基于变换模型的本体相似度计算与本体映射(英文)

本体相似度计算是信息检索的重要研究课题并广泛应用于计算机科学的诸多领域.运用变换模型提出本体相似度计算和本体映射的新算法.通过排序学习函数,将本体图映射成实直线,将本体图中的顶点映射成对应实数.通过比较本体图中顶点所对应实数的差值来判断两个顶点的相似程度.两个实验显示,所提出的算法对计算本体相似度和建立本体映射是有效的.     

基于扩展AUC量度模型的本体算法

通过最小化扩展的AUC量度得到最优排序函数,从而将本体图(或多本体结构图)中每个顶点映射成一个实数,通过比较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:新算法对于本体相似度计算和在不同本体间建立映射是有效的.     

成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.     

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。     

基于优先图的本体相似度计算

本体概念的相似度计算是信息检索的重要研究课题。通过优先图的构造和核函数方法得到关于排序代价函数的正则平方最小框架,利用表示理论得到模型的解,从而将原本体图映射到实直线,原本体图中每个顶点映射到对应实数。原本体图中概念之间的相似度通过它们对应实数间的差值来判定。将该算法分别应用于计算机和生物本体,实验数据表明新算法有较高的P@N命中率。     

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.     

基于图学习的本体概念相似度计算

根据边的类型、顶点深度、边的密度和强度以及边关联的两顶点的属性计算有向边的权重,通过图学习正则化模型得到优化函数.将本体结构图中每个顶点映射成一个实数,通过比较实数间的差值判断两概念的相似程度.实验表明该方法对于计算本体概念间的相对相似度是有效的.     

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。     

基于核矩阵优化方法的本体算法

本体相似度计算和本体映射被广泛应用于查询扩展和图像检索中,已成为信息科学研究的热点内容,其核心为计算本体图中顶点间的相似度。用核矩阵表示本体图中每一对顶点的相似度,根据相邻顶点相似度大、不相邻顶点相似度小的特征,结合转换函数的光滑性得到核矩阵优化模型,求解模型得到最优核矩阵。将此方法分别应用于生物GO本体和数学学科本体,通过实验表明新本体相似度计算和本体映射算法有较高的效率。     

基于对偶理论的本体稀疏向量学习算法

作为一种语义计算和结构化信息存储模型,本体已被广泛应用于生物、物理、地理信息系统等多个领域.在本体学习算法中,本体图顶点所对应的概念信息用一个多维向量来表示.但在大部分应用背景下,顶点之间的相似度取决于少部分分量.基于对偶理论得到本体稀疏向量的计算方法,将该算法应用于数学本体和大学本体,通过P@N准备率来说明算法的效率.     

改进的多策略本体映射方法

针对本体映射时未充分考虑语义信息以及运算效率的问题, 提出了一种改进的多策略本体映射方法--ReMAP。对初步得到的初始概念集基于相关度计算进行简化, 以减少参与映射的概念; 为提高映射质量, 在进行概念相似度计算时, 充分考虑本体概念的语义信息, 对概念名称进行语义分析, 将其融入概念名称相似度的计算结果, 并通过制定映射规则对不良映射进行校正处理。算法验证选取OAEI2007 标准测试集, 通过查全率、查准率与F-measure 值对实验结果进行对比分析, 验证了方法的有效性。     

本体领域综合概念相似度计算中的权重确定方法

利用粗糙集及条件信息熵的相关理论,针对基于相似度计算的本体映射方法在相似度融合时权重过分依赖专家参与等问题,给出一种自动确定权重的策略,并通过实例验证了该方法的可行性.该方法充分考虑在信息量不确定情况下,用各属性对系统信息熵的影响程度确定各属性在当前信息系统中所占的权重,从而使本体的自动化映射和语义网的实时服务成为可能.     

一种改进的基于相似度的本体映射方法

本体映射是解决本体异构的通用方法.发现来自不同本体的元素间的关系的过程可以转化为它们之间的语义相似度的计算, 本文从名称、结构、实例、属性四个方面改进相似度计算方法,并给出融合的相似度计算公式,通过实验说明新相似度计算方法在实际应用中是有效的.     

本体映射中概念相似度计算的改进

通过对目前各种本体映射方法的分析,提出一种改进的本体映射的方法.该方法考虑了概念的名称、实例、属性、关系对相似度计算的影响,使概念相似度的计算更加全面、准确.     

Ontology Mapping Based on Bayesian Network

Ontology mapping is a key interoperability enabler for the semantic web. In this paper,a new ontology mapping approach called ontology mapping based on Bayesian network( OM-BN) is proposed. OM-BN combines the models of ontology and Bayesian Network,and applies the method of Multi-strategy to computing similarity. In OM-BN,the characteristics of ontology,such as tree structure and semantic inclusion relations among concepts,are used during the process of translation from ontology to ontology Bayesian network( OBN). Then the method of Multi-strategy is used to create similarity table( ST) for each concept-node in OBN. Finally,the iterative process of mapping reasoning is used to deduce new mappings from STs,repeatedly.     

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...     

基于最优ROC曲线的k-部排序本体算法分析

本体相似度计算和本体映射被广泛应用于查询扩展和图像检索中,已成为信息科学研究的热点内容,其核心为计算本体图中顶点间的相似度.本文从理论的角度分析最优ROC曲线标准下k-部排序本体算法的性质,给出算法模型的单调性、广义误差、可微性等若干统计特征.