亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于本體片段模糊相似度的異構(gòu)本體合并

        2013-11-09 08:06:28錢鵬飛
        上海電機學(xué)院學(xué)報 2013年6期
        關(guān)鍵詞:語義定義概念

        錢鵬飛

        (上海寶信軟件股份有限公司, 上海 201203)

        基于本體片段模糊相似度的異構(gòu)本體合并

        錢鵬飛

        (上海寶信軟件股份有限公司, 上海 201203)

        提出一種基于本體片段模糊相似度的異構(gòu)本體合并方法研究。復(fù)雜的異構(gòu)本體模型可被分割成多個本體片段,且這些片段均具有獨立語義,使本體合并轉(zhuǎn)換成本體片段之間的合并;提出基于概念或關(guān)系的兩種本體片段模糊化相似度計算方法,并進一步討論一種基于本體片段模糊相似度的異構(gòu)本體合并的算法。該算法解決相似度計算過程中出現(xiàn)的模糊特性過早裁決的問題,從而文本信息可與結(jié)構(gòu)信息共同分析以提高本體片段間的合并效果。最后通過應(yīng)用實例和相關(guān)復(fù)雜性分析比較,全面評估該基于本體片段模糊相似度的異構(gòu)本體合并的算法。

        本體合并; 本體片段; 模糊相似度; 本體概念

        在各種本體映射及本體合并方法中[1-5],往往通過本體概念或本體關(guān)系間的語義相似度來進行本體模型的匹配;而具有若干個概念和關(guān)系組成的本體片段一般比單個本體概念包含了更復(fù)雜的語義特征信息。能否通過本體片段間的語義特征匹配來完成本體間的匹配和合并,本文提出了基于本體片段的異構(gòu)本體合并研究。按照文獻[6]中所涉及的本體定義元模型(Ontology Definition Meta-Model, ODM)及對應(yīng)的對象約束語言(Object Constraint Language, OCL)的擴展將異構(gòu)本體模型分割成多個本體片段,即片段內(nèi)本體元素高度相關(guān),從而本體之間的合并就轉(zhuǎn)換成本體片段間的合并;然后,通過本體片段間的相似度計算,在目標(biāo)本體模型的多個已分割片段中,定位與待合并本體片段最匹配的片段,而后進行2個本體片段間細節(jié)層面的合并,以完成本體合并。考慮到本體片段語義緊密程度較高,本體片段間的細節(jié)層面合并就相對容易,如何通過本體片段間相似度的計算以完成相似本體片段間的定位,成為本文討論的重點。

        本體片段包含多個本體概念和關(guān)系,具有更復(fù)雜的語義特征信息,因此可基于不同本體片段特征分別計算相似度,然后按照一定的權(quán)重將這些相似度復(fù)合。本文采用模糊化的相似度計算方法[7]解決了本體概念相似度計算過程中存在的特征信息系統(tǒng)偏好、過早裁決模糊特征等現(xiàn)象。與本體概念間的匹配相類似,本體片段間相似度的計算和表示仍采用模糊化相似度的表示方法,可針對本體片段的不同語義特征信息進行多種類型的模糊相似度計算和表示。

        本文研究成果已應(yīng)用于上海寶信軟件股份有限公司職能產(chǎn)品人力資源模塊的整體框架設(shè)計中。通過組織機構(gòu)本體片段的半自動化合并,較好地支撐了大型集團型企業(yè)中頻繁出現(xiàn)的組織機構(gòu)的劃轉(zhuǎn)、合并、映射及匹配等問題。

        1 本體片段模糊相似度計算

        本體片段中的特征信息主要包括: ① 本體實例及本體概念;② 本體模型內(nèi)概念間關(guān)系,如概念間繼承、概念間包含屬性、概念間參數(shù)依賴等?;谶@兩種本體片段特征信息,提出了基于概念的本體片段模糊相似度計算、基于關(guān)系的本體片段模糊相似度計算,并在此基礎(chǔ)上研究了一種基于本體片段模糊相似度的異構(gòu)本體合并的算法。

        1.1面向本體概念及實例的片段模糊相似度計算

        面向本體片段的語義概念及實例特征信息,本文提出了基于復(fù)合概念的片段模糊相似度算法。復(fù)合概念即將本體片段看作虛擬的單個本體概念,所涉及實例均為該復(fù)合概念的實例,從而通過本體片段間復(fù)合概念的模糊相似度計算,即得到面向復(fù)合概念的本體片段間模糊相似度。在復(fù)合概念構(gòu)造過程中,并非本體片段中所有實例和概念均具有相等地位,其原因是概念上、下文語義關(guān)系、概念實例的數(shù)量及重要性都相差較大,需要從待選的概念和實例中,選取具有較強上、下文語義代表性的實例及概念,構(gòu)造復(fù)合概念。本文結(jié)合片段,OM1=(c1,c2,…,cm)(i=1,2,…,m),其中,ci為任一概念,m為概念個數(shù),完成了復(fù)合概念的構(gòu)建。

        步驟1以與對應(yīng)本體片段語義關(guān)聯(lián)程度為依據(jù),確定本體片段中參與復(fù)合概念構(gòu)造各本體概念的權(quán)重。若某個概念與該本體片段語義相關(guān)度非常高,則給予“十分重要”評級;若某個概念屬很不重要概念,則給予“十分不重要”評級。因此,對于片段OM1獲得模糊評級權(quán)重W1=(w1,w2,…,wm)(i=1,2,…,m),w∈(十分不重要,較不重要,普通,較重要,十分重要),對應(yīng)的三角模糊權(quán)重TW1=(tw1,tw2…,twm)(i=1,2,…,m),tw=(l,k,r)為三角模糊數(shù),其中,l、k、r分別為三角模糊數(shù)tw的左邊界、中值與右邊界,且0≤l≤k≤r≤1。

        步驟3若要從待計算片段中選取N個分別隸屬于概念(c1,c2,…,cm)的實例,且同一概念中多個實例的選取采用隨機的方法,從而每個概念中選擇的實例數(shù)量可表示為(rw1·N,rw2·N,…,rwm·N)。針對m個概念的名稱信息,有復(fù)合概念的名稱向量Nv=(n1,n2,…,nm),而實例向量Instυ=(Ins1,Ins2,…,Insm),其中,第i個概念的實例向量Insi=(e1,e2,…,erwi·N),1≤i≤m,e為概念ci的實例。目前,復(fù)合概念間的相似度計算僅考慮名稱和實例?;贗nstv特征的模糊相似度和基于Nv特征的模糊相似度,分別可以根據(jù)實例向量、名稱向量得到,均服從區(qū)間型模糊分布[8]。分別按照Nv和Instv進行區(qū)間型的模糊相似度計算,然后歸一化為三角模糊相似度,再按照預(yù)先設(shè)置的權(quán)重WN和WInst進行加權(quán)復(fù)合,即可得到采用三角模糊相似度表示的基于復(fù)合概念的本體片段間模糊相似度。其過程如圖1所示。

        圖1 復(fù)合概念本體片段模糊相似度Fig.1 Composite concept ontology slice fuzzy similarity

        1.2面向本體關(guān)系的片段模糊相似度計算

        假定本體形式化公式O=(C,A,T,D,X),其中,C、A、T、D、X分別表示概念、屬性、分類關(guān)系、依賴關(guān)系和公理規(guī)則5個本體元素;而片段中概念間的關(guān)系類型包括:概念間繼承(T)、概念間對象包含屬性(OA)、概念間參數(shù)依賴(D)等。面向本體關(guān)系的片段相似度計算可依據(jù)本體片段間相類似的本體概念間關(guān)系的數(shù)量進行計算。

        判斷2個概念關(guān)系是否相類似的順序如下: ① 判斷2個概念關(guān)系類型是否相同;② 檢查2個概念關(guān)系的對應(yīng)概念是否相類似。本文結(jié)合本體片段OM1=(c11,c12,…,c1m,r11,r12,…,r1p),i∈(1,2,…,m),k∈(1,2,…,p)(設(shè)OM1擁有m個概念,p個關(guān)系)和OM2=(c21,c22,…,c2n,r21,r22,…,r2q),j∈(1,2,…,n),d∈(1,2,…,q)(設(shè)OM2擁有n個概念、q個關(guān)系),來說明本體片段間面向概念關(guān)系的模糊相似度計算步驟。

        步驟1相似概念對的識別尋找,其不同于相似度計算。前者按照相關(guān)標(biāo)準(zhǔn)(如相似度非模糊化值超過某個閾值),識別出本體片段間的相似概念對;而相似度計算還需在前者基礎(chǔ)上計算出概念對的具體相似度。相似概念對的識別過程如下(假定m≤n):

        Void SearchingSimConPair(OM1,OM2, SimConPair[][2])

        {SimConPair[][2];

        ∥本體片段OM1和OM2之間的相似概念對;

        For(i=1;ilt;=m;i++)

        ∥片段OM1中有m個概念,i∈(1,2,…,m);

        {S[n];

        For(j=1;jlt;=n;j++)

        ∥片段OM2中有n個概念,j∈(1,2,…,n);

        S[j]=Sim(c1i?c2i);

        ∥次一級的概念對相似度計算,僅僅考慮實例和名稱信息;

        if(max(S[n])gt;Δ)

        ∥找到了相似概念對,即某個相似度值超過了閾值Δ;

        {SimConPair[i][1]=OM1·c1i;

        ∥取相似度最大的概念對,為本次匹配找到的概念對;

        SimConPair[i][2]=S[j]=max(S[n])|OM1·c2j);

        ∥c1j,c2j為S[n]中的n個相似度中取得最大值的對應(yīng)概念

        }else{

        SimConPair[i][1]=SimConPair[i][2]=NULL; ∥當(dāng)前概念無相似概念對;

        } ∥End of else

        } ∥循環(huán)結(jié)束

        }∥SearchingSimConPair ∥算法結(jié)束

        然后需要找出片段OM1、OM2間概念對相似度的數(shù)值(非模糊化值)超過閾值Δ的本體概念對。

        步驟2若要判定兩關(guān)系是否相似,先要獲得相似概念對,然后結(jié)合關(guān)系類型綜合判斷。本文結(jié)合關(guān)系類型及本體片段間的相似概念對,計算兩個本體片段間相似關(guān)系的個數(shù),計算過程如下(設(shè)p≤q):

        Void SearchingSimRelationPair(OM1,OM2, SimConPair[][2],SimRelPair)

        {SimRelPair;

        ∥本體片段OM1和OM2之間的相似關(guān)系對;

        For(k=1;klt;=p;k++)

        ∥片段OM1中有p個關(guān)系;k∈(1,2,…,p)

        {For(d=1;dlt;=q;d++)

        ∥片段OM2中有q個關(guān)系;d∈(1,2,…,q)

        {if(OM1·r1k·type=OM2·r2d·type)

        ∥兩個關(guān)系類型相同;

        if((SimConPair.IS_Find(OM1·r1k·c1,OM2·r2d·c1)==True and SimConPair.IS_Find(OM1·r1k·c2,OM2)·r2d·c2)==True) or

        (SimConPair.IS_Find(OM1·r1k·c1,OM2·r2d·c2)==True and SimConPair.IS_Find(OM1·r1k·c2,OM2·r2d·c1)==True)

        )

        {

        ∥兩個關(guān)系相關(guān)概念互相匹配;

        SimRelPair.Push(OM1·r1k,OM2·r2d);

        break;

        ∥確定相似的關(guān)系對;

        ∥本算法認(rèn)為,在尋找相似關(guān)系對的過程中,每個關(guān)系只能使用一次;

        }∥end of if

        } }∥end of for

        }∥End of SearchingSimRelationPair ()

        計算中,隸屬于不同本體片段的兩個關(guān)系相似的判斷條件包括: ① 類型相同;② 關(guān)系對應(yīng)兩概念也能互相相似。該計算主要是尋找出片段OM1和OM2間類似關(guān)系對,算法完成后,相似關(guān)系對保存入隊列SimRelPair中。

        步驟3根據(jù)本體片段OM1和OM2間類似關(guān)系對數(shù)量g,運用結(jié)構(gòu)型模糊相似度表示方法來表示片段間面向本體關(guān)系的模糊相似度。如Simrelation=g=SimRelPair.count,其中g(shù)為正整數(shù),且0≤g≤min(p,q)。采用模糊化的相似度計算方法中的相關(guān)公式,可將面向關(guān)系的本體片段間模糊相似度歸一化為三角模糊數(shù)表示。

        2 面向本體片段間模糊相似度的本體合并算法

        面向本體片段間模糊相似度的異構(gòu)本體合并[9-11],將需要合并的某個本體模型中所有片段作為目標(biāo)片段,另一本體的所有片段作為并入片段(一般較復(fù)雜本體模型作為目標(biāo)本體,另一本體作為并入本體),然后本體合并過程就演化為并入本片片段與目標(biāo)片段間持續(xù)進行相似度求解,并進行本體片段創(chuàng)建、添加以及合并的過程。

        本文提出一種面向本體片段間模糊相似度的異構(gòu)本體合并算法,包括本體片段間在概念及關(guān)系的細節(jié)層面上合并的計算方法。

        2.1本體合并計算方法

        本體模型可由五元組(C、A、T、D、X)來表示,本體為這些元素組成的集合,本體片段為該集合中部分具有緊密語義的元素構(gòu)成的子集,本文將其命名為本體模型中的元素集合(Ontology Element Set, OESet)。一系列具有相同特性的OESet,可構(gòu)成OESetGroup, OESetGroup中的OESet 均必須滿足OESetGroup所對應(yīng)的集合定義規(guī)則(GroupDefinitionRule)[12]。對于本體模型內(nèi)部片段的結(jié)構(gòu)特征,本體定義元模型[13]可對其進行約束描述。

        本文通過本體O1=(OESet11,OESet12,…,OESet1m),i∈(1,2,…,m)與O2=(OESet21,OESet22,…,OESet2n)j∈(1,2,…,n)之間的合并,介紹該本體合并算法。

        假定n≥m,以較復(fù)雜本體O1中的m個本體片段作為目標(biāo)片段,而本體O2中的n個片段作為并入片段,合并后生成本體O3。合并步驟如圖2所示。

        圖2 本體合并核心算法流程圖Fig.2 Core algorithmic flow of the ontology merging

        步驟1構(gòu)建不包括本體片段的空本體模型O3。

        步驟2若O2=NULL,轉(zhuǎn)步驟5;否則,繼續(xù)步驟3。

        步驟3從O2中任意選取某個片段OESet2j,將該片段OESet2j,與本體O1中的所有可能與之匹配的片段(OESet11,OESet12,…,OESet1n),i∈(1,2,…,m)分別進行本體片段模糊相似度的計算。若存在模糊相似度大于預(yù)定閾值Δ,說明本體O2中有片段與O1片段匹配,則定位本體片段對{OESet1k|Max(Sim(OESet1i,OESet2j)),OESet2j},j=1,2,…,n,其中OESet1k為在本體O1所有片段中,與OESet2j相似度取得最大值的本體片段,即OESet2j與本體O1中第k個本體片段取得最大相似度。包括并入片段OESet2j和目標(biāo)片段OESet1k,繼續(xù)步驟4;否則,將OESet2j添加到O3,返回步驟2。

        步驟4根據(jù)已定位的本體片段對{OESet1k,OESet2j},計算本體片段間所有本體概念對的相似度,獲得映射概念對(Con_Pair)={…,c1p∶c2p,…}。從OESet2i中刪除出現(xiàn)在(Con_Pair)中并屬于的O2的概念。再對OESet2j進行基本規(guī)則校驗(主要考查本體片段中被剔除概念占比),若通過校驗,證明OESet1i與OESet2j語義關(guān)聯(lián)性不大,則拋棄對OESet2j的修改,回復(fù)到未修改狀態(tài),并同時在系統(tǒng)中標(biāo)記該兩個片段無法發(fā)生合并,返回步驟2;若未通過校驗,則片段對{OESet1k,OESet2j}進行細節(jié)上的合并即執(zhí)行本體片段合并算法,包括概念和結(jié)構(gòu)關(guān)系的合并。合并后得到的新片段OESet3i添加到O3,并從O1中去掉OESet1k,O2中去掉OESet2j,返回步驟2。

        步驟5將O1中余下本體片段添加到O3中,結(jié)束本體合并的過程,得到合并結(jié)果本體O3。

        2.2本體片段合并計算方法

        本文算法主要考慮本體片段間在概念和關(guān)系等細節(jié)層面上的合并。

        2.2.1 基于概念細節(jié)的本體片段合并 僅需將并入片段中剩余概念直接合并到目標(biāo)片段[14-15],其原因是已將并入片段中與目標(biāo)片段中概念相類似的概念剔除。

        2.2.2 基于“關(guān)系”細節(jié)的合并 本體片段中的關(guān)系可分為概念間繼承關(guān)系、概念間包含屬性關(guān)系、概念間參數(shù)依賴關(guān)系等。雖然概念間不同種類關(guān)系可并存,如本體片段中,2個概念間同時存在參數(shù)依賴關(guān)系,包含屬性關(guān)系,但系統(tǒng)在沖突檢測中僅考慮相同類型關(guān)系間的沖突,不同類型的關(guān)系則認(rèn)為是不同種類的關(guān)系。如,若某并入片段中對應(yīng)的關(guān)系類型為包含屬性關(guān)系Own,而在目標(biāo)本體片段中兩概念間關(guān)系為繼承Inherit關(guān)系,就會發(fā)生沖突。沖突產(chǎn)生后,可進行人工指定,也可采用某些策略自動解決該沖突。

        針對并入片段的某關(guān)系對應(yīng)的2個概念均能在目標(biāo)片段中找到與之匹配的概念,且這2個概念不相鄰,則直接加入該關(guān)系(或僅有一個能在目標(biāo)片段中找到匹配概念,也直接加入該關(guān)系);若在目標(biāo)片段中不能找到任何一個概念與該2個概念相似,則丟棄該關(guān)系;若在目標(biāo)片段中確定找到2個相鄰概念與這2個概念相類似,且2個關(guān)系類型相同,則2個關(guān)系合并為一個關(guān)系。

        3 應(yīng)用實例與分析

        3.1本體定義元模型及組定義規(guī)則

        多個本體模型將會具有某些公共特征,本體定義元模型即是對這些公共特征的統(tǒng)一抽象描述。本體定義元模型中的所有元素可被分為兩類: 本體相關(guān)元素和定義規(guī)則相關(guān)元素。通過相應(yīng)的定義規(guī)則相關(guān)元素(如組定義規(guī)則、本體設(shè)計模式等),即可對該元模型所描述的各類本體模型進行基于結(jié)構(gòu)及約束關(guān)系的形式化校驗和表示,從而使得異構(gòu)本體模型按照語義分割成為可能。本體定義元模型的初步UML靜態(tài)類如圖3所示。

        圖3 本體定義元模型Fig.3 Ontology definition meta-model

        圖3中,組定義規(guī)則(GroupDefinitionRule)是用來定義這些公共特征的約束規(guī)則。如基于OCL的簡單組定義規(guī)則定義特定的OESetGroup,該簡單規(guī)則如下:

        GroupDefinitionRuleA:

        Context Group1OESet

        inv: elements→forAll(e|e.size()=2 and e.element.type=Entity)

        該組定義規(guī)則表明Group1中的每個OESet有且僅有2個元素,元素類型為Entity。

        將這些規(guī)則應(yīng)用到本體模型中,即可半自動化地識別出相應(yīng)的本體片段(先應(yīng)用組定義規(guī)則,后人工調(diào)整)。另外,在面向?qū)ο蟮能浖_發(fā)領(lǐng)域中,領(lǐng)域模型中一些公共的經(jīng)常使用的模塊被定義為設(shè)計模式。同理,在本體模型中經(jīng)常使用的特殊模塊結(jié)構(gòu)也可被定義為本體設(shè)計模式。因此,本體設(shè)計模式(OntologicalDesignPattern)就成為本體定義元模型中的組定義規(guī)則重要相關(guān)元素。本體設(shè)計模式可以被分類為全局模式和局部模式,相關(guān)詳細細節(jié)請參見文獻[16]。

        3.2實例與分析

        出于業(yè)務(wù)需要,本體模型A和B(見圖4)需進行合并,以完成本體A和本體B所對應(yīng)不同組織機構(gòu)的劃轉(zhuǎn)和合并。

        圖4 本體模型A和本體模型BFig.4 Ontology models A and B

        針對圖4中的本體模型A和B,應(yīng)用組定義規(guī)則GroupDefinitionRule1和GroupDefinitionRule 2。

        (1) GroupDefinitionRule1。判斷某OESet是否服從“Inheritance”模式。

        context ODP::Inheritance():Boolean

        post: result=self.RelationSet.elements→forAll(p|Relation::ObjectAttribute(p)==FALSE)and self.RelationSet.elements.exist(p|Relation::ChildTaxonomy(p)==TRUE or Relation::ParentTaxonomy(p)==TRUE)

        (2) GroupDefinitionRule2。判斷某OESet是否服從“Composite”模式。

        context ODP::Composite():Boolean

        post: result=self.RelationSet.elements -gt;forAll(p|Relation::ChildTaxonomy(p)==FALSE and Relation::ParentTaxonomy(p)==FALSE)and self.RelationSet.elements.exist(p|Relation:: ObjectAttribute(p)==TRUE)

        根據(jù)本體概念和關(guān)系的上下文相關(guān)語義,本體模型A可被劃分為3個OESet。其中,C、A、T、D、X分別表示本體的5個元素,即概念、屬性、分類關(guān)系、依賴、公理規(guī)則。

        A: OESet1={C(員工),C(技術(shù)型員工),C(管理型員工),T(員工_技術(shù)型員工),T(員工_管理型員工),D(技術(shù)型員工_管理型員工)}(近似服從GroupDefinitionRule1)。

        A: OESet2={C(事業(yè)部),C(公司),A(公司_事業(yè)部),A(事業(yè)部_領(lǐng)導(dǎo)),A(事業(yè)部_員工)}(服從GroupDefinitionRule2)。

        A: OESet3={C(領(lǐng)導(dǎo)),C(行政型領(lǐng)導(dǎo)),C(技術(shù)型領(lǐng)導(dǎo)),C(生產(chǎn)型領(lǐng)導(dǎo)),T(領(lǐng)導(dǎo)_行政型領(lǐng)導(dǎo)),T(領(lǐng)導(dǎo)_技術(shù)型領(lǐng)導(dǎo)),T(領(lǐng)導(dǎo)_生產(chǎn)型領(lǐng)導(dǎo))}(服從GroupDefinitionRule1)。

        相對應(yīng)地本體模型B也被劃分為3個OESet。

        B: OESet1={C(職員),C(技術(shù)型職員),C(職能型職員),C(研究型職員),C(操作型職員),T(職員_技術(shù)型職員),T(職員_職能型職員),T(職員_研究型職員),T(職員_操作型職員)}(服從GroupDefinitionRule1)。

        B: OESet2={C(部門),C(公司),A(公司_部門),A(部門_職員)}(服從GroupDefinitionRule2)。

        B: OESet3={C(集團公司),C(制造型集團公司),C(金融型集團公司),C(服務(wù)型集團公司),C(貿(mào)易型集團公司),T(集團公司_制造型集團公司),T(集團公司_金融型集團公司),T(集團公司_服務(wù)型集團公司),T(集團公司_貿(mào)易型集團公司),A(集團公司_公司)}(近似服從GroupDefinitionRule1)。

        將本體模型A中的3個OESet作為合并目標(biāo)片段,本體模型B中的3個OESet作為并入片段。通過(B: OESet1)與目標(biāo)片段中的3個片段間的模糊相似度求解,得出(B: OESet1)與(A: OESet1,A: OESet2,A: OESet3)3個片段的相似度分別是{(0.42,0.51,0.55),(0.01,0.02,0.04),(0.08,0.12,0.18)}。系統(tǒng)確定相似片段對{A: OESet1,B: OESet1},進行概念對相似度計算,同時從(B:OESet1)中剔除與(A: OESet1)相似的概念后,經(jīng)過規(guī)則校驗發(fā)現(xiàn)(B: OESet1)已不是完整的片段,故對{A: OESet1,B: OESet1}進行細節(jié)層面上的合并。得到如圖5的合并片段,圖中斜體部分即為兩片段間的相似匹配概念對。

        圖5 A: OESet1與B: OESet1合并后的新片段Fig.5 Merging module of A: OESet1 and B: OESet1

        同時,分別對(B: OESet2)與(B: OESet3)進行類似操作,獲得新合并片段。其中(B: OESet3)與(A: OESet3)雖具有一定類似性,但由于兩者之間沒有類似概念,則它們就不需要進行細節(jié)層面上的合并,因此,這兩個本體片段均被直接添加到新本體模型中,形成擁有4個片段的合并后本體模型,如圖6所示。

        圖6 本體模型A和B合并后的新本體模型Fig.6 Merged ontology model of ontology models A and B

        上述應(yīng)用實例的相似度計算結(jié)果如表1所示,其中黑斜體的三角模糊相似度說明兩本體片段已定位為相似的本體片段對,而兩片段間能否進行細節(jié)層面上合并,仍然需要進一步計算。

        表1 本體片段模糊相似度計算結(jié)果

        3.3時間復(fù)雜度分析

        考慮到本體模型按照語義相關(guān)性存在多種分割方法,不同的分割方法將產(chǎn)生不同的本體合并算法效率,故本節(jié)針對本體合并方法中的算法時間復(fù)雜度進行進一步分析。為了簡化問題,在時間復(fù)雜度分析中將本體概念和概念之間關(guān)系兩種元素同等對待。假設(shè):

        (1) 本體模型A,擁有U個本體概念或關(guān)系,且本體模型A可被分割為K個本體片段,每個本體片段平均擁有P個概念或關(guān)系,且U=KP;

        (2) 本體模型B,擁有V個本體概念或關(guān)系,且本體模型B可被分割為H個本體片段,每個本體片段平均擁有Q個概念或關(guān)系,且V=HQ。

        先考慮一般情況下該本體方法的算法時間復(fù)雜度。該方法可分為3個步驟。

        (1) 本體分割。采用相關(guān)組定義規(guī)則進行本體分割,其相應(yīng)的算法時間復(fù)雜度與本體中的元素(概念或關(guān)系)個數(shù)相關(guān),本體模型A和B分割的算法時間復(fù)雜度,可表示為X(U)和X(V)。

        (2) 本體片段相似度計算及兩兩定位。由于本體模型A擁有K個本體片段,本體模型B擁有H個本體片段,故進行兩者兩兩匹配的相似度計算的時間復(fù)雜度為X(KH)。

        (3) 本體片段內(nèi)部合并。由于本體模型A的本體片段平均擁有P個概念或關(guān)系,本體模型B平均擁有Q個概念或關(guān)系,故單個本體片段對通過兩兩相似匹配進行合并的時間復(fù)雜度為X(PQ)。

        綜合(1)~(3),該算法的時間復(fù)雜度為

        X(t)=X(U)+X(V)+X(KH)+X(PQ)

        本文考慮3種特殊情況。

        (1) 本體模型被分割成一個模型(即未被分割),K=1,P=U;H=1,Q=V,此種情況下,本體模型A和B之間的概念和關(guān)系分別進行兩兩匹配,其算法時間復(fù)雜度為

        X(t1)=X(U)+X(V)+X(KH)+X(PQ)=

        X(U)+X(V)+X(1)+X(UV)≈

        X(UV)

        (2) 本體模型被完全細分成單個概念或關(guān)系(即被完全分割),K=U,P=1;H=V,Q=1。此情況下,本體模型A的M個片段與和本體模型B的V個片段分別進行兩兩匹配,其算法時間復(fù)雜度為

        X(t2)=X(U)+X(V)+X(KH)+X(PQ)=

        X(U)+X(V)+X(UV)+X(1)≈

        X(UV)

        (3) 特殊情況,即

        K=P=U/2,H=Q=V/2

        此時,時間復(fù)雜度為

        X(ts)=X(U)+X(V)+X(KH)+X(PQ)=

        X(U)+X(V)+X(UV)/2≈X(UV)/2

        故得到

        X(ts)≈X(t1)/2=X(t2)/2

        根據(jù)上述分析不難得出,當(dāng)K≈U/2,且H≈V/2 時,采用該方法進行本體合并能比采用傳統(tǒng)方法降低近50%的算法時間復(fù)雜度,但由于K與H的取值一般與本體的上、下文語義相關(guān),故在本體分割過程中需盡可能的將K與H的取值設(shè)置為U/2和V/2。

        4 結(jié) 語

        本文提出一種基于本體片段模糊相似度的異構(gòu)本體合并方法,將先按照相關(guān)規(guī)則分割成多個本體片段,這些片段均具有獨立語義(即片段內(nèi)本體元素高度相關(guān)),從而本體之間合并就轉(zhuǎn)換成本體片段間的合并;然后,通過本體片段間的相似度計算,在目標(biāo)本體模型的多個已分割片段中,定位與待合并本體片段最匹配的片段,再進行兩個本體片段間細節(jié)層面的合并,以完成本體合并。

        本文提出了基于概念或關(guān)系的兩種本體片段模糊化相似度計算方法,并在此基礎(chǔ)上進一步討論一種基于本體片段模糊相似度的異構(gòu)本體合并的算法,該算法解決傳統(tǒng)本體概念相似度計算過程中出現(xiàn)的模糊推理特性過早判斷的問題,因此結(jié)構(gòu)信息可與文本信息協(xié)同并行分析以提高片段間的合并效果。

        [1] Kotis K,Vouros G A,Stergiou K.Towards automatic merging of domain ontologies: The HCONE-merge approach[J].Journal of Web Semantics,2006,4: 60-79.

        [2] Taylor J M,Poliakov D,Mazlack L J.Domain-specific ontology merging for the sem antic web[C]∥2005 Annual Meeting of the North American Fuzzy Information Processing Society.Michigan: IEEE,2005: 418-423.

        [3] Richardson B,Mazlack L J.Approximate ontology merging for the semantic web[C]∥Fuzzy Information.Baff Canana:IEEE,2004,2: 641-646.

        [4] Qian Pengfei,Wang Yinglin,Zhang Shensheng.Combining instance selection amp; rough set theory in ontology mapping[J].High Technology Letters,2008,14(3): 258-265.

        [5] 劉溪涓.數(shù)字化產(chǎn)品設(shè)計中多形態(tài)知識集成[J].上海電機學(xué)院學(xué)報,2010,13(3) : 130-135.

        [6] Qian Pengfei,Wang Yinglin,Zhang Shensheng.Ontology mapping approach based on set amp; relation theory and OCL[J].Journal of Harbin Institute of Technology: New Series,2009,16(4): 498-504.

        [7] Qian Pengfei,Wang Yinglin,Zhang Shensheng.Configurable ontology mapping based on multi-feature[J].Journal of Harbin Institute of Technology: New Series,2009,16 (6):781-788.

        [8] Zobel C W,Rees L P,Rakes T R.Automated merging of conflicting knowledge bases,using a consistent,majority-rule approach with knowledge-form maintenance[J].Computers amp; Operations Research,2005,32(7): 1809-1829.

        [9] Kim J M,Shin H,Kim H J.Schema and constraints-based matching and merging of topic maps[J].Information Processing amp; Management,2007,43: 930-945.

        [10] Lee C S,Kao Y F,Kuo Y H.Automated ontology construction for unstructured text documents[J].Data amp; Knowledge Engineering,2007,60(3): 547-566.

        [11] Lambrix P,Tan H.SAMBO-A system for aligning and merging biomedical ontologies[J].Web Semantics: Science,Services and Agents on the World Wide Web,2006,4(3): 196-206.

        [12] Qian Pengfei,Zhang Shensheng.Ontology mapping approach based on OCL[C]∥Fronties of WWW Research and Development-APWeb,2006.Berlin:[s.n.],2006: 1022-1033.

        [13] Qian Pengfei,Wang Yinglin,Zhang Shensheng.Combining ODM and OCL in ontology verification[J].Journal of Harbin Institute of Technology: New Series,2009,16(5): 723-729.

        [14] Paul E,Nicolaas J.Bottom-up construction of ontologies[J].IEEE Transactions on Knowledge and Data Engineering,1998,10(4): 513-526.

        [15] Wang Yinglin .Method of automatic ontology mapping through machine learning and logic mining [J].High Technology Letters,2004,10(4): 29-34.

        [16] Qian Pengfei,Wang Yinglin,Zhang Shensheng.Ontology matching approach based on triangle fuzzy expression[C]∥Challenges in Information Technology Management.Singapore: World Scientific,2008: 17-30.

        Heterogeneous Ontology Merging Based on Ontology Slice Fuzzy Similarity

        QIANPengfei

        (Shanghai Baosight Software Co., Ltd., Shanghai 201203, China)

        This paper presents a novel heterogeneous ontology merging approach based on the fuzzy similarity between ontology slices.The ontology model to be merged is divided into many slices having independent semantic meaning, and the merging between ontology models can be transferred to the merging between ontology slices.Two kinds of fuzzy similarity algorithms between ontology slices are proposed based on the concept and relation of ontology, and a heterogeneous ontology merging approach based on fuzzy similarity between ontology slices is discussed.It restrains possibility of making decision to fuzzy characteristic too early in the process of similarity calculation.The structural information can be synchronously analyzed and computed together with text information to improve the effect of merging between ontology slices.The proposed approach is evaluated by an ontology merging application example and related analyses and comparisons.

        ontology merging; ontology slice; fuzzy similarity; ontology concept

        2095-0020(2013)06 -0365-10

        TP 18

        A

        2003-06-27

        錢鵬飛(1978-),男,高級工程師,博士,主要研究方向為本體技術(shù)及知識管理,

        E-mail: qianpengfei@baosight.com

        猜你喜歡
        語義定義概念
        Birdie Cup Coffee豐盛里概念店
        語言與語義
        幾樣概念店
        學(xué)習(xí)集合概念『四步走』
        聚焦集合的概念及應(yīng)用
        “上”與“下”語義的不對稱性及其認(rèn)知闡釋
        成功的定義
        山東青年(2016年1期)2016-02-28 14:25:25
        認(rèn)知范疇模糊與語義模糊
        修辭學(xué)的重大定義
        山的定義
        亚洲综合精品伊人久久| 区一区二区三区四视频在线观看| 亚洲夫妻性生活免费视频| 老少配老妇老熟女中文普通话| 欧美一级三级在线观看| 日韩女优一区二区视频| 日本在线观看不卡一区二区| 久久久亚洲精品一区二区三区| 巨熟乳波霸若妻在线播放| 久久久久久人妻一区二区无码Av| 91成人国产九色在线观看| 国产七十六+老熟妇| 初尝黑人嗷嗷叫中文字幕| 欧美h久免费女| 日本美女在线一区二区| 亚洲热线99精品视频| 高清在线亚洲中文精品视频| 一区二区三区国产偷拍 | 日本丰满熟妇hd| 亚洲日韩AV秘 无码一区二区| 国产精品午夜福利亚洲综合网| 强开小婷嫩苞又嫩又紧视频韩国| 亚洲av无码一区二区三区四区| 亚洲天天综合色制服丝袜在线| 午夜精品男人天堂av| 少妇扒开毛茸茸的b自慰| 四虎永久免费一级毛片| 国产av熟女一区二区三区老牛| 午夜福利理论片在线观看播放 | 亚洲日韩精品欧美一区二区一| 99久久精品久久久| 亚洲最新精品一区二区| 亚洲色大成网站www久久九九| 亚洲国产精品久久久久秋霞1| 亚洲中文高清乱码av中文| 精品人妻一区二区三区四区在线| 国产乱理伦片在线观看| 久久精品国产亚洲av热明星 | 亚洲av网一区二区三区| 日本VA欧美VA精品发布| 一区二区三区观看在线视频|