学位论文 > 优秀研究生学位论文题录展示

本体映射关键技术研究

作　者: 杨峰
导　师: 刘磊
学　校: 吉林大学
专　业: 计算机软件与理论
关键词: 本体映射本体压缩块映射变权语义图相似立方体支持向量机
分类号: TP391.1
类　型: 博士论文
年　份: 2011年
下　载: 585次
引　用: 4次
阅　读: 论文下载

内容摘要

随着新兴技术的不断发展,人类已经进入知识社会。如何表示和管理这些不同的知识,并将它们集成到一起是一个亟待解决的问题。本体就是在这样的背景下产生的。创建本体的目的就是要实现跨领域的知识共享、复用和推理。然而,本体之间的异构问题广泛存在于多种应用当中。本体映射是解决这一问题的最佳途径,它使用户以一种透明的方式,在多个本体中实现对知识的访问。它成为构建一个集成的知识网络的必不可少的关键环节,是本体工程、信息融合、Web服务组合和对等模式应用中的重要研究课题,也是一个非常活跃的研究领域。本文着眼于本体映射问题,针对这一问题的不同方面,展开了相关研究工作,并提出了四种不同类型的本体映射算法,以解决多种实际问题。针对大规模本体映射的需求,提出一种基于概念集群的本体压缩算法。方法利用概念在本体中的特殊作用,使用DICE系数法和属性信息熵的综合得到概念间的语义关系,并据此进行概念的集群和压缩过程,将与映射发现无关的概念进行合理约减,压缩参与映射的本体体积,从而提高映射性能；针对本体间n：m映射问题,提出了一种基于聚类的本体块匹配方法。利用Hownet获得匹配元间的语义相似度,根据层次聚类方法的思想,对本体进行分块,不断的进行类簇之间的凝聚过程。当分块结束以后,就可发现每个类簇内实体之间的m：n映射。这一方法使分块和映射同时完成,降低了块映射问题的复杂程度；此外,由于使用Hownet词库中的资源计算语义相似度,因此方法还可以解决汉语本体的映射问题。提出一种混合的本体映射方法,尝试了一种新的映射途径。通过语义距离和字符距离揭示本体元素级的映射关系,并构建语义关系图,将元素级和结构级的映射发现组合起来,完成问题的求解。避免了单一方法不能利用本体全部信息的不足,为映射问题的解决提供框架,使映射结果更为理想。针对本体实体相似度合并中需要大量的人工参与的问题,探索了一个新的相似度合并的思路,提出一种基于支持向量机的本体映射方法。方法使用多种策略获得了实体间的相似度,在相似度结果合并中,提出了相似立方体的概念,通过其上的切块,将映射发现问题转化为分类问题。并使用支持向量机完成了这一任务。从而实现了减少人工干预,提高映射的精度的目的。

全文目录

提要  5-6
摘要  6-9
Abstract  9-17
第1章引言  17-36
  1.1 研究背景  17-18
  1.2 本体映射应用  18-25
    1.2.1 本体工程中的应用  18-19
    1.2.2 其他领域中的应用  19-25
  1.3 本体映射研究综述  25-33
    1.3.1 映射技术和策略  25-29
    1.3.2 映射系统  29-33
  1.4 本文研究的主要工作  33-34
  1.5 论文组织结构  34-36
第2章本体与本体映射  36-50
  2.1 引言  36-37
  2.2 本体  37-45
    2.2.1 本体定义  37-40
    2.2.2 本体的语义描述  40-42
    2.2.3 本体分类  42-43
    2.2.4 本体应用  43-45
  2.3 本体映射  45-50
    2.3.1 本体异构  45-47
    2.3.2 本体映射定义  47-48
    2.3.3 本体映射的一般过程  48-50
第3章基于概念集群的大规模本体压缩方法  50-66
  3.1 引言  50-51
  3.2 相关工作  51-53
    3.2.1 Gass functiong方法解决不平衡本体映射  51
    3.2.2 Axiom-based方法  51-52
    3.2.3 基于数据场的大规模本体映射  52-53
  3.3 基于概念集群的大规模本体压缩方法  53-59
    3.3.1 方法概述  53-54
    3.3.2 本体概念语义关系度量  54-57
    3.3.3 基于概念集群的本体压缩  57-58
    3.3.4 方法实现  58-59
  3.4 实验与评估  59-65
    3.4.1 测试数据集  59-61
    3.4.2 实验评估方法  61-62
    3.4.3 实验方法设计  62
    3.4.4 实验结果与分析  62-65
  3.5 本章小结  65-66
第4章一种基于聚类的本体块匹配方法  66-80
  4.1 引言  66-67
  4.2 相关工作  67-69
    4.2.1 PBM和BMO  67
    4.2.2 PATO方法  67-68
    4.2.3 基于ε-Connection的本体分块方法  68-69
  4.3 基于聚类的本体块匹配方法  69-75
    4.3.1 方法概述  69
    4.3.2 相关定义  69-70
    4.3.3 基于Hownet的语义相似度计算  70-71
    4.3.4 语义聚类分块  71-73
    4.3.5 方法实现  73-75
  4.4 实验与评估  75-79
    4.4.1 测试数据集  75-76
    4.4.2 实验评估方法  76-77
    4.4.3 实验结果与分析  77-79
  4.5 本章小结  79-80
第5章基于变权语义图的本体映射方法  80-100
  5.1 映射方法概述  80-81
  5.2 本体信息结构图生成策略  81-83
  5.3 元素名称匹配策略  83-86
  5.4 本体结构匹配策略  86-88
  5.5 映射发现策略  88-89
  5.6 方法处理过程  89-93
    5.6.1 生成本体信息结构图  90-91
    5.6.2 元素名称匹配  91-92
    5.6.3 生成本体变权语义图  92-93
    5.6.4 相似度的迭代运算  93
    5.6.5 映射发现  93
  5.7 实验与评估  93-98
    5.7.1 测试用数据集  94
    5.7.2 实验评估方法  94-96
    5.7.3 实验结果与讨论  96-98
  5.8 本章小结  98-100
    5.8.1 方法的优点  98-99
    5.8.2 方法的局限性和可能的改进  99-100
第6章基于支持向量机的本体映射方法  100-115
  6.1 引言  100-101
  6.2 基于支持向量机的本体映射策略  101-106
    6.2.1 概念标签相似度计算策略  101-104
    6.2.2 属性相似度计算策略  104-105
    6.2.3 结构相似度计算策略  105-106
    6.2.4 实例相似度计算策略  106
  6.3 基于支持向量机的映射发现策略  106-109
    6.3.1 支持向量机理论  106-107
    6.3.2 基于支持向量机的映射发现策略  107-109
  6.4 映射过程  109-111
  6.5 实验与评估  111-114
    6.5.1 实验用数据集  111
    6.5.2 实验评估标准  111-112
    6.5.3 实验结果与分析  112-114
  6.6 本章小结  114-115
第7章总结与展望  115-118
  7.1 论文工作总结  115-117
  7.2 下一步工作展望  117-118
参考文献  118-126
作者简介及在学期间所取得的科研成果  126-127
致谢  127

本体映射关键技术研究

内容摘要

全文目录

相似论文