基于语义web本体映射模型研究及实现

摘要

随着万维网的发展,网络中信息资源越来越多。为了实现互联网中信息资源的共享和复用,语义Web被提出并受到了国内外研究机构的广泛关注,并且被Gartner公司列为2008-1012年10大变革性技术之一。语义Web的目的是标注信息并使计算机能够理解,使整个万维网成为一个结构严谨的知识库。
　　 本体作为语义Web核心,用于表达网络中语义信息。然而因本体建模工具和方法不同、研究者的知识结构层次不同、以及研究领域差异的影响,导致了本体异构性的产生,影响了语义Web的进一步向前发展,本体映射技术应运而生。本文在简单介绍了本体映射的现状和研究意义之后,对本体映射原型系统以及使用技术方法进行对比和分析,借鉴OLA映射系统提出Sniper-OM本体映射框架。Sniper-OM从实体名称、描述信息等元素级和本体内容数据层次关系的结构级两方面进行讨论和研究。Sniper-OM较之其他系统有如下特点:(1)使用外部词典WordNet,考虑“PART-OF”对最短路径影响,考虑多路径对相似度影响;(2)基于实例计算相似度,提出一种判断簇内样本纯度的衡量算法;(3)考虑不同边权重值,利用图匹配策略生成本体匹配图计算相似度。
　　 元素级主要考虑概念信息对相似度的影响,提出了基于外部词典WordNet的OHIIC算法和基于文本向量的CV算法。OHIIC使用了WordNet层次结构信息,寻找最短路径时在传统方法对

目录

文摘

英文文摘

第1章 绪论

1.1 课题研究背景

1.2 课题研究目的和意义

1.3 语义网相关研究

1.3.1 语义Web

1.3.2 本体(Ontologyl)

1.4 本文主要内容和特点

1.5 本文的组织结构

第2章 SNIPER-OM映射框架

2.1 本体映射技术介绍

2.2 本体映射方法介绍

2.3 本体映射原型系统对比分析

2.4 SNIPER-OM映射框架

2.4.1 本体描述

2.4.2 本体映射描述

2.4.3 映射模型框架

2.5 小结

第3章 基于概念相似度映射研究

3.1 概念名称相似度计算

3.2 基于外部词典

3.2.1 OHIIC方法特点及规则

3.2.2 OHIIC相关定义

3.2.3 基于最短距离

3.2.4 语义层次信息对相似度影响

3.2.5 语义信息和语法综合计算

3.3 基于文本向量

3.4 综合计算

3.5 实验及分析

3.6 本章小结

第4章 基于本体图结构相似度映射研究

4.1 上下位关系相似度

4.2 属性相似度

4.3 类结构相似度

4.4 实例相似度

4.5 生成匹配图(MGO)

4.6 实验及分析

4.7 小结

第5章 SNIPER-OM系统实现及实验分析

5.1 系统总体框架

5.2 系统功能模块设计

5.2.1 标签图生成

5.2.2 概念相似度模块

5.2.3 图结构相似度模块

5.2.4 相似度合并策略

5.3 实验结果

5.4 小结

结论和展望

参考文献

攻读硕士学位期间所发表的学术论文

致谢