采用双向个体标注的本体匹配技术

由于本体中的个体能更好地描述其所属概念的真实语义,因此基于个体的本体匹配技术有助于提高本体匹配结果的准确性。针对现实的本体中缺乏双向标注的个体而导致的基于个体的本体匹配技术难以得到广泛的应用这一问题,本文提出了一种基于双向个体标注的本体匹配技术,该技术通过进化算法来实现本体间自动化个体双向标注和概念匹配的过程。实验采用OAEI 2012的测试数据集,结果表明本文提出的方法是有效的     

采用双向个体标注的本体匹配技术

针对现实本体中缺乏双向标注的个体而导致的基于个体的本体匹配技术难以得到广泛应用这一问题,提出一种采用双向个体标注的本体匹配技术. 该技术通过进化算法实现本体间自动化个体双向标注和概念匹配的过程. 实验采用OAEI 2012的测试数据集,结果表明所提出的方法是有效的.     

基于差分进化算法的语义查询扩展技术

目的提高扩展词与用户查询在语义层面上的关联,解决歧义扩展问题。方法基于差分进化算法的语义查询扩展技术先利用领域本体提供的领域背景知识来获取候选扩展词集,然后通过分析用户日志来获取用户检索偏好信息,最后利用差分进化算法确定同用户检索意图最相符的扩展词集。结果比起前沿的局部上下文分析方法,基于差分进化算法的语义查询扩展技术能够确定更高质量的扩展词集。结论利用用户日志和本体中概念间的语义关系作为背景数据来过滤无关的扩展词可以有效提高后续语义扩展过程的效率,差分进化算法能够有效排除同用户检索意图无关的词集并确定高质量的扩展词集。     

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.     

信息检索技术中基于语义的扩展查询研究

用户查询与文档之间语义匹配但词法不匹配现象是影响信息检索效果的重要原因之一。鉴于语义检索受限于本体自身的质量,为了降低其对检索效果的影响,通过分析目前语义查询扩展的研究现状,在已有概念相似度计算算法研究基础上进行改进和融合,提出了一种基于本体的信息检索查询扩展方法,并主要对基于本体技术的概念相似度计算算法进行修正,得到了组合向量空间模型QCR(Q,Ci)=∑k=1,…,Kwk-Sim_Rel(qK,Ci),作为引入查询扩展后的查询结果相关度评价方法。这种方法中,通过建立本体模型并计算本体中概念间的语义相似度来确定扩展查询词,它可以根据用户输入的名称,检索出相关文档并由用户自由设置相似度阈值,并将普通主题检索与语义检索合并,在本体乏力时返回普通检索结果,这在一定程度上弥补了垂直检索系统发展的不足。
     

信息检索技术中基于语义的扩展查询研究

用户查询与文档之间语义匹配但词法不匹配现象是影响信息检索效果的重要原因之一。鉴于语义检索受限于本体自身的质量,为了降低其对检索效果的影响,通过分析目前语义查询扩展的研究现状,在已有概念相似度计算算法研究基础上进行改进和融合,提出了一种基于本体的信息检索查询扩展方法,并主要对基于本体技术的概念相似度计算算法进行修正,得到了组合向量空间模型QCR(Q,Ci)=∑k=1,…,Kwk*Sim_Rel(qK,Ci),作为引入查询扩展后的查询结果相关度评价方法。这种方法中,通过建立本体模型并计算本体中概念间的语义相似度来确定扩展查询词,它可以根据用户输入的名称,检索出相关文档并由用户自由设置相似度阈值,并将普通主题检索与语义检索合并,在本体乏力时返回普通检索结果,这在一定程度上弥补了垂直检索系统发展的不足。     

用矩阵实现模糊本体映射

当前的本体映射技术主要是针对明确概念集合的本体,这些技术无法处理语义网上的不确定信息。文中提出了扩展现有本体映射方法来支持不确定信息的本体映射。这种扩展称为模糊本体映射(FOM),它主要是基于模糊理论和图理论。FOM主要是计算本体的概念之间的相似度所形成的矩阵,并定义了一系列算法来推理模糊本体概念之间的模糊关系。     

信息检索技术中基于语义的扩展查询研究

用户查询与文档之间语义匹配但词法不匹配现象是影响信息检索效果的重要原因之一.鉴于语义检索受限于本体自身的质量,为了降低其对检索效果的影响,通过分析目前语义查询扩展的研究现状,在已有概念相似度计算算法研究基础上进行改进和融合,提出了一种基于本体的信息检索查询扩展方法,并主要对基于本体技术的概念相似度计算算法进行修正,得到了组合向量空间模型QCR(Q,Ci)=∑k=1.….K wk*Sim_Rel(qK,Ci),作为引入查询扩展后的查询结果相关度评价方法.这种方法中,通过建立本体模型并计算本体中概念间的语义相似度来确定扩展查询词,它可以根据用户输入的名称,检索出相关文档并由用户自由设置相似度阈值,并将普通主题检索与语义检索合并,在本体乏力时返回普通检索结果,这在一定程度上弥补了垂直检索系统发展的不足.     

基于BMRM迭代排序方法的本体学习算法

本体作为一种结构化数据存储和表示模型已成为信息检索领域的研究热点,并被应用于生物医学、地理科学、社会科学等诸多领域。提出基于BMRM迭代排序学习方法的本体相似度计算和本体映射算法,利用BMRM迭代得到最优参数向量,由此得到排序函数,将本体图或多本体图中的顶点映射成实数,通过两顶点对应实数间的差值来确定它们对应概念间的相似度。最后,将算法分别作用于GO本体和计算机软件本体,通过实验数据对比说明新算法对特定的应用领域具有较高的效率。     

语义Web中的概念等级匹配算法

针对语义Web匹配方法仅适于字符串、字典近义词匹配而导致精度低、效果差的问题,提出了一种基于概念等级的语义Web匹配算法.对于一个包含大量概念的本体,算法可根据概念之间的联系建立起概念结构,通过计算获得本体概念之间的相互支持度,从而使得普通概念的支持度低而特殊概念的支持度高,进而将概念的支持度量化为概念等级.以计算得到的概念等级为权值,将概念间的语言学匹配度加权,由此计算出新的概念的匹配度.该匹配度可将各个概念之间的内在联系关联起来,从而提高语义匹配的精度.实验结果表明,所提算法在本体间的语义匹配精度比字典近义词匹配法提高了20%.     

Application of Improved Compact Particle Swarm Optimization to Large Ontology Alignment Task

Ontology occupies an important position in artificial intelligence, computer linguistics and knowledge management. However, when different ontologies are constructed to represent the same information in a domain, the so-called heterogeneity problem arises. In order to address this problem, a key task is to discover the semantic relationship of entities between given two ontologies, called ontology alignment. Recently, the meta-heuristic algorithms have already been regarded as an effective approach for solving ontology alignment problem. However, firstly, as the ontologies become increasingly large, meta-heuristic algorithms may be easier to find local optimal alignment in large search spaces. Secondly, many existing approaches exploit the population-based meta-heuristic algorithms so that the massive calculation is required. In this paper, an improved compact particle swarm algorithm by using a local search strategy is proposed, called LSCPSOA, to improve the performance of finding more correct correspondences. In LSCPSOA, two update strategies with local search capability are employed to avoid falling into a local optimal alignment. The proposed algorithm has been evaluated on several large ontology data sets and compared with existing ontology alignment methods. The experimental results show that the proposed algorithm can find more correct correspondences and improves the time performance compared with other meta-heuristic algorithms.     

Extracting Semantic Subgraphs to Capture the Real Meanings of Ontology Elements

An element may have heterogeneous semantic interpretations in different ontologies. Therefore, understanding the real local meanings of elements is very useful for ontology operations such as querying and reasoning, which are the foundations for many applications including semantic searching, ontology matching, and linked data analysis. However, since different ontologies have different preferences to describe their elements, obtaining the semantic context of an element is an open problem. A semantic subgraph was proposed to capture the real meanings of ontology elements. To extract the semantic subgraphs, a hybrid ontology graph is used to represent the semantic relations between elements. An extracting algorithm based on an electrical circuit model is then used with new conductivity calculation rules to improve the quality of the semantic subgraphs. The evaluation results show that the semantic subgraphs properly capture the local meanings of elements. Ontology matching based on semantic subgraphs also demonstrates that the semantic subgraph is a promising technique for ontology applications.     

基于联邦式本体的HLA仿真建模

针对当前高层体系结构(high level architecture,HLA)难以保证复杂产品协同仿真过程中数据与语义一致性的问题,该文提出了一种基于联邦的本体组织方法,给出了联邦式本体的概念。联邦式本体以HLA发布和订购的方式完成分布式概念匹配与保存,实现多领域模型的语义一致,既保证了领域本体独立性,又保证了模型间的互理解性。该文研究实现了基于联邦式本体自动构建仿真任务HLA对象模型的方法,能根据仿真任务联邦概念模型,自动完成对象模型的创建、部署,提升了领域仿真模型的可重用性,并提高了HLA联邦的开发效率。     

Bridge Ontology： A Multi-Ontologies.Based Approach for Semantic Annotation

Representing the relationships between ontologies is the key problem of semantic annotations based on multi ontologies. Traditional approaches only had the ability of denoting the simple concept subsumption relations between ontologies. Through analyzing and classifying the relationships between ontologies, the idea of bridge ontology was proposed, which had the powerful capability of expressing the complex relationships between concepts and relationships between relations in muhi ontologies. Meanwhile, a new approach employing bridge ontology was proposed to deal with the multi ontologies-based semantic annotation problem. The bridge ontology is a peculiar ontology, which can be created and maintained conveniently, and is effective in the multi-ontologies based semantic annotation. The approach using bridge ontology has the advantages of low cost, scalablc, robust in the web circumstance, and avoiding the unnecessary ontology extending and integration.     

Method of Automatic Ontology Mapping through Machine Learning and Logic Mining

Ontology mapping is the bottleneck ot handhng confilicts among heterogeneous ontologies and of implementing reconfiguration or interoperability of legacy systems. We proposed an ontology mapping method by using machine learning, type constraints and logic mining techniques. This method is able to find concept correspondences through instances and the result is optimized by using an error function; it is able to find attribute correspondence between two equivalent concepts and the mapping accuracy is enhanced by combining together instances learning, type constraints and the logic relations that are imbedded in instances; moreover, it solves the most common kind of categorization conflicts. We thenproposed a merging algorithm to generate the shared ontology and proposed a reconfigurable architecture for interoperation based on multi agents. The legacy systems are encapsulated as information agents to participate in the integration system. Finally we give a simplified case study.     

基于聚类的本体块匹配方法

提出一种新的处理n:m映射的方法,该方法将n:m映射问题转化为聚类问题,利用Hownet中的资源使本体中的实体基于语义关系聚合,并重新给出了查全率和查准率的计算公式.使用Hownet及其相关工具对OAEI组织给出的一组本体对进行实验,实验结果表明,该方法对块匹配问题效果较好.     

基于OWL的本体映射中概念相似度计算方法的研究

随着网络上的本体越来越多，为了实现不同本体间的知识重用和共享，需要在本体间建立映射。而建立映射的关键在于找到概念相同或相近的实体对。借鉴计算语言学中的语义距离思想，提出了基于OWL构词所描述的本体概念相似度计算方法，该方法充分考虑了概念本身、概念属性、概念所处的层次结构和概念的OWL语义四个方面的语义相似度。     

基于统计式机器学习的地理本体融合模型

针对不同领域对地理事物的认知体系差异造成了地理本体异构的问题,提出了地理本体融合模型,引入统计式机器学习的方法对概念间的关系进行自动处理,并以概念间关系在不同本体出现的频度来产生其可信度,最后形成带有统计信息和领域信息的大型地理概念空间.该模型巧妙规避概念层面繁琐的异构映射过程,融合概念空间将多个地理本体所表达的概念知识融为一体,并保持了领域内的信息,有效实现了不同认知体系之间的共享.