针对相似度计算的本体映射的优化.pdf 54页

摘 要 论文题目：基于相似度计算的本体映射的优化 专 业：计算机应用技术 研 究 生：谷志锋 指导教师：刘勇 郭跟成 摘 要 随着本体在各个领域的广泛应用，不同本体之间的共享逐渐成为本体研究的 一个重点，当前影响本体共享的一个瓶颈问题是本体异构，例如语义异构、结构 异构等，而在众多解决异构本体共享的方法中，在本体间进行映射是最有效的方 法。本体映射的方法当前有很多，例如 Schema 映射、基于上层本体的映射方法 等，而基于相似度计算的本体映射由于相似度计算的易操作性，使得这种方法成 为当前最有前途的研究方法，然而当前这种方法还存在相似度计算量大、概念相 似度计算的片面性和计算方法的不完善等不足之处，本文研究的重点就是改善这 两个不足之处，从而提高映射的质量和效率。针对相似度计算存在计算量大的问 题，文中分别采用相应的过滤策略，例如利用候选映射策略来解决待映射概念过 多的问题，利用信息增益策略来解决待计算属性过多的问题，从而滤掉那些没有 计算意义的概念和属性，在不影响映射效果的前提下最大限度的减少相似度计算 的工作量。针对概念相似度计算中存在的片面性问题，本文将充分利用本体中概 念的各种信息，首先综合概念的名称相似度和实例相似度得到概念的初始相似 度，然后利用初始相似度以及相应的计算策略，计算并优化概念的属性相似度、 结构相似度、关系相似度。最后运用合理的计算结果合并策略对计算结果进行合 并，得到一个更为全面、完善的计算结果。并在各个运算过程中合理运用相似度 计算的启发规则，使得计算结果更加完善。最后本文设计相关实验进行验证，实 验表明本文方法在不影响映射质量的前提下，有效的提高了映射的效率，具有一 定的先进性。 关 键 词：本体；本体映射；概念相似度 论文类型：基础研究 I 摘要 Subject: The improvement of Ontology mapping based on the computation of similarity Specialty: Computer Applivations Technology Name: Gu Zhi-Feng Supervisor: Liu Yong Guo Gen-Cheng ABSTRACT Along with the application of ontologys in many domains, the integration of different ontologys became an important problem of the research of Ontologys. Now the heterogeneous ontologys ’ integration was the most difficult problem in Ontology’ research. The ontologys ’ heterogeneity included semantic heterogeneity 、structure heterogeneity etc. Ontology mapping was the best method to solve the integration of the heterogeneous ontologys. There are many methods to solve the ontology mapping, such as Schema mapping、the mapping based on super Ontology etc. The mapping method based the computation of similarity became the popularest method for the manageable of the computation of similarity. But there were some shortages in this method, such as the vast runtime and computational unilateralism of the computation of similarity in Ontology mapping. This paper was to meliorate the shortage, then improve the performance of Ontology mapping. Firstly, the paper used filtration method to solve the vast runtime of the computation of similarity. The paper used method of candidate mapping to reduce the amount of concepts being going to mapping. And the paper used method of information gain to reduce the amount of attribute being going to compute. Consquently to filtrate the insignificant concepts and attribute and reduce the runtime of the computation of similarity. In the last , experiment indicated that the effect of those concepts and attribute being got rid of was very little. Secondly, the paper used synthetical computation to solve the computational unilateralism of the computation of similarity. The paper synthetized the concept name similarity and instance similarity to get the basic similarity. Then the paper used the basic similarity to compute and optimize the attribute similarity 、 structural similarity and relational similarity. Synthetized these results to get a more consummate result. At the same time, the paper used rational axiom in the computation to make the result more perfect. In the end, the paper designed experiment to prove the method in the paper. Experiment indicated that the method was more advanced and II 摘要 improved the quality and efficiency of Ontology mapping. KEY WORDS: Ontology ; Ontology mapping ; Conceptual Similarity Dissertation Type: Research of Basic III 第1 章 绪论 第1章 绪论 1.1 课题研究的背景 在 20 世纪 80 年代，科研人员把本体引入人工智能领域，并赋予其新的含 义。最近几年，本体广泛应用在知识表示、知识共享、知识集成、知识重用和知 识管理等领域中[1] 。本体在众多领域的广泛应用极大的调动了研究者的研究兴 趣，目前不少学者致力于本体的研究工作，已经取得了很多显著的成果，但仍然 存在许多未解决的问题，其中最显著的问题是异构本体的共享问题。所谓本体异 构指的是：多个本体之间由于概念分类、表示等不同所带来的不匹配。当前解决 异构本体共享最有效的方法就是本体间进行映射。本体映射是指两个存在语义级 概念关联的本体，通过语义关联，实现将源本体映射到目标本体的过程。本体映 射一般过程大都包括以下几个，如范化、相似度计算、确定映射关系等。在本体 映射的研究中，对映射过程的研究侧重点不同，则会产生不同的映射算法，如基 于上层本体的映射方法，就把研究的重点放在对本体的范化上；再如基于相似度 计算的本体映射就是把研究的重点放在本体映射的第二个过程相似度的计算 上，侧重于研究相似度的计算方法。另外还有其他方法在此不再一一赘述，由于 相似度计算自身的技术优势，使得当前基于相似度计算的方法成为最常用的一种 本体映射方法。 1.2 课题研究的现状 基于相似度计算的本体映射方法的基本思想是：本体 O1 到 O2 的映射发现 问题，可以分解为O1 中的每一个元素X 搜索其在O2 中最相似的映射对象X’ 。 这种映射算法的关键问题正如它的名字那样：是两个本体间概念相似度的计算问 题。相似度计算的准确与否直接决定了本体映射的准确性以及全面性。所以在基 于相似度计算的本体映射研究上，研究者一般习惯把研究重点集中在如何提高概 念相似度计算的准确度，从而达到提高本体映射的准确性和全面性的目的。下面 针对基于相似度计算的本体映射研究中概念相似度的计算方法进行介绍和总结。 1. 基于概念语法的方法：所谓基于概念语法的方法，是指进行概念相似度 计算时没有考虑概念的语义的映射方法，常用的有计算概念名的编辑距离（Edit distance ）[3] [4] 和两个结点间的基距离 (Basic distance) 。其中编辑距离（Edit distance ）算法又称为：levenshtein distance,是由levenshtein 在 1966 年提出的， 1 河南科技大学硕士学位论文 用来比较两个字符串的相似度。它的基本计算公式是：sim a / a +d ，其中d 是 [4] 路径距离。基距离(Basic distance) 曾在文献 中提到，其基本计算公式是： dist (N , N ) 1=−2m / n +n ，其中n 、n 分别表示节点N 在本体 O1 、节点N 在 1 2 1 2 1 2 1 2 本体O2 中的词的个数，m 为其中重叠的词的个数。 2. 基于概念实例的方法：所谓基于概念实例的方法是指在进行本体映射时 利用概念的实例作为计算概念间相似度的依据。典型的如华盛顿大学的 GLUE 系统[5] 。华盛顿大学的Anhai Doan 等提出了一种在语义 web 环境下进行本体映 射的方法。他们的 GLUE 系统通过机器学习对概念的实例进行分类，然后利用 实例在概念中出现的联合分布概率来计算概念间的相似度并结合领域约束和启发 知识确定映射关系。 3. 基于概念结构的方法：所谓基于概念结构的方法，是指在映射时参考了 概念间的层次结构[4] ，如结点关系(父结点、子结点、孙子结点)、语义邻居关系 等等，由于结点的层次关系中蕴涵了大量的潜在语义，在很多的映射方法中都利 用了这一点，如 M.Andrea Rodriguez 和 Max J.Egenhofer 提出的方法中，笔者 定义实体类的3 个组成部分的第二个—实体间的语义关系集—就是利用的实体类 与其他实体间的关系。 4. 基于规则的方法：本体相似计算中定义了一些启发式规则，规则的抽取 来自于概念的定义和结构信息，由领域专家手工定义，如 “如果两个概念的属性 相同，那么这两个概念是等价的”，“如果这两个概念的子概念都相同，那么这 两个概念是相似的”等等。文献 [6]对于一对概念e 和e 根据每条规则计算得 i1 j1 i2 j 2 到一个相似值sim(ei1 j 1,ei 2 j 2 ) ，然后,用集成的方法把根据各个规则得到的相似度进 行综合。这样可以根据下面的公式计算得到一对概念e 和e 的相似度： i1 j1 i2 j 2 n sim(e 1 1,e 2 2 ) ∑w sim (e 1 1,e 2 2 ) 。 i j i j k k i j i j k 1 5. 基于特征方法的方法:在概念或者概念实体中使用通用和不同的特征来计 算语义相似度，适合于不同本体间的语义相似计算，另外相似度函数以它们的特 征属性为参数。 (1) 向量空间方法(Vector space approaches) [7] ，常用于信息检索中的本体匹 配，设对象有 k 个不同属性，则每个对象用 k 维的向量表示。算法： k 维的向 量X 、向量Y 分别表示对象A 和B ，则可以使用如下函数计算对象A 和B 的相 似度：sim( A, B) | XY | / | X | =⋅| Y | (2) 利用概念特征计算概念间相似度,文献 [8]方法的基本思想是，设本体中 概念由 3 个部分组成：概念的同义词集、概念的语义关系集、概念的特征集。 对这 3 个部分相应进行匹配比较来自不同本体的概念，得到 3 个相似度值 2 第1 章 绪论 Sw ,Su ,Sn ,然后 3 个值加权平均得到两个概念的语义相似度，这样，一对概念的 相似度满足：S (ap ,bq ) W gS (a p ,bq ) =+W gS (a p ,bq ) +W gS (a p ,bq ) 。 w w u u n n 其中，W 、W 、W 分别表示 3 个部分S ,S ,S 在语义相似度中所占的权 w u n w u n 重，W 、W 、W =0,且W +W +W =1。 w u n w u n 关于相似度的计算还有其他方法，在此不再一一赘述。 在传统的相似度计算研究中，研究者通常根据本体中概念的某个特性来计算 概念之间的相似度，例如：levenshtein[2]等侧重于研究概念的名称相似度；Doan Anhai[5]等人则侧重于根据实例来计算概念之间的相似度；M. Ehrig ,Y Sure 等人 则偏重于根据启发规则计算相似度等等，这些研究都存在计算方法片面性的问 题，计算方法的片面性直接影响到本体映射的准确性；对于相似度计算片面性这 个问题，目前研究者一般都试图通过相似度的综合计算来进行解决，但是由于没 有充分考虑到本体中概念的各种元素，以及对概念某些元素的相似度计算方法不 够科学等因素的影响，当前的相似度综合计算仍不能很好的解决相似度计算片面 性的问题。 不仅如此，传统的本体映射研究中一般都把研究的重点放在提高相似度计算 的准确度上，而忽略了映射效率的研究。而实际情况是，本体中需要映射的数据 量往往很大，如果不对这些数据进行一些筛选和处理直接进行映射计算，就会造 成因为待映射概念过多所带来的映射效率低下的后果。 针对基于相似度计算的本体映射中研究存在的这些问题，就有了本文的相关 研究，本文的研究内容将在 1.3 节加以简单介绍。 1.3 课题研究的主要内容 当前基于相似度计算的本体映射研究中存在映射效率低下、映射准确性不高 等不足之处，针对基于相似度计算的本体映射中研究存在的这些问题，本文展开 研究，具体研究内容如下所示。 1.3.1 基于相似度计算的本体映射映射效率的优化 针对由于待映射概念或属性过多所带来的映射效率低下的问题，文中分别采 用相应的过滤策略，例如：对于待映射概念过多带来的计算量大的问题，本文利 用候选映射策略来解决；对于待计算属性过多带来的计算量大的问题，本文利用 信息增益策略来解决；从而滤掉那些没有计算价值的概念和属性，在不影响映射 质量的前提下大大的提高了映射的效率。 3 河南科技大学硕士学位论文 1.3.2 基于相似度计算的本体映射映射准确性的优化 当前的研究者们倾向于综合本体中概念的各个特性以及本体的相关有用信息 进行综合计算，从而来解决相似度计算的片面性问题，进而提高相似度计算的准 确性，达到提高映射准确性的目的；但由于本体自身的复杂性，在传统综合计算 研究中，仍存在这样或那样的问题，使得传统的综合相似度计算并不能很好的解 决相似度计算中存在的片面性等问题。基于此，在传统研究的基础上，本文将充 分利用本体中概念的各种信息以及本体自身的特点，计算并优化概念的初始相似 度、属性相似度、结构相似度、关系相似度，并且运用合理的合并策略对计算结 果进行合并，使得计算结果更加完善、全面，具体将在第四章中进行介绍。 1.4 论文的组织结构 第一章 绪论 主要介绍本体应用现状、存在的问题以及解决的方案、以及 基于相似度计算的本体映射研究现状和存在问题，并简单介绍了本文的研究内 容。 第二章 本体和本体映射 本章主要介绍了本体和本体映射的概念，以及这 些概念在本课题研究中的作用。 第三章 基于相似度计算的本体映射的研究 本章主要介绍了基于相似度计 算的本体映射的映射过程、相似度的相关知识，以及这种映射方法的技术优势和 存在不足。 第四章 基于相似度计算的本体映射的优化 主要介绍筛选策略在提高映射 效率上的运用和综合的概念相似度计算策略在提高相似度计算准确性上的运用， 并进行相关的分析。 第五章 实验验证与分析 主要介绍本文的实验设计、实验实现和结果分 析。 第六章 总结和展望 总结本文研究内容，展望本体映射研究的下一步需要 进行的工作。 4 第2 章 本体和本体映射 第2章 本体和本体映射 2.1 本体的研究 2.1.1 本文所用的本体的定义 本体最早是一个哲学的范畴，后来随着人工智能的发展，被人工智能界给予了 新的定义。最初人们对本体的理解并不完善，这些定义也处在不断的发展变化中。 人工智能界最早给出本体定义的是 Neches 等人，一些比较有代表性的定义如 下： 1. 1991年Neches[9]等 提出本体是“构成相关领域词汇的基本术语和关系，以 及利用这些术语和关系构成的规定这些词汇外延的规则” 的定义； 2. 1993 年Gruber[10]提出本体是“概念模型的明确的规范说明”的定义； 3. 1997 年Borst[11]提出 本体是“共享概念模型的形式化规范说明”的定义； 4. 1998 年 Studer[12]提出本体是“共享概念模型的明确的形式化规范说明”的 定义。 5. 另外还可以使用四个表组成的数据库模式来实现本体定义，一个存储术 语，另外三个存储本体的三种关系。如 terminology 表存储术语的编号和名称。 Synonym 表存储有同义关系的两个术语的编号。ISA 表存储有继承关系的两个术语 的编号。Related 表存储有关联关系的两个术语的编号。 在这些定义中 Studer 提出的本体定义逐渐成为本体研究者公认的本体定 义，也是本文研究所采用的本体的定义，因为它体现了本体的四层含义，如下所 示 ： 1. 概念模型（conceptualization ） 通过抽象出客观世界中一些现象（Phenomenon ）的相关概念而得到的模型，其 表示的含义独立于具体的环境状态。 2. 明确（explicit ） 所使用的概念及使用这些概念的约束都有明确的定义。 3. 形式化（formal ） 本体是计算机可读的（即能被计算机处理的）。 4. 共享（share ） 5 河南科技大学硕士学位论文 本体中体现的是共同认可的知识，反映的是相关领域中公认的概念集，即本体 所针对的是团体而非个体的共识。 本体的目标是捕获相关的领域的知识，提供对该领域知识的共同理解，确定 该领域内共同认可的词汇，并从不同层次的形式化模式上给出这些词汇（术语） 和词汇之间相互关系的明确定义。 2.1.2 本体的建模元语与本课题研究的关系 本体 [13] Perez 等人用分类法组织了 ，归纳出 5 个基本的建模元语 （Modeling Primitives ） 1. 类（classes ）或概念（concepts ） 概念是客观世界中任何事物的抽象描述，含义很广泛，指任何事务，如工作 描述、功能、行为、策略和推理过程等等。从语义上讲，它表示的是对象的集 C 合，从形式上，概念定义为一个四元组：C={Id,L,P,I },其中Id 为概念的唯一标识 符，用 URI 表示；L 为概念的语言词汇，P 为概念属性的集合；IC 为属于该概念 的实例的集合。 2. 关系（relations ） 关系是领域中概念之间的交互作用，形式上定义为 n 维笛卡儿积的子集： R ：C ×C ×…×C 。如子类关系（subclass-of ）。在语义上关系对应于对象元组的 1 2 n 集合。从语义上讲，基本的关系共有 4 种：part-of （表达概念之间部分与整体的 关系）、kind-of （表达概念之间的继承关系，类似于面向对象中的父类与子类之 间的关系。例如给出两个概念C 和D ，记C ′={x ∣x 是C 的实例}，D ′={x ∣x 是 D 的实例}，如果对任意的x 属干 D ′，X 都属干 C ′，则称C 为 D 的父概 念，D 为 C 的子概念）、instance-of （表达概念的实例与概念之间的关系，类似 于面向对象中的对象和类之间的关系）、attribute-of （表达某个概念是另一个概 念的属性。如概念“价格”是概念“桌子”的一个属性）。 3. 函数（functions ） 函数是一类特殊的关系。该关系的前 n －1 个元素可以唯一决定第 n 个元 素。形式化的定义为 F ：C ×C ×…×C →C 。如 Mother-of 就是一个函数， 1 2 n-1 n Mother-of(x,y)表示y 是x 的母亲。 4. 公理（axioms ） 代表永真断言，如概念乙属于概念甲的范围。 5 ．实例（instances ） 6 第2 章 本体和本体映射 代表元素，从语义上讲实例表示的就是对象。 本文主要是针对本体映射展开研究，其研究的核心问题是概念相似度的计 算，因此需要充分考虑本体以及本体中概念的各种特性。如上定义，本体中概念 一般可以表示成四元组，因此在计算概念相似度时要充分考虑这四个元素：概念 名称、概念属性、概念实例等；另外因为研究的是本体之间的映射，本体的各个 特性也要充分考虑，例如本体中的永真断言（公理）、本体中概念之间的关系、 本体的结构等。 2.1.3 本体的功能和应用 现在已经有相当多的文献给出了本体的描述和本体的使用目的。大多数的应 用实例都是为了实现“重用”。它们在本体应用上都是把本体论当作一种构建知 识的一种方式或者当作知识库的一部分。另一个重要的用途是信息集成。这种方 式主要体现在商业事物的集成、分布式多代理系统和并发处理工程的设计上。因 此，我们把本体的使用功能粗略的划分为以下三种： 1. 信息交换(Communication) 本体的核心概念是知识共享。通过减少概念和术语上的歧义，本体描述为某 一组织或是工作小组提供了一个统一框架或是规范模型，使得来自不同背景，持 不同观点和目的的人员之间的理解和交流成为可能，并保持语义上的一致性。 2. 互操作(Inter-Operability) 绝大多数的应用程序使用本体实现不同系统之间的互操作，即不同系统或工 具之间的数据传输。这种应用还可以细分为两类:轻量级(Lightweight)和重量级 〔Heavyweight)。基于本体的轻量级应用是一种完全面向语法形式化和转换的本 体使用。它只能保证人们使用相同的词汇，但不能保证他们对相同的词汇有相同 的解释或是理解，比如XML语言中的DTD。而基于本体的重量级应用是一种对知识 表示语言中的建构和约束作普通的语义解释的使用方式，目的是支持本体的不同 使用者之间的进行语义层面的信息共享和互操作。本体共享的数据交换的关键是 必须保证对本体一致无歧义的解释。而这类本体应用中的本体还支持的另外一些 功能服务，比如支持推理的查询，更新和一致性检查功能。这些是由本体的知识 表示语言所采用的推理机制所决定的。 3. 系统工程(Systems Engineering) 本体还可以应用到软件系统的设计和实现上。在软件开发的规格说明中，本 体论通过对需要解决的问题和任务的理解描述，可以帮助我们在需求分析、信息 7 河南科技大学硕士学位论文 获取中提高明确性，减小分析代价。同时，本体可以作为需求分析基础上软件设 计时的基础，以自动或是半自动的方式检查它们之间的一致性，从而提高软件系 统的可靠性。本体还可以通过对系统内部各个功能模块和它们之间的联系的详细 描述达到软件的重用性。 最近几年，本体在许多领域都得到了应用，如电子工程、化学、远程教育、 电子商务等。目前本体正在人工智能、计算语言学和数据库理论方面起着特殊的 作用。尤其在知识工程、知识表示、定性建模，语言工程学、数据库设计、信息 建模、信息集成、面向对象分析、信息检索和分析、知识组织和管理、基于 Agent的系统设计等方面起着重要作用。应用领域甚至还涉及到企业信息集成、 自然语言翻译、医药、机械工程产品和知识标准化、地理信息系统、法律信息系 统、生物信息系统等。一些具体应用领域有：①多Agent系统的自动设计;②电子 商务B2B;③cscw(计算机支持的协同工作);④数据挖掘；⑤语义Web中的应用;⑥ 信息检索和分析;⑦企业集成;⑧自然语言理解;⑨软件工程;⑩在知识管理中的应 用。 在本体应用方面，比较著名的项目有[14] ：①通用本体方面的 CYC 和 WORDNET ；其中WORDNET 是基于心理语言规则的英文词典，以 synsets （在 特定的上下文环境中可互换的同义词的集合）为单位组织信息。② Framenet 本 体；这个本体也是一个英文词典，采用称为 Frame Semantics 的描述框架，提供 很强的语义分析能力，目前发展为 FramenetII 。③通用任务、领域独立的、语言 驱动的本体 GUM ；GUM 通常面向自然语言处理，支持多语种处理，包括基本 概念及独立于各种具体语言的概念组织方式。④ SENSUS 本体；这个本体面向 自然语言处理，为机器翻译提供概念结构，包括 7 万多概念。⑤ Mikrokmos 本 体；这个本体面向自然语言处理，支持多语种处理，采用一种语言中间的中间语 言 TMR 表示知识。另外近年来国际上的一个研究热点——Semantic Web 的核心 技术也是本体，其最初采用的本体描述语言是 DAML 和 OIL 。最近 W3C 对 DAML 和OIL 进行了扩充，提出了Web 本体语言OWL 。OWL 的标准化为基于 Semantic Web 的相关应用奠定了基础。 2.1.4 本体异构和解决办法 1．本体异构 随着本体在不同领域的应用，异构本体间的共享问题成为迫切需要解决的问 8 第2 章 本体和本体映射 题之一。本体的异构主要可以分为两类：元数据异构和实例异构，下面简单介 绍。 (1)元数据异构 元数据异构是指本体元数据定义的异构问题，包括结构冲突和名称冲突。 ①结构冲突：相同本体可能包含不同的语义结构，结构冲突包括：a.描述冲 突:表示同一事务的概念在不同本体中由不同的属性描述。b.蕴含冲突：同一概 念或属性在不同本体中具有不同的层次关系。c.约束冲突：不同本体中概念和属 性之间的约束关系不同。d.混淆冲突：同一事务在不同的本体中的表现形式不 同，既可以表示为概念也可以表示为实例等。 ②名称冲突：不同的名字可以用来表示“意义”相同的概念，而相同名字在 不同本体中又可以用于表示不同的概念，这就会形成名称冲突。 (2)实例异构 实例异构主要考虑实例的表示问题，意义相同的实例可能有不同的表示形 式，即实例冲突。例如：同一日期可以表示成“2007/3/5” ，也可以表示成 “March 5, 2007 ”，人名可以表示成“Jackson Michael ”或者“Michael, Jackson ”，等等。实例异构问题使得在语义之前进行实例规范化成为必需。例 如:Wiesman 等人就提出基于规则的归一化方法来解决实例冲突问题[15] 。 2 ．本体异构的解决方法 由于本体的构造是一个非常费时费力的过程。因此一个用户为满足自己的不 同需要而建立多个不同的本体是不现实的。同一领域内的不同本体要想实现共享 (互操作)就必须解决本体间的异构问题。为了实现异构本体间的共享(互操作)， 一般可采用以下三种方法： (1) 本体间建立包含关系：目标本体简单地包含源本体，来自源本体的所有 数据概念都能在目标本体中出现。该方法的缺点是信息和概念只能被复用而不能 被修改。 (2) 找一个公共的本体：把多个源数据所对应的本体进行合并，生成一个完 整的公共本体。也就是寻找一个在任何情况下用户都能进行查询的全局本体。这 种方法是建立在紧密联系的基础上，缺乏足够的灵活性，不能适应大的开放式环 境。如果在环境中加入新的信息源，那么全局本体也会发生变化，这种方法的难 度较大。 (3) 本体间建立映射关系：本体映射就是概念层上语义相关的实体根据语义 关系进行转换的过程。通过映射源本体的实体可以转换成目标本体的实体。 因此解决本体异构最有效的方法就是本体间进行映射。本体映射的目的就是 9 河南科技大学硕士学位论文 找到本体中概念之间的对应关系，并制定出相应的映射规则。在下一节中将对本 体映射的相关知识进行介绍。 2.2 本体映射的研究 2.2.1 本文所用的本体映射定义 随着信息社会的快速发展，出现了越来越多需要数据共享的应用场景，譬如 联合数据库(federate database)、agent 间的通讯、web-service 合成、关系型或 XML数据映射(data mapping)等。在数据共享中，本体往往起着关键的所用，因 为人们通过本体实现了对领域知识统一的概念化。然而，随着对本体不断增多的 应用，同一个领域中经常存在着多个不同的本体，这些本体由不同的人在不同的 环境下开发。这种不同限制了知识的进一步共享,因而在当今的信息社会成为信 息交换的瓶颈。对这个问题存在两种可能的解决方案。其一是建立一个标准的通 [16] 用本体 ，这样本体的差异性问题自然就不存在了。但是,这样的方法就像要统 一人类语言一样不现实。另一个方案就是在不同的本体间建立本体映射 (Ontology Mapping) 。 所谓本体映射，简单的讲就是在两个(描述相同或相近领域的)本体之间建立 元素与元素的对应关系，相对应的两个元素在各自的本体中表示相同或相近的意 思。例如，一个本体中的“地址”被映射到另一个本体中的“位置”。复杂的本 体映射不仅包含上述对应关系，还可以包含由映射表达式表示的映射关系，两个 本体中元素的集合通过该表达式联系起来。映射表达式在元素层次上可以包含各 种集合运算(∪;∩)和关系(∈;=)；在元素的实例层次上，可以根据实例的类型 包含各种运算和关系，譬如实数的“+ ;×”和“= ;≤”，字符串的“联结” 等。 本体映射的一个形式化定义如下[17] ： 定义：两个本体A 和B ，设M 为它们共同的模型，即M ∣= A 并且M ∣= B 。A 、B 之间的本体映射是一个集合 MAP ，其中的元素是 A 、B 中元素的表 达式，称为映射表达式：∀m = MAP ，M ∣= m 。 2.2.2 本体映射的研究方法 根据研究重点的不同，可将和本体映射相关的研究分为 Schema 映射、基于 上层本体的映射、基于语义推理的本体映射、基于相似度计算的本体映射、基于 10 第2 章 本体和本体映射 信息流的本体映射等。 1．Schema 映射 在数据库领域，关于 Schema 映射的研究很多，例如：文献[18] ，其主要方法 是通过定义全局模式来描述所有的分布数据，这样数据集成问题就变为分布数据 库模式到全局数据库模式的映射问题，然而基于本体的信息互操作和语义集成问 题是一个更加动态的知识共享过程，这种全局模式的方法显得有些不太适合。 目前 Schema 映射已经有了相对比较成熟的研究，但本体映射不同于 Schema 映射[19] ，首先 Schema 没有为数据提供清晰的语义，而本体为数据表示 提供了清晰的形式化表示，在本体映射中可以充分利用这些形式化的语义信息； 其次 Schema 的目的不是专门用来共享和重用的，然而本体最基本的任务之一就 是为了实现可重用和共享；再次，本体开发需要在一个越来越分布的环境下完 成；最后 Schema 映射需要考虑每一个数据变化(例如：添加新的类)对映射结果 的影响，而本体中知识表示的原语更加丰富、复杂，包括反函数、cardinality 约 束、传递属性、类型检查约束等，这些丰富的原语既为本体映射提供了有用的信 息，也可能给本体映射带来新的困难。以上这些差异使得 Schema 映射的方法不 能简单直接地用到本体映射中。 尽管 Schema 映射和本体映射存在非常大的差异，许多面向 Schema 映射的 基本方法和技术还是可以被借鉴到本体映射的研究中，实际上，目前许多 Schema 映射系统都在进行扩展以支持本体映射。 2．基于上层本体的映射方法 目前，许多研究组织开始着手研究‘通用’的上层本体(common top-level ontology) ，用这些本体描述最基本的概念，如 事件(event) 、时间(time) 、空间 (space) 、事物(thing) 、人物(human) 、处理流程(process)等，其中一些通用本体还 逐渐成为领域标准，例如 SUMO[20]和 DOLCE[21] ，上层本体的目的就是提供一 个通用的词汇集作为领域本体定义的基础，基于上层本体建立映射的基本思想 是：首先定义通用上层本体，然后不同的领域本体分别基于这些上层本体建立， 这样不同领域本体之间的映射问题就可以利用它们和上层本体之间的关系实现， 这种方法的前提是所有领域本体必须基于上层本体建立，这严重地限制了该方法 的通用性。 3 ．基于语义推理的本体映射 基于语义推理的映射方法的主要思想是利用本体的约束或逻辑来验证映射结 果，主要方法包括命题可满足性(Propositional Satisfiability, SAT)、形式可满足性 11 河南科技大学硕士学位论文 技术(Modal SAT Techniques) 以及基于描述逻辑（Description Logic) 的方法，例 如，SAT 将本体映射问题转换成一系列的命题公式，将映射发现问题转换成命 题公式合法性的验证问题，基于语义推理的映射方法往往需要和其它方法结合使 用，即首先由其它映射方法指定一些候选映射，然后利用本体的约束和逻辑对候 选映射进行验证，以提高映射精度。 4．基于相似度计算的本体映射 基于相似度计算的本体映射通过计算两个实体元素之间的相似度来发现实体 元素的映射关系，映射的发现问题可以看作搜索相似度最大的两个实体元素的问 题。该方法是从语法或语义的角度计算节点间的相似度，利用相似度值来确定映 射，其代表是SF[22]和QOM, SF 是基于相似度传播的混合映射方法，它以表示成 有向图的本体作为输入，调用映射算法得到最初的映射，然后利用相似度传播对 初始结果过滤得到最终的映射结果。QOM 是由 Ehrig 和 Staab 提出的快速本体 映射方法，与NOM 相比其优点在于它采用启发式方法利用本体结构减少候选映 射的数量，从而降低时间复杂度。在相似度计算中，QOM 避免了对本体树上所 有节点对的评价，限制了高代价节点的数目，且对每个候选映射只执行一次相似 度集成和解释，它以词法知识和知识结构为基础执行迭代计算，在对迭代次数限 制的同时保证了映射的速度和准确性。 5．基于信息流的本体映射 信息流来源于分布式系统中的关联规律，一般来说，系统中的规律越多信息 流就越多，后来Barwise 和seligman 提出了通道理论(channel theory)[23] ，使用局 部逻辑以及标识和类型描述不同社区间的信息流，这类方法的代表是 Kalfonlon 等开发的自动本体映射系统 IF- Map ，该系统适用于大量本体存在的分布式环境 下，其映射过程为：a.本体收集，包括使用现有本体、从本体库下载、编辑新本 体、从web 上搜集。b.转换，将收集的本体格式转化为prolon 子句形式。c.产生 信息映射(infomorphism) ,寻找语法上等价的关系名并匹配参数，从而产生信息 映射。d.显示结果，输出用RDF 表示的映射。 本课题主要针对基于相似度计算的本体映射展开研究，具体研究内容将在下 面的章节中进行介绍。 2.2.3 现有的映射系统 1．OntoMorph 系统 创建 OntoMorph 系统的目的是推进本体的合并和知识库翻译的快速生成。 12 第2 章 本体和本体映射 它由ISI(lnformation Science Institute)创建，并通过整合两个有力的机制来描述本 体转换。一个机制是语句重写。它通过有指导模式的重写规则进行句法重写，并 进行基于模式匹配的语句简要说明的转换。第二个机制是语义重写，它通过语义 模型和逻辑推理来调整语句重写。在语句重写过程中，输入带词位的令牌表达 式，然后表示为句法树。句法树在内部被表示为一个令牌序列，它们的结构仅仅 在逻辑上存在。模式语言能够用一种直接而简洁的方式进行匹配并解释任意嵌套 的句法树。重写规则应用于执行模型。 在语义重写过程中，OntoMorph 是 PowerLoom 知识表示系统的顶层。 PowerLoom 是 Loom 系统的后续版本。使用语义输入规则，并利用 PowerLoom 精确建立源知识库来进行语义描述。 2 ．Glue 系统 由华盛顿大学设计的 GLUE 系统用机器学习的方法来完成不同本体之间的 匹配任务，其思想是在实例的基础上进行多策略学习[25] 。GLUE 中包括多个学 习器((learner)并把多个学习器的结果进行组合。它主要是面向实例的。用户先给 出一些映射实例，然后用这些实例训练学习器并发现其中特有的匹配规则。但它 没有考虑概念间属性的映射。GLUE 系统采用朴素贝叶斯((Naive Bayes) 的学习技 术来训练学习器。一个具体实例可以看成由许多属性值组成的文本。在学习训练 的过程中，文本可以被近一步地分解。 3 ．MAFRA 系统 MAFRA (A Mapping Framework for Distributed Ontologies)是语义Web 上的一 种分布式本体映射框架，是一个相互作用的、渐增的动态框架[26] 。它采用多策 略过程，使用不同的算法来计算相似度。目的是自动地检测包含在两个不同本体 中实体的相似性。它要求所有本体化成一种规范的表示方式，这样可以消减语法 的不同，使源本体和目标本体间的语义不同更加明显，并使用语义桥((Semantic Bridge) 的概念。所有的语义桥可以组织成一个语义桥本体(C Semantic Bridge Ontology SBO ) 。 4 ．IF-Map 系统 IF-Map(An Ontology-Mapping Method based on Information-Flow theory)系统 以信息流理论为基础，映射框架中设立了多个局部本体、全局本体和参考本体 [27] 。局部本体表示不同的存在本体，供不同的组织使用，并有各自的实例。参 考本体是对共享知识的一致性理解但没有具体的实例。全局本体是一个逻辑上存 在的本体，并不真正地存在。 13 河南科技大学硕士学位论文 5 ．OMEN 系统 OMEN(Ontology Mapping Enhancer)使用一个元规则集来捕获本体结构的影 响及本体关系的语义[28] 。它使用贝叶斯网(Bayesian Network)来表明映射本体间 概念的潜在影响。它可以通过获得曾丢失的匹配和使已存在的错误匹配无效来增 强本体间的映射。 2.3 小结 本章主要介绍了本体和本体映射的定义，以及定义中与本文研究相关的一些 内容。例如本章介绍了本体的建模元语，通过建模元语的介绍，说明了本文综合 算法的来源。另外还介绍了本体异构性以及解决异构本体共享的方法，从而引出 了本体映射的介绍。在本体映射的介绍中，本章介绍了本体映射的方法，从而把 本文的基于相似度计算的本体映射和其他本体映射方法进行比较，重申了本文研 究的意义。另外还介绍了已有的本体映射系统，加深读者对本体映射的感性认 识。 14 第3 章 基于相似度计算的本体映射的分析 第3章 基于相似度计算的本体映射的分析 3.1 基于相似度计算的本体映射的映射过程 基于相似度计算的本体映射过程是一个迭代的过程，每次迭代主要包括四个 主要步骤,具体如下： 1. 范化，一步把待映射的本体用同一语言表示，因为同一种语言的知识才 能共享，在进行映射前应该规范本体的表示，把所有的数据映射到同一表示水 平，解决语法、结构、语言的异构。 2. 相似度的计算，算概念之间的语义相似度。在计算概念语义相似度时， 考虑根据本体和本体中概念的特点进行综合计算。在整个计算过程中相似度取值 限定在[0，1]之间。 3. 根据概念间的相似度，按照一定策略确定映射关系。当相似度大于某个 阀值时就认为这两个概念之间存在一定的映射关系。 4. 根据领域约束，领域专家对映射结果进行修正。 从映射的过程中可以看到，相似度计算在基于相似度计算的本体映射中起着 至关重要的作用，相似度计算的准确与否直接影响本体映射的质量。另外，一个 完全自动化的本体映射过程应该没有人工的参与，系统可以完成整个映射过程。 即在上面的过程4中，系统可以通过机器学习或别的技术实现对结果的自动修正 和完善。这也是目前本体映射研究的难点和焦点。 3.2 相似度的研究 3.2.1 相似度的定义和在科学研究中的应用 1．文中所用的相似度的定义 Merriam Webster 字典中对相似度(similarity) 的简短定义：having characteristics in common: strictly comparable 。从本文的角度想要严格比较两个概 念(concept) ，找出他们的不同之处。所以，可以形式化定义相似度为一个实数函 数，在集合S 中计算元素x 和y 的相似程度 sim(x, y ) : s2 →[0,1] ∀x , y ∈s sim(x, y ) 1 如果两个对象是完全相似的，则相似度为1。 15 河南科技大学硕士学位论文 sim(x, y ) 0 如果两个对象没有任何共同特征，那么其相似度为0 。 sim(x, y ) a a∈(0,1) a值越大，相似程度越高。 sim(x, x) sim(x, y ) 相似关系的极大性 sim(x, y ) sim(y, x) 相似关系的对称性 2 ．相似度在科学研究中的应用 当前在本体映射以及图谱分析等自然科学的研究中，经常要用到相似度作为 研究的一个度量手段，目的是以客观参数代替主观评价，从客观角度评价本体概 念或者图谱间的相似情况。在这些研究中相似度的定义大同小异，都如上所示， 但计算方法却相差很大：例如在本体映射的研究中所要计算的相似度通常指的是 概念之间的语义的相似程度。所以相关的计算方法有语义距离（edit distance ） 法，以及基于概念实例的统计学的方法等等，这些在第一章中已经有详细的介 绍，在此不再赘述。但是在图形学的研究中所要计算的相似度通常指的是图谱之 间的相似程度。常用的计算方法有：相关系数法[29] [30] 、夹角余弦法 、距离方法 [31] [32] (马氏距离、欧氏距离、明氏距离) 、模糊相关法 等等。虽然在不同科学领域 相似度的计算方法有所不同，但是还是有一定的相似之处的，例如二者都提供一 个 0-1 的数值作为计算结果，并且，值越接近 1，表明相似度越大，便于测量人 员对结果的理解。 3.2.2 概念相似度 本课题研究的本体映射主要是基于概念相似度进行的，所以在这里有必要对 概念相似度的定义进行相关介绍。典型的本体由五元组表示，简单形式化定义 为：o (C, H , R , I , A) 。这里，C 代表概念集合，即抽取出来用来描述事物对象 c c 的集合。本体建模的过程中，前提条件假设任意本体内部的信息、语义保持一致 性而且可理解。本体定义告诉我们如何检查相似度：“当两个概念有共同特征时 具有相似性”。因此，概念相似度可以由函数来定义[33] ： sim(o : e ,o : e ) →[0,1] e ∈o e ∈o 1 i 2 j i 1 j 2 其中o 、o 表示两个本体，e 、e 分别是这两个本体的概念。 1 2 i j 由定义可以得出，概念相似度是两个不同本体的概念组成的概念对之间的相 似度。它除了与概念自身的属性有关系外，还与概念在自身的本体中所处的上下 文环境有很大的关系。从本体本身来说，本体相似涉及到本体的所有概念(如 类、实例、关系等)和概念之间的关系，计算本体相似度一定要以概念相似度为 基础。因此，计算概念相似度是计算本体相似度的关键环节，也是本体映射的重 16 第3 章 基于相似度计算的本体映射的分析 要基础。 3.2.3 本体中概念的语义栈 概念相似度计算被广泛地应用于本体映射与集成系统，下面介绍一下本体概 念的语义栈。参照语义 Web 层次图( 图 3.1) ，从整体上概念的语义可以用栈的形 式对语义分层，分别为实体(Entities) 、语义网络(Semantic Nets) 、描述逻辑 (Description Logics)、约束(Restrictions)、规则(Rules)五层，显示了本体中概念的 语义层次，如图 3.1 所示。图 3.1 左边显示它们语义复杂度从下到上逐渐增强。 对于特殊的本体，会有自己指定的应用领域词汇集，如图 3.1 右边是特殊共享的 领域知识贯穿在本体语义的复杂性的所有层次。 Domain General ontology specific High rules A p restrictions p l i c Semantic complexity a t i o n Descriptions logics v o c a b u l a r y Semantics nets low entities 图3-1 本体概念语义栈 Fig3-1 Semantic of ontology’s concept 1. 实体层(Entities) 描述实体的第一层，不需要考虑任意语义信息，有诸如 卷标、URI 等基本特征，基本专注于语言语法的比较。卷标(labels)是实体的标识 名称，如果卷标是相同的，那么实体可能也是相同的。有一些例子己经有了比较 卷标的方法：从字符串的角度，通过字符串匹配以及字符串之间的编辑距离来计 算；从词义或者自然语言的角度，比较两个卷标是否为同义词以及词义相近程 度，这通常需要借鉴与 WordNet 类似的词典的帮助来完成。对象的一些可识别 且唯一的特征属性(如 URIs) 也可以作为标识用来比较实体。如果两个实体有相 17 河南科技大学硕士学位论文 同的唯一标识，则认为它们是相同的。 2. 语义网络(Semantic Nets) 包含许多概念的语义网络蕴含着大量背景信 息，有时包含一些复杂的关系。一个概念是对象的通用类，它们通过特征 (attributes)和属性(properties)和其它概念关联。对于概念而言，如果两个概念的 属性相等，就可以认为这两个概念也相等。该方法同样适用于属性，如果两个属 性的定义域和值域相等，那就可以认为这两个属性相等。 3. 描述逻辑(Description Logics) 相似度栈第三层，体现了描述逻辑表示的 [34] 本体复杂性 ，从描述逻辑的角度来总体把握语义。本体中的概念是分类的层 次结构，其中的概念继承了上层概念的所有属性和关系。如果两个概念的父概念 相同，则当前概念之间是相似的。实际计算中，我们计算两个概念的共同父概念 集合的数量，可以用一个百分数来度量这两个概念的相似性。同理，两个相等概 念的子概念、兄弟概念也将相同，也可以通过计算两个概念的共同子概念、兄弟 概念集合的数量来度量两个概念的相似性。 还可以参考的信息是实例(instance) 。实例是一种特殊的通用类的实体，继承 了类的所有关系。从另一个角度来说，概念定义为实例集合的代表。由此可知， 有相同实例的概念是相同的，反之，有相同父概念的实例也是相同的。还可以考 察实例在概念上的分布情况，如果概念有相似的高/低实例分布情况，则概念相 似。概念通过属性相交，实例也会通过属性实例而相交，这意味着如果两个实例 通过相同的属性与另外一个实例相交，则两个源实例相似。 4. 约束(Restrictions) 本体使用约束以更精确的表达知识，如 OWL 本体语 言。在 OWL 语言中，有属性如:sameIndividualAs 或者 sameClassAs 。这很明确 的表明了两个实体是相同的。OWL 还有一些更多的特征可以使用，只是当前实 践中很少利用起来，如:对称属性、值约束、相等性、集合操作、枚举、不相交 等等。可以从它们衍生出新的规则来决定相似性。 5. 规则(Rules) 本体中的高层。越来越影响相似度的计算，特别是在实体之 间存在相似规则，这些实体将会被认为相似。因此，需要处理高序列的关系。然 而，目前这方面的研究还不够，在语义 Web 环境中也没有足够的实践基础支持 规则层，相似度也存在同样的问题。 3.2.4 课题中用到的关于相似度计算的启发规则 以下这些启发规则是我们进行相似度计算的算法基础。 1.在同一个本体中，如果两个概念属于同一个父概念，那么两个概念是相似 18 第3 章 基于相似度计算的本体映射的分析 的，即兄弟概念是相似的。 2. 如果两个概念的父概念相似，那么这两个概念也可能相似，并且这两个 概念的部分子概念也可能相似。 3. 如果某个概念的兄弟概念结点与某一概念 X 相似，那么该概念与概念 X 也可能相似。 4. 如果两个概念相似，那么它们的子概念在一定程度上也相似。 5. 如果所有子概念都与概念Y 相似，那么它们的父概念也与概念Y 相似。 6. 如果两个概念具有相同的兄弟则这两个概念可能是相似的。 7. 如果两个概念具有相同的实例则这两个概念可能是相似的。 8. 如果两个概念具有相同的属性则这两个概念可能是相似的。 3.3 基于相似度计算的本体映射的技术优势 基于相似度计算的本体映射研究的核心问题是相似度的计算算法的设计，当 前基于相似度计算的本体映射成为众多本体映射研究者们采用的一种方法，主要 是因为这种映射方法具有一定的技术优势，具体总结如下。 1．便于综合其他方法进行交叉研究 例如：Doan 等人开发的Glue[5]算法，就是利用机器学习的方法设计的相似 度计算方法； Melnik[35]等人提出的Similarity Flooding 的本体映射算法，该算法 是一个通用的图匹配算法，该算法就是借助数据结构中的算法思想。另外还有在 [32] 研究中利用Minkowski 距离公式进行计算相似度的、以及利用贝叶斯分类方法 和联合分布概率等统计学的方法来计算概念相似度的等等。所以基于相似度的本 体映射方法比较方便借助其他研究算法，便于和其他研究进行交叉，所以当前研 究者众多，发展前途很广阔。 2 ．能够充分的利用本体及本体中概念的信息 随着对本体研究的深入，研究者们认识到影响本体概念之间映射关系的元素 不仅仅包括概念的名称、实例，其他的如概念之间的层次结构、概念的属性以及 概念之间存在的关系等对概念之间的映射关系的确定都有一定的影响，当前基于 相似度计算的本体映射在为确定概念之间映射关系而进行的相似度计算中，倾向 于综合本体中概念的各个特性以及本体的相关有用信息进行综合计算。这样的相 似度计算结果全面完善、使用面广，并且所确定的映射关系更准确。 3．能够实现本体的自动映射 19 河南科技大学硕士学位论文 由于本体研究的复杂性，当前本体映射存在的一个普遍问题是需要人工干 预，不能实现自动映射。而基于概念相似度计算的本体映射方法，比较方便进行 编程，能够相对较好的实现本体的自动映射。基于相似度计算的本体映射核心工 作是相似度计算，也就是计算两个本体中概念的相似度，而相似度的计算是可以 编程来进行实现的。HP 公