摘 要： 本體映射的關(guān)鍵技術(shù)是本體相似度計(jì)算。本文基于已有的V-Doc(虛擬文檔)技術(shù)提出一種新的NV-Doc本體相似度計(jì)算方法，其中不僅用到了本體中實(shí)體自身以及其第一層相鄰節(jié)點(diǎn)的信息，而且還充分利用了第二層相鄰節(jié)點(diǎn)的信息。
關(guān)鍵詞： 語(yǔ)義網(wǎng)；本體映射；虛擬文檔；本體相似度
本體是共享概念化的明確具體規(guī)范，隨著語(yǔ)義網(wǎng)的發(fā)展，本體的應(yīng)用越來(lái)越多。用RDF[1]或OWL[2]書(shū)寫(xiě)的Web本體在語(yǔ)義網(wǎng)的出現(xiàn)和應(yīng)用方面起到了很大作用，本體的數(shù)量也與日俱增。
Web的分布式特點(diǎn)使得大量的本體由不同組織開(kāi)發(fā)，并且在很大程度上覆蓋相同或者相交的領(lǐng)域，因此Web本體之間存在一定的相似性，但相關(guān)領(lǐng)域的不同本體之間也存在很大的異構(gòu)性。
解決本體異構(gòu)問(wèn)題的最好方法是本體映射。本體映射的目的是架起異構(gòu)本體之間的橋梁，在使用不同本體的Web應(yīng)用之間建立互操作，從而實(shí)現(xiàn)語(yǔ)義網(wǎng)環(huán)境下數(shù)據(jù)的集成與管理。而本體映射的關(guān)鍵技術(shù)是本體的相似度計(jì)算，即計(jì)算兩個(gè)不同本體中實(shí)體之間的相似度，當(dāng)相似度值大于某個(gè)給定的閾值時(shí)，可以認(rèn)為這兩個(gè)實(shí)體之間存在著一定的語(yǔ)義關(guān)系。
目前，關(guān)于本體相似度計(jì)算方法的自動(dòng)化程度不高，而且不能充分利用本體的各種描述信息。已有的V-Doc技術(shù)能夠較好地解決這兩方面的問(wèn)題，但也存在一些不足。
基于虛擬文檔的本體相似度計(jì)算方法V-Doc[3]將本體看成一個(gè)有向圖，圖中的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)本體中的一個(gè)實(shí)體，為每個(gè)實(shí)體自動(dòng)建立虛擬文檔，充分利用了節(jié)點(diǎn)自身和鄰接節(jié)點(diǎn)的描述信息。但該方法也存在不足：節(jié)點(diǎn)的特征不僅與鄰接節(jié)點(diǎn)有關(guān)，而且還與鄰接節(jié)點(diǎn)的鄰接節(jié)點(diǎn)信息有關(guān)，即實(shí)體的描述信息還應(yīng)該考慮節(jié)點(diǎn)的第二層鄰接節(jié)點(diǎn)的信息。針對(duì)其不足，本文提出一種新的基于虛擬文檔的本體相似度計(jì)算方法NV-Doc。
1 V-Doc簡(jiǎn)介
1.1 虛擬文檔的構(gòu)建
虛擬文檔是為了描述概念特點(diǎn)而建立起來(lái)的文檔，為每一個(gè)節(jié)點(diǎn)構(gòu)建虛擬文檔，充分利用節(jié)點(diǎn)自身和鄰接節(jié)點(diǎn)的描述信息。
定義1 (URIrefs描述)：假設(shè)e是一個(gè)URIref，對(duì)e的描述通過(guò)與其有關(guān)的名字、標(biāo)簽、注釋和其他自然語(yǔ)言描述信息組成，其定義[3]為：
1.2 相似度計(jì)算
本體中每一個(gè)實(shí)體(節(jié)點(diǎn))的描述信息(語(yǔ)言學(xué)特征)通過(guò)該節(jié)點(diǎn)的虛擬文檔表示。因此，兩個(gè)本體中實(shí)體的相似度可通過(guò)計(jì)算與之對(duì)應(yīng)的兩虛擬文檔之間的相似度而得到，即虛擬文檔之間的相似度就是實(shí)體之間的相似度。虛擬文檔之間的相似度通過(guò)在信息檢索領(lǐng)域應(yīng)用廣泛的向量空間模型VSM(Vector Space Model)[4]方法計(jì)算。將兩個(gè)待匹配的虛擬文檔用向量空間中的一個(gè)向量表示，當(dāng)然在相似度計(jì)算之前還要對(duì)文檔進(jìn)行預(yù)處理，如分詞、去除停用詞、提取詞干等。向量空間模型中，關(guān)鍵詞的權(quán)重使用TF/IDF技術(shù)[5]表示。由此可以得到一個(gè)N×W的矩陣X，其中N是虛擬文檔的個(gè)數(shù)，W表示所有虛擬文檔中token的總數(shù)。可以通過(guò)矩陣與其倒置矩陣的積得到虛擬文檔之間的相似矩陣，最后規(guī)范化相似矩陣，使相似度值在[0，1]區(qū)間內(nèi)。規(guī)范化后所得矩陣即為虛擬文檔之間的相似度矩陣，每個(gè)值也代表了兩個(gè)虛擬文檔之間的相似度，從而得到與之對(duì)應(yīng)的兩實(shí)體之間的相似度。
2 NV-Doc
2.1 改進(jìn)的虛擬文檔
為RDF圖中每一個(gè)節(jié)點(diǎn)構(gòu)建虛擬文檔，不僅用到節(jié)點(diǎn)自身以及相鄰第一層的鄰居節(jié)點(diǎn)信息，還用到節(jié)點(diǎn)第二層的鄰接節(jié)點(diǎn)信息。
定義3 (改進(jìn)的虛擬文檔)：假設(shè)e是一個(gè)URIref，e的虛擬文檔NVD(e)的表示方程為：
2.2 簡(jiǎn)單示例
假設(shè)一個(gè)簡(jiǎn)單的本體片段模型如圖1所示。
按照式(3)得到節(jié)點(diǎn)A的虛擬文檔為：
3 實(shí)驗(yàn)結(jié)果及分析
3.1 實(shí)驗(yàn)數(shù)據(jù)
實(shí)驗(yàn)數(shù)據(jù)選用基于KAON2的開(kāi)源資源Framework for Ontology Alignment and Mapping中所提供的Test Ontologies and Alignments。從中選用本體規(guī)模較小的russia1.owl和russia2.owl作為數(shù)據(jù)源，其中russia1中共有49個(gè)節(jié)點(diǎn)，russia2中共有51個(gè)節(jié)點(diǎn)。進(jìn)一步的實(shí)驗(yàn)選用數(shù)據(jù)集OAEI 2005 benchmark tests中的五組規(guī)模稍大的本體作為數(shù)據(jù)源。 本文兩次實(shí)驗(yàn)中各參數(shù)的取值不變：α1、α2、α3、α4的值分別為1.0、0.5、0.25、0.25，參數(shù)γ1、γ2、γ3、γ4的值分別取0.1、0.1、0.05、0.05。各參數(shù)的取值借鑒Falcon-OA[6]系統(tǒng)在程序中所給的參數(shù)值。對(duì)于實(shí)體的描述，第一層鄰接節(jié)點(diǎn)一般比第二層鄰接節(jié)點(diǎn)更有影響力，所以γ3、γ4分別取0.05、0.05，比γ1、γ2的值0.1、0.1都小是有道理的。
本文采用查準(zhǔn)率和查全率的綜合評(píng)估函數(shù)以及運(yùn)行時(shí)間作為評(píng)價(jià)標(biāo)準(zhǔn)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估。
3.2 實(shí)驗(yàn)結(jié)果及分析
本文主要的改進(jìn)之處是提出新的算法來(lái)構(gòu)建本體中實(shí)體的虛擬文檔，虛擬文檔間的相似度計(jì)算也是通過(guò)描述的方法實(shí)現(xiàn)，初步實(shí)驗(yàn)結(jié)果如表1所示。
初步實(shí)驗(yàn)結(jié)果：表明改進(jìn)的算法雖然在運(yùn)行時(shí)間上有所延長(zhǎng)，但查準(zhǔn)率和查全率都有所提高，而且這種時(shí)間消耗不是很大。
其次，為了再一次驗(yàn)證NV-Doc較V-Doc的可行性，對(duì)數(shù)據(jù)集OAEI 2005 benchmark tests中的五組本體進(jìn)行實(shí)驗(yàn)，最后得到的實(shí)驗(yàn)結(jié)果如圖2、圖3所示。
再次實(shí)驗(yàn)結(jié)果表明，NV-Doc能夠取得比V-Doc更好的查全率和查準(zhǔn)率，雖然在效率方面不及V-Doc，但從整體上來(lái)看，效率上的部分損失換來(lái)更好的查準(zhǔn)率和查全率也是值得的。
本文針對(duì)計(jì)算本體中實(shí)體相似度存在的問(wèn)題提出改進(jìn)方法，充分利用實(shí)體自身和實(shí)體的第一層及第二層鄰接節(jié)點(diǎn)的描述信息(即實(shí)體的語(yǔ)言學(xué)上的特征)。實(shí)驗(yàn)結(jié)果分析表明，改進(jìn)后的算法在查準(zhǔn)率和查全率方面優(yōu)于原先的算法。下一步的研究工作是：一方面將此方法和其他計(jì)算本體相似度的方法有效結(jié)合，從而更有效地實(shí)現(xiàn)本體映射；另一方面是減少運(yùn)行時(shí)間，提高效率。最后還要充分利用本體其他的描述信息，如本體的屬性、關(guān)系、實(shí)例等。
參考文獻(xiàn)
[1] KLYNE G， CARROLL J J. Resource description framework (RDF)： concepts and abstract syntax.//W3C Recommendation 10 February 2004. Latest version is available at http：//www.w3. org/TR/rdf-concepts/.
[2] Patel-Schneider P F， HAYES P， HORROCKS I. OWL web ontology language semantics and abstract syntax. W3C Recommendation 10 February 2004. Latest version is available at http： //www. w3. org/ TR/owl-semantics/.
[3] QU Yuzhong， HU Wei， CHENG Gong． Constructing virtual documents for ontology matching[C]//Proceedings of the 15th International Conference on W orld W ide W eb．Edinburgh，Scotland： [S．n．]，2006．
[4] VIJAY V， RAGHAVAN S K， WONG M. A critical analysis of vector space model for information retrieval. JASIS， 1986： 37(5)， 279-287.
[5] SALTON G， MCGILL M. Introduction to modern information retrieval[M]. McGraw-Hill Book Company，1984.
[6] Hu Wei， Qu Yuzhong. Falcon-AO： a practical ontology matching system[C]. Web Semantics： Science， Services and Agents on theWorldWideWeb， 2008： 237-239.