基于关系模式的本体学习研究

对本体和关系模式做详细比较和分析,从关系、关系之间的联系、属性、约束、实例这些元素出发,提出了关系模式向本体的详细映射规则。设计了基于关系模式的本体学习系统,验证了方法的有效性。     

基于Web挖掘的领域本体自动学习

为获取领域本体并量化概念关系的可信度,提出了一种基于Web挖掘的学习模型.通过可扩展的模式集和分布语义模型获取本体主干,使用关联规则发现概念间的一般关系,对候选本体进行修剪和合并.模式可信度、概念语义距离与关联特征决定了概念间关系的可信度.通过"文本分析-本体获取-文本扩充"的迭代过程,优化模型参数和阈值.该模型解决了现有本体学习方法对词典或核心本体的依赖性、以及不能对关系进行可信度量化的问题.实验证明了所提出模型的有效性.     

本体知识库集成的方法研究

随着本体研究和应用的快速发展,本体集成问题日益突出,目前本体集成并没有统一的方法与标准,大多研究者将研究重点放在本体映射方面。本文对本体集成涉及的核心问题,以及现有的本体集成框架和本体集成流程进行了深入分析和研究,并在此基础上对现有的本体集成方案进行了改进,包括本体映射流程细化、相似度计算的综合、本体映射修正的细化、本体集成规则概括分类、本体集成校验流程的改进等,以期给出一种通用的本体集成解决方案。     

基于数据挖掘的本体关系学习算法

如何确定概念间语义关系的存在性和如何确定概念间的关系类型是本体关系学习的两个基本问题.现有的本体关系学习算法常常区分出不同类型的语义关系,使用不同的策略来获取概念间的各类关系,影响了算法的效率.提出一种基于数据挖掘的本体关系学习算法,运用关联规则挖掘获取概念间的关系,利用聚类分析对概念关系类型进行区分.实验结果证明,算法较好地解决了本体关系学习中的两个基本问题.     

基于综合语义度量的本体映射方法

在分析现有本体映射技术的基础上,采用基于本体图结构和启发式规则的本体映射方法实现了本体间一对一映射,最后通过选取实验对象进行测试,证明了本映射机制的可行性.     

一种从关系数据库学习OWL本体的方法

提出了一种从关系数据库学习OWL本体的方法.该方法在形式化表示关系数据库模式和OWL本体的基础上,遵循从关系数据库模式到OWL本体的一组通用映射规则.基于Java 2平台的原型工具实现和案例研究证明了该方法的有效性.     

基于改变历史日志扩展的本体映射进化研究

本体映射可以有效地解决本体异构问题,然而现有的本体映射研究大多只关注于映射方法本身,而缺乏在具体动态应用环境中对映射进化的分析,使得已有的本体映射方法在实际应用中的效率并不高。因此本文提出一种基于改变历史日志扩展的本体映射重建方法。该方法在本体映射进化时,用HL记录本体的变化对现有的映射系统进行扩展,仅仅更新过期的无效的映射对。实验结果表明,本文方法在本体不断更新的动态环境中表现较优,和其他现存映射进化系统相比具有时效性更高的优点。     

一种改进的本体映射方法

针对目前本体映射中概念相似度计算所存在的问题,提出了一种改进的本体映射方法。该方法首先根据两个概念名称相似性过滤出最相关的概念,减少概念相似度的计算;然后基于概念实例、概念属性、概念关系计算概念相似度,并进行综合;明确了本体映射步骤;最后对相关工作进行了分析比较。     

一种语义集成框架的研究与实现

提出一种基于本体的数据集成框架,给出了底层数据源模式分解、匹配和本体生成的方法.通过改进模式路径映射算法建立了本体与源模式的映射规则,从而较好地解决了将用户提交的基于本体的查询分解到各个数据源执行的查询分解技术.     

基于模糊概念模型的模糊本体构建方法

针对从预先定义的概念层次生成模糊本体这一非常困难的问题,提出利用模糊概念模型来构建模糊本体.基于模糊集理论,对UML概念模型及OWL DL本体进行了模糊扩展,从二者的逻辑基础说明了利用模糊UML类图构建模糊OWL DL本体的可行性,进而研究了从模糊UML类图到模糊OWL DL本体的形式化映射方法,给出了映射规则及公理的创建过程.利用现有的模糊概念模型构建模糊OWL DL本体可以有效降低建立模糊本体的复杂性,同时增强了本体的表达能力.     

从OWL本体到关系数据库模式的转换

给出了OWL本体和关系数据库模式的形式定义;在分析了OWL本体和关系数据库模式之间概念对应的基础上,定义了从OWL本体到关系数据库模式的转换规则.基于J2SE平台的算法实现和典型实例表明,从OWL本体到关系数据库模式的转换是可行的.     

一种将关系数据库转换为OWL本体的方法

通过半自动的方法将关系数据库转换为本体是本体研究的热点之一,也是解决异构数据库的一个新方向。目前提出的从数据库中提取语义信息的方法主要从本体的结构出发,导致提取的语义信息不全面。本文提出了一套将关系数据库向本体转换的规则,该套规则从关系数据库的模式结构出发,通过对模式信息分层次、综合分析,能够比较准确全面地提取显视的和隐含的语义信息。     

面向关系型数据的本体学习模型——RCAOM

为获取结构化的关系数据库中蕴含的知识本体,利用形式概念分析与本体间的双向互动关系,提出了基于关系形式概念分析的本体学习方法——RCAOM(relational context analysis ontology model)方法。RCAOM方法分别从关系数据的元数据层和元组实例两个层面发现概念及关系,通过关系数据库逆向工程和用户参与的概念格建立与概念测量,形成关系型的形式背景,最终转化为面向关系数据的本体模型。研究表明:RCAOM方法不仅可以较好地自动发现关系模式元数据概念及关系,而且能够有效发现隐含于数据记录中的概念及关系,构建面向主题的本体模型;具备分析复杂度低和收集盲点少的特点,是面向关系型数据库的本体学习和构建大型本体库的新探索。     

XML数据到关系数据的映射

为实现XML数据到关系数据的数据映射,提出一种模式抽取算法,通过XML2XDR模块抽取XML模式,依据模式对XML数据分类.分析XML模式与关系模式的差异性,通过XMLdata2DB模块建立XML数据到关系数据的映射规则,从而实现将XML数据映射到关系数据中.     

A Parsing Graph-based Algorithm for Ontology Mapping

Ontology mapping is a critical problem for integrating the heterogeneous information sources. It can identify the elements corresponding to each other. At present,there are many ontology mapping algorithms,but most of them are based on database schema. After analyzing the similarity and difference of ontology and schema,we propose a parsing graph-based algorithm for ontology mapping. The ontology parsing graph (OP-graph) extends the general concept of graph,encodes logic relationship,and semantic informatio...     

基于关系数据库的大规模本体的存储模式研究

通过对现有本体存储模式的分析,给出了本体存储模式的设计原则,并基于该原则提出了一种新的本体存储模式.该模式针对本体描述语言的特点,将本体查询常用的信息存放在不同的表中.整个模式易于理解,结构稳定,并且减少了本体查询时进行表连接的代价,提高了查询效率.实验结果表明,该存储模式不仅具有较高的查询效率,而且具有良好的可扩展性,适用于存储大规模的本体.     

一种从企业遗留智能系统学习OWL本体方法研究

为规避基于文本的本体学习中尚未解决的中文分词歧义问题,实现企业遗留智能系统中拥有的大量领域知识的复用,提出一种从遗留智能系统学习OWL本体的方法.在分析关系数据库模式、元组集与OWL本体之间元素对应关系的基础上,详述了该方法的具体步骤.与现有相关方法相比,本方法针对的数据源蕴含更丰富的领域知识,更加适合实际的工程应用;通过一个简单、低时间复杂度的转换算法,而非中间模型或大量抽象规则,从关系数据库模式中自动获取相应的OWL本体部分;并按照一定的先后顺序将遗留系统中范例、规则知识项(元组集)移植为OWL本体中对应的个体.一个面向企业工装工时定额的遗留智能系统应用实例证实了该方法的有效性.     

冗余XML模式到关系模式的规范化映射

从XML(extensible markup language)模式的语法分析冗余元素产生的原因,通过属性冗余的规范化规则消除属性冗余,元素冗余规范化算法消除元素冗余,嵌套冗余规范化算法消除嵌套冗余,从而实现XML模式到关系模式的关系映射.该算法不仅实现了一般关系的映射,而且实现了冗余XML模式到关系模式的规范化映射,具有不可逆性.     

模式语言的本体学习方法

概括了模式语言的本体映射机制,讨论了如何将模式语言映射成一棵语法树,然后使用映射规则将语法树中的元素翻译为本体中相应的概念和关系,最后给出该方法的应用实例.