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。

基于进化算法的生物医学本体匹配技术

由于生物医学本体拥有规模庞大的概念和复杂概念间关系,已有本体匹配技术难以高效确定生物医学本体匹配结果。为解决这一问题,构建了生物医学本体匹配问题优化模型,提出基于进化算法的生物医学本体匹配技术来确定最优匹配结果。在求解生物医学本体匹配问题时,采用一种新的生物医学本体概念相似度度量来确保匹配结果质量,并通过基于推理的概念对剪枝技术缩小算法的搜索空间,提高算法效率。实验结果表明,基于进化算法的生物医学本体匹配技术能有效匹配生物医学本体。

基于多头自注意力模型的本体匹配方法

随着语义网的发展,本体数量不断增加,本体间的语义关系变得越来越复杂。因此,引入OWL2Vec*方法获取本体的语义嵌入表示。通常,匹配的类或属性具有相似的结构,因此利用了字符级和结构级的相似性度量。为高效融合多种相似度值,提出基于多头自注意力模型的本体匹配方法(Ontology Matching Method Based on Multi-Head Self-Attention, OM-MHSA)自主学习各相似度方法对匹配结果的贡献值。在国际本体对齐评测组织(Ontology Alignment Evaluation Initiative, OAEI)提供的Conference数据集上进行实验,结果表明,相对LSMatch和KGMatcher+方法,提出的模型准确率(Precision)提升了6%,召回率(Recall)和F1值(F1-measure)超过了ALIOn、TOMATO和Matcha等方法。可见,提出的模型能够提升匹配结果的效率。

改进的本体匹配算法

传统的利用本体结构信息对本体做匹配的方法,并未充分利用本体的树形结构特点,致使整个本体匹配的匹配过程具有大量的冗余计算。因此,提出一种改进的基于本体树形结构的本体匹配算法TARA。该方法首先严格地以本体的树形结构为依据进行本体匹配,然后通过二次匹配来解决由于严格按照树形结构进行匹配而产生的不可避免的不足。实验结果表明,TARA方法的查全率和准确率都有较好的表现。

本体匹配中基于词义组合的词法分析算法

针对本体匹配中相似性词法分析算法的不足,提出一种基于词义组合的词法分析算法.该算法首先通过WordNet发现本体中单词的合适词义,并扩展它们,然后基于本体里的语义元素形式化的定义实体的词法信息标记,最后推理出实体词法信息间的包含关系.针对一组工业本体的测试结果表明该算法有助提高系统的覆盖率.

基于词汇相似度的元素级本体匹配

随着语义Web的不断发展,本体数量日益增加。本体匹配作为本体映射、比较和集成的基础,具有重要的实际意义。由第3届国际语义Web大会(3thISWC)主办的本体匹配竞赛(EON2004)对多种本体匹配工具进行比较和评估。该文提出了一种元素级本体匹配算法LANA(LexicalAnalyzer),该算法通过计算词汇相似度得到两本体间的元素匹配对。与EON2004中的其它元素级本体匹配方法相比,LANA在没有增加匹配复杂度的基础上,具有较好的准确率和召回率。

一种基于RDF图的本体匹配方法

本体匹配是建立两个本体之间映射关系的过程,一个高效、严格的相似度计算方法是本体匹配的前提条件,为此提出了一种基于RDF图匹配的方法。该方法用RDF图表示本体,使本体间的匹配问题转化为RDF图的匹配问题,并利用匹配树表示匹配的状态,通过匹配树计算出两个本体中各实体之间的相似度,进而得到两个本体之间的映射关系。实验结果表明,该方法在查全率和查准率方面都有很好的表现。

语义Web中的本体匹配研究

本体匹配旨在识别异构本体中存在语义关联的实体,并建立它们之间的匹配关系,它对于消除本体异构、实现本体集成和数据融合等具有重要作用。形式化定义了语义Web中的本体匹配问题,并从本体匹配方法、本体匹配挑战和本体匹配原型系统三个方面调研了最新研究进展,旨在为进一步研究指明方向。

一种快速高效的本体匹配方法

本体匹配是解决本体异构问题的主要方法之一,一个高效、精确的相似度计算方法是本体匹配的前提条件,针对目前本体匹配时计算复杂以及计算不精确的问题,提出了一种改进的本体匹配方法,该方法首先通过对本体库分类来确定候选匹配集,减少了相似度计算的工作量;进而根据本体的定义模型,从概念实例、概念属性和概念结构等方面来综合计算概念相似度,提高了相似度计算的精确度。实验表明该方法能在较少的时间复杂度上达到较好的匹配效果。

基于本体匹配的语义对等网信息检索

提出了一种基于语义相似、本体匹配的对等网信息检索方法。定义语义节点,在节点中通过计算语义相似度,在网络中进行语义匹配来部分替换传统的字符串相似度计算。仿真模拟结果表明,该方法能够有效提高信息检索效率。

模块化思想在大规模本体匹配中的应用

本体匹配是解决语义异构,实现本体共享与重用的一种方法。但本体规模越来越大,为降低匹配空间,提出一种基于模块化思想的本体匹配框架。首先,使用预处理算法将待匹配本体转换成概念图;然后,改进了ROCK聚类算法,并使用该算法将概念图划分成若干高内聚低耦合的概念块;最后,根据Tversky模型,从概念的父、子、兄弟以及内涵4个方面计算块的匹配度,并标记块的重要概念,进行n∶m匹配。实验结果表明,提出的本体匹配框架能够均衡本体分块大小,提高匹配效率。

基于Top-k映射的本体匹配方法

针对本体之间的异构问题,提出一种基于Top-k映射的本体匹配方法。该方法是对现有匹配方法的一种扩展,它以相似度计算为基础,从元素级和结构级计算2个概念之间的相似度,并在匹配过程中同时产生k个映射而不是一个最佳映射。实验结果表明,该算法在查全率和查准率方面都有很好的表现,并且其查准率要优于GLUE方法。

本体匹配基本理论框架研究

阐述各种类型的本体异质问题,明确本体匹配的概念及与本体映射的关系。在总结本体匹配主要理论的基础上,初步确立本体匹配基本理论框架,包括匹配粒度、匹配参数、匹配操作、匹配策略及匹配过程等内容,较为全面地阐述本体匹配的基本理论体系。

一种基于子图近似同构的e-Learning学习资源本体匹配方法

针对e-Learning学习资源本体异构问题,提出一种基于子图近似同构的本体匹配方法。该方法对现有本体匹配方法进行扩展,综合编辑距离、层次关系等特征,计算本体的结构级相似性,以点、边有序交替匹配来判断实体的有向图近似同构问题,实现本体匹配判定。演示算法处理过程,给出算法时间复杂度理论分析,说明其有效性。

扩展结构包含推理算法的本体匹配

为了匹配本体时直接分析构造器和公理中所蕴含的语义信息,提出一种扩展结构包含推理算法的本体匹配方法以解决该问题。首先将本体中实体重定向为范式,使得被蕴含的语义信息明显地表示,然后比较范式之间的句法结构以推理来自不同本体的实体间的匹配。针对一组工业本体的测试结果表明该方法具有较好的性能。

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。

一种使能异构web资源集成的高效本体匹配算法(英文)

为了提高本体匹配过程的性能,提出了一种能够有效减少冗余实体匹配操作的高效本体匹配算法rule-match.通过理论分析和证明,总结出了一组刻画实体匹配结果内在联系的匹配规则.基于这组规则,匹配算法可以在匹配过程中重用2个本体实体的匹配结果来直接确定其邻接实体的匹配结果,避免了对邻接实体所进行的不必要的匹配操作,从而提升整个匹配过程的性能.实验结果表明,相对于其他匹配算法,该算法不仅具有较高的准确率,而且能有效降低整个匹配过程所消耗的时间.该算法适用于解决实际异构web信息资源集成项目中所常见的大规模本体匹配问题.

基于改进相似度传播算法的本体匹配

为解决本体异构、实现不同本体应用程序间互操作以及数据集成,提出一种基于RDF图的改进相似度传播匹配算法。首先通过WordNet发现初始相似对种子,经过预处理把本体表示成RDF三元组形式,针对RDF图的特点,将相似度传播的条件扩展到三元组中,发现可能相似对;然后采用综合元素特征的方法计算相似度。相似度传播、发现可能相似对种子、相似度计算是一个循环迭代的过程,直到满足收敛条件。实验表明了该算法的有效性,并在时间性能上也有所提高。

语义Web作为背景知识的本体匹配

提出了一个基于语义网为背景知识的本体匹配模式,即自动寻找和检索各种网络的知识资源得出映射,根据一些关键问题获得可行的模式、提供一个良好性能的匹配方法.采取了一个大规模的匹配为实验背景,检验了以语义网为背景知识的本体匹配模式的可行性、局限性、与其他技术的结合性.实验结果表明以语义Web为背景知识的方法本体匹配的精确度为70%.说明以语义Web为背景知识的本体匹配是对现有技术的补充,并可兼容于其他方法,其匹配的精确度也有了进一步的提高.

基于信息理论的启发式本体匹配框架

介绍了一种新的半自动的启发式本体匹配框架的设计和实现。系统利用人类专家在前期确定的高精度锚匹配对(Anchor Pairs),根据启发式规则对系统计算出来的匹配候选对的相似度进行修正。已设计并实现了基于信息理论的启发式本体匹配框架IHOMF(Information theory based Heuristic Ontology Matching Framework)。该框架较好地平衡了复杂语义匹配和繁重的人类劳动之间的矛盾,在实验数据集上获得了较好的结果。