本体对齐技术概述及其在中医领域的应用探讨

本体对齐技术是实现不同来源本体概念和关系整合的知识工程方法,鉴于相同范围的本体(如疾病本体)往往由多个不同领域或机构的研究人员各自独立研发,其术语表述和概念关系都存在较大差异。因此,如何通过对齐处理以实现多源本体的整合成为重要的方法学问题。本文就本体对齐的概念、技术、方法及其相应的工具进行了详细阐述。重点阐述了基于语言学特征的和基于结构特征的本体对齐技术。结合国际上两个实际疾病本体:Disease Ontology和Orphanet,采用本体对齐技术进行了实验及分析,并详述对齐技术的应用问题。针对中医领域本体库研发中也存在的多源性问题,进一步探讨本体对齐应用的必要性和应用前景。

基于范畴论的形式化地理本体对齐和集成研究

本体对齐可解决本体间的异构,而范畴论可屏蔽本体间的异构性并为本体集成提供统一的方法框架。将范畴论引入本体对齐研究领域中,在范畴论的基础上,结合地理本体特征,对态射进行了重新定义,构造了一个更复杂的范畴。其中范畴中的对象为地理本体,而态射不仅能表达相等关系,也可以描述地理本体间的多种语义关系。在态射定义的基础上,根据态射的特性定义了本体对齐和本体对齐的复合,最后对本体集成进行了阐述。

基于自注意力模型的本体对齐方法

随着知识图谱在人工智能领域的发展,对不同源的知识图谱进行融合,以得到覆盖范围更广的知识图谱的需求日益增加。本体作为知识图谱的上层结构,对知识图谱的构建具有指导作用。为了解决知识图谱融合中本体对齐的问题,文中提出了基于自注意力模型融合多维相似度的方法,从而提高本体对齐的精度。首先,对来自两个本体的概念进行基于字符串的、基于语义的和基于结构信息的多维度相似性度量;然后,使用自注意力模型对上述多种相似度度量结果进行融合,进而判断是否相似并进行对齐。在公开数据集上进行实验,实验结果表明,相比现有的本体对齐方法,所提方法通过聚合多维度的相似性特征能够得到更优的对齐结果。

一种基于语义词典的本体对齐框架

提出一种基于语义词典的本体对齐框架。首先抽取出代表本体元素的字符串,这些字符串包括本体中的概念、实例、关系等,并利用现有的词典和语义资源将字符串变为词的集合;然后将本体对齐转换为单词集合间的映射,通过多相似度的匹配算法来进行相似度计算,从而实现本体对齐。实验结果表明,所提出的方法是有效的且较之以前的对齐方法有一定的提高。

基于词向量和概念上下文信息的本体对齐方法

本体对齐任务旨在挖掘不同本体中具有相同语义的概念,但不同本体间名称和结构等信息的异质性给该任务带来了挑战。为解决以上的问题,提出一种基于词向量和概念上下文信息的本体对齐方法。该方法首先借鉴自监督学习的思想,通过抽取部分概念对应的短语构建文本数据集,并使用构建好的数据集基于词向量训练短语相似度计算模型。之后,提出一种概念相似度计算模型,该模型利用训练好的短语相似度计算模型获得名称短语之间的相似度并考虑了各概念的上下文信息。最后将用于匹配的本体转化为二部图,并在该图上建立权值匹配模型进行优化求解。通过在多个数据集上进行测试,该方法与基准模型相比取得了比较好的效果,证明了该方法的有效性。

基于节点语义相似度的本体映射方法

针对本体映射特别是大尺度的异构本体映射由于语义异质性导致的映射精度和效率较低的问题,提出一种基于节点语义相似度的本体映射方法.首先,研究基于网络的本体解析和表示、本体自动分块、相似子本体快速识别、基于节点语义的子本体映射等关键技术;其次,以本体对齐评估倡议评估数据集中会议本体集进行实验,结果表明,该方法在性能上优于传统映射方法,在精度上高于基于片段的映射方法.

本体集成研究综述

本体集成(ontology integration)的目的是使异质的本体互操作,目前是本体研究的一个热点。本体集成首先发现实体间关系,生成本体映射,然后根据应用目的基于映射进行处理,最终达成本体对齐或者本体合并的目标。本文介绍了本体集成中的概念,给出本体集成的一般工程化方法。对国内外较具代表性的本体集成工具进行比较分析,讨论了现存的问题,指出了未来的研究方向。

基于范畴论的本体描述方法

针对各种本体语言在描述本体过程中容易产生理解不一致的问题,利用范畴论的抽象性及图形化表示的优势,提出一种基于范畴论的本体描述方法,并给出了本体、本体映射和本体实例化的范畴论定义,其中本体被描述成范畴中的对象,本体间的映射被描述成范畴中对象间的同态射,本体实例化被描述成范畴间的函子。在此基础上,结合共极限和推出给出本体合并的描述及解释,并证明了本体合并的一些典型性质。

本体集成的研究

简述了本体集成的相关概念和流程以及本体集成中的关键技术——本体映射的概念和实现过程,介绍了目前关于本体集成的一些研究成果。

知识图谱融合技术研究

大数据及人工智能等技术的发展促使了海量数据的生成。从海量数据中有效、高效、直观地捕获和融合知识成为研究热点。从知识图谱融合的相关概念出发,讨论了用于处理知识图谱融合的先进技术。系统介绍了开源知识融合、知识图谱融合、知识图谱内部信息融合、多模态知识融合和多源知识协同推理的最新研究进展。在此基础上,探讨了大规模知识库环境下多源知识融合的挑战和未来研究方向。