基于語義web本體映射模型研究及實現(xiàn).pdf

1、隨著萬維網的發(fā)展,網絡中信息資源越來越多。為了實現(xiàn)互聯(lián)網中信息資源的共享和復用,語義Web被提出并受到了國內外研究機構的廣泛關注,并且被Gartner公司列為2008-1012年10大變革性技術之一。語義Web的目的是標注信息并使計算機能夠理解,使整個萬維網成為一個結構嚴謹的知識庫。
　　 本體作為語義Web核心,用于表達網絡中語義信息。然而因本體建模工具和方法不同、研究者的知識結構層次不同、以及研究領域差異的影響,導致了本體異

2、構性的產生,影響了語義Web的進一步向前發(fā)展,本體映射技術應運而生。本文在簡單介紹了本體映射的現(xiàn)狀和研究意義之后,對本體映射原型系統(tǒng)以及使用技術方法進行對比和分析,借鑒OLA映射系統(tǒng)提出Sniper-OM本體映射框架。Sniper-OM從實體名稱、描述信息等元素級和本體內容數據層次關系的結構級兩方面進行討論和研究。Sniper-OM較之其他系統(tǒng)有如下特點:(1)使用外部詞典WordNet,考慮“PART-OF”對最短路徑影響,考慮多路徑

3、對相似度影響;(2)基于實例計算相似度,提出一種判斷簇內樣本純度的衡量算法;(3)考慮不同邊權重值,利用圖匹配策略生成本體匹配圖計算相似度。
　　 元素級主要考慮概念信息對相似度的影響,提出了基于外部詞典WordNet的OHIIC算法和基于文本向量的CV算法。OHIIC使用了WordNet層次結構信息,尋找最短路徑時在傳統(tǒng)方法對"IS-A"關系利用基礎上,還利用了"PART-OF"關系搜尋兩概念的最短路徑;同時OHIIC還考慮多

4、路徑對相似度影響。解析概念以及與之關聯(lián)概念的所有標注信息,生成文本向量,利用改進的TF/IDF計算相似度。最后取OHIIC和CV計算結果的最大值作為兩實體的相似度值。
　　 結構級主要考慮本體圖結構對相似度的影響,除通常方法利用類、屬性和層次信息之外,還考慮到實例存在屬性結構信息,對概念實例相似度計算方法進行研究,提出一種判斷簇內樣本純度的衡量標準——信息熵純度,通過對聚類形成簇的信息熵純度分析本體擁有實例集合的概念相似度。實驗

5、表明,這種本體映射方法表現(xiàn)出很高的性能。另外考慮本體的關系影響,對不同類型關系引入不同權重生成本體描述矩陣,引入圖理論算法生成本體匹配圖(MGO)。
　　 在前述研究基礎上,本文實現(xiàn)了Sniper-OM原型系統(tǒng),并使用OAEI2008測試集測試該系統(tǒng)性能,從召回率、準確率和F-Measure3方面與其他15個映射系統(tǒng)實驗對比,結果表明Sniper-OM系統(tǒng)排在第四位,強于OLA映射系統(tǒng),表明該系統(tǒng)綜合考慮類、屬性和實例計算方法強

6、于OLA單一的使用編輯距離方法。由于多策略合并方法比較簡單,以及基于結構相似度關系權重值設置需要更多人為參與,該方法次于Lily、ASMOV、RiMOM映射系統(tǒng)。最后對研究工作進行總結和展望。
　　 本文的研究對本體映射技術的發(fā)展有一定的意義。尋找最短路徑考慮"PART-OF"關系,基于實例計算相似度方法,以及利用圖理論計算結構相似度對本體映射有一定的借鑒意義。映射原型的實現(xiàn)對本研究小組今后的進一步研究工作有一定的幫助。