查准率和查全率不高。提出一种基于结点间包含关系和等价关系发现复合映射的方法。实验证明,该方法可以发现本体中包含的绝大部分复合映射,较之现有的复合映射发现算法在查准率和查全率方面有了很大改进。     

基于概念集群的本体映射方法研究

本体异构是目前本体应用的一大瓶颈,而本体映射则是解决本体异构性的基础。基于概念集群的本体映射方法(CCOM)将概念间的语义结构关系引入映射过程中,用概念集群相似度代替概念相似度进行映射规则推导。实验证明本方法具有较好的查全率与查准率。     

基于分类的本体映射方法及映射工具实现*

介绍了本体和本体映射的概念,以及目前本体映射的主要方法.针对目前本体映射方法中存在的不足,提出了一种新的本体映射方法--基于分类的本体映射方法,解决了本体概念相似度计算量过大的问题,并实现了基于该映射方法的原型工具COMT,最后通过一个本体映射实例加以验证.     

基于本体的知识资源模糊聚类分析*

针对知识资源分块的边界模糊性的特点,以知识资源的本体表示为基础,应用基于本体的知识资源模糊聚类方法,通过分解知识本体,计算概念、属性、关系、结构等知识构成元素的空间向量,结合WordNet的词汇映射关系,使用知识本体间的语义距离表示知识资源间的模糊相似度,来实现知识本体的模糊聚类。最后举出实例来描述本文应用的方法,说明模糊聚类方法可以较好地分类知识资源。     

基于本体映射的零件工艺实例重用方法研究*

针对目前计算机辅助工艺设计中基于实例的工艺相似性重用问题,提出一种基于本体映射的零件工艺实例重用方法。在分析零件工艺实例信息的基础上,建立了新零件工艺知识本体和零件库零件工艺实例本体。基于本体映射的方法,通过本体间相似度计算,完成新零件工艺实例的检索和重用,并以轴类零件来说明该方法的有效性。     

基于Stacking方法的多策略本体映射*

将概念相似度的计算问题看做分类问题,提出一种基于Stacking方法的多策略本体映射框架;利用Stacking方法组合多种概念相似度算法,进而提出基于Widrow-Hoff理论的元数据分类算法LMSMC。该框架中,第0层分类器使用各种概念相似度算法对源本体进行分类,第1层分类器使用LMSMC算法对元数据进行分类,从而实现组合多种算法的本体映射。实验表明该方法比单独使用相似度算法在查全率、查准率上均有所提高。     

一种关于本体复合映射的挖掘算法

为了提高本体映射的精度,往往需要同时考虑1∶1、1∶n、n∶m等多种不同的情况。而对于以往的映射算法而言,它们主要考虑了简单的1∶1的映射,忽略了同样重要并占据相当比例的复合映射问题,这样极大地损失了本体映射的精度。针对这个问题,提出了一个基于多种关系的复合映射发现算法。实验证明,该算法在对本体复合映射的发现问题上非常有效,而且极大地提高了映射结果的精度。     

一种模块化的多策略模糊本体映射方法*

通过分析模糊本体的特点,并结合模块化和多策略映射的优点,提出了一个面向语义Web的模糊本体模型,并针对该模型提出了一种模块化的多策略本体映射方法,以提高模糊本体映射的效率和准确率。最后对映射结果进行融合并采用迭代矫正的方法进行修复,使得映射结果更加准确可靠。     

基于粗糙集和模糊聚类的政务本体学习模型

根据政务信息资源的特点,提出了一种新的政务本体学习模型。首先通过命名实体获取领域概念,然后利用粗糙集和模糊聚类理论对模式匹配算法进行改进,进而采用改进的模式匹配算法获取领域概念之间的显式和隐式关系。大量的实践证明：利用该模型能够从庞大的政务信息资源中有效地进行政务本体学习,克服了传统模式匹配算法不能很好地获取概念之间隐式关系的问题。