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。     

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。     

基于已有映射结果的本体映射

为了提高本体映射的查准率和查全率,提出基于已有映射结果的本体映射算法.该算法以已有映射结果为背景知识,应用多种启发式策略选择中间本体,将直接映射结果与通过中间本体的间接映射结果相结合,并利用迭代优化算法克服背景知识不准确对映射结果的影响.实验结果表明: 该方法比直接映射方法的查准率和查全率分别提高1.10%和2.52%.说明该方法可以有效地提高映射的查准率和查全率.     

一种改进的概念相似度计算方法

本体在信息集成、语义网和知识管理等领域中被认为是重要的理论基础.本体映射的目的就是通过计算概念相似度找到本体中概念之间的对应关系,并制定出相应的映射规则.通过研究本体映射方法,设计出一种综合概念相似度计算模型,该模型充分考虑了概念的实例、定义以及结构等信息对相似度计算的影响,可以通过改变3个相似度分量的权值来适应不同本体间的映射,使模型具有通用性.结果表明,该模型能更有效地体现概念间的关系,使本体映射方法更加全面,并有更好的适用性.     

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。     

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。     

基于primal RankRLS方法的本体映射算法

本体映射作为实现多本体间相互操作的重要手段,已广泛应用于诸多领域.应用原始RankRLS算法,将多本体图映射到实数轴,由此将本体图中每个顶点都映射成实数.通过比较两概念对应实数间的差值得到本体映射.实验表明,该算法有较高的效率.     

本体映射过程及方法

介绍了本体映射的概念,剖析了本体映射过程,从本体映射的策略、本体的异构类型以及实现技术这三个不同的角度对本体映射的思路和方法进行分析和比较,为以后的本体映射系统的实现提供参考.     

基于k-部排序学习方法的本体映射算法

本体映射作为实现多本体间相互操作的重要手段,已广泛应用于诸多领域。利于k-部排序学习算法得到最优排序函数,从而将多本体结构图中每个顶点映射成一个实数,通过比较来自不同本体顶点对应实数间的差值判断概念间的相似程度。实验表明：该方法对于在不同本体间建立映射是有效的。