基于本體片段模糊相似度的異構本體合并

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本體合并方法研究。復雜的異構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，使本體合并轉換成本體片段之間的合并；提出基于概念或關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本體合并的算法。該算法解決相似度計算過程中出現的模糊特性過早裁決的問題，從而文本信息可與結構信息共同分析以提高本體片段間的合并效果。最后通過應用實例和相關復雜性分析比較，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系組成的本體片段一般比單個本體概念包含了更復雜的語義特征信息。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)及對應的對象約束語言(Object Constraint Language, OCL)的擴展將異構本體模型分割成多個本體片段,即片段內本體元素高度相關，從而本體之間的合并就轉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系，具有更復雜的語義特征信息，因此可基于不同本體片段特征分別計算相似度，然后按照一定的權重將這些相似度復合。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偏好、過早裁決模糊特征等現象。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。

本文研究成果已應用于上海寶信軟件股份有限公司職能產品人力資源模塊的整體框架設計中。通過組織機構本體片段的半自動化合并，較好地支撐了大型集團型企業中頻繁出現的組織機構的劃轉、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 本體模型內概念間關系,如概念間繼承、概念間包含屬性、概念間參數依賴等。基于這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、基于關系的本體片段模糊相似度計算，并在此基礎上研究了一種基于本體片段模糊相似度的異構本體合并的算法。

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，本文提出了基于復合概念的片段模糊相似度算法。復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合概念的實例，從而通過本體片段間復合概念的模糊相似度計算，即得到面向復合概念的本體片段間模糊相似度。在復合概念構造過程中，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、下文語義關系、概念實例的數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，構造復合概念。本文結合片段，OM1=(c1，c2，…，cm)(i=1，2，…，m)，其中，ci為任一概念，m為概念個數，完成了復合概念的構建。

步驟1以與對應本體片段語義關聯程度為依據，確定本體片段中參與復合概念構造各本體概念的權重。若某個概念與該本體片段語義相關度非常高，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)，對應的三角模糊權重TW1=(tw1，tw2…,twm)(i=1,2,…,m)，tw=(l,k,r)為三角模糊數，其中，l、k、r分別為三角模糊數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量可表示為(rw1·N,rw2·N,…,rwm·N)。針對m個概念的名稱信息，有復合概念的名稱向量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，復合概念間的相似度計算僅考慮名稱和實例。基于Instv特征的模糊相似度和基于Nv特征的模糊相似度，分別可以根據實例向量、名稱向量得到，均服從區間型模糊分布[8]。分別按照Nv和Instv進行區間型的模糊相似度計算，然后歸一化為三角模糊相似度，再按照預先設置的權重WN和WInst進行加權復合，即可得到采用三角模糊相似度表示的基于復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、分類關系、依賴關系和公理規則5個本體元素；而片段中概念間的關系類型包括:概念間繼承(T)、概念間對象包含屬性(OA)、概念間參數依賴(D)等。面向本體關系的片段相似度計算可依據本體片段間相類似的本體概念間關系的數量進行計算。

判斷2個概念關系是否相類似的順序如下: ① 判斷2個概念關系類型是否相同；② 檢查2個概念關系的對應概念是否相類似。本文結合本體片段OM1=(c11,c12,…，c1m,r11,r12,…，r1p),i∈(1,2,…，m)，k∈(1,2,…,p)(設OM1擁有m個概念，p個關系)和OM2=(c21,c22,…,c2n,r21,r22,…,r2q),j∈(1,2,…,n),d∈(1,2,…,q)(設OM2擁有n個概念、q個關系)，來說明本體片段間面向概念關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。前者按照相關標準(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概念

}else{

SimConPair[i][1]=SimConPair[i][2]=NULL; ∥當前概念無相似概念對;

} ∥End of else

} ∥循環結束

}∥SearchingSimConPair ∥算法結束

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

步驟2若要判定兩關系是否相似，先要獲得相似概念對，然后結合關系類型綜合判斷。本文結合關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系的個數，計算過程如下(設p≤q)：

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

{SimRelPair;

∥本體片段OM1和OM2之間的相似關系對;

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

∥片段OM1中有p個關系;k∈(1，2，…，p)

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

∥片段OM2中有q個關系;d∈(1，2，…，q)

{if(OM1·r1k·type=OM2·r2d·type)

∥兩個關系類型相同;

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)

)

{

∥兩個關系相關概念互相匹配;

SimRelPair.Push(OM1·r1k,OM2·r2d);

break;

∥確定相似的關系對;

∥本算法認為，在尋找相似關系對的過程中，每個關系只能使用一次;

}∥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系相似的判斷條件包括: ① 類型相同；② 關系對應兩概念也能互相相似。該計算主要是尋找出片段OM1和OM2間類似關系對，算法完成后，相似關系對保存入隊列SimRelPair中。

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

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片段，另一本體的所有片段作為并入片段(一般較復雜本體模型作為目標本體，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片段間持續進行相似度求解，并進行本體片段創建、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本體合并算法，包括本體片段間在概念及關系的細節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，可構成OESetGroup， OESetGroup中的OESet 均必須滿足OESetGroup所對應的集合定義規則(GroupDefinitionRule)[12]。對于本體模型內部片段的結構特征，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，以較復雜本體O1中的m個本體片段作為目標片段，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構建不包括本體片段的空本體模型O3。

步驟2若O2=NULL，轉步驟5；否則，繼續步驟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和目標片段OESet1k，繼續步驟4；否則，將OESet2j添加到O3，返回步驟2。

步驟4根據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中刪除出現在(Con_Pair)中并屬于的O2的概念。再對OESet2j進行基本規則校驗(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語義關聯性不大，則拋棄對OESet2j的修改，回復到未修改狀態，并同時在系統中標記該兩個片段無法發生合并，返回步驟2；若未通過校驗，則片段對{OESet1k,OESet2j}進行細節上的合并即執行本體片段合并算法，包括概念和結構關系的合并。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，結束本體合并的過程，得到合并結果本體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系等細節層面上的合并。

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

2.2.2 基于“關系”細節的合并 本體片段中的關系可分為概念間繼承關系、概念間包含屬性關系、概念間參數依賴關系等。雖然概念間不同種類關系可并存，如本體片段中，2個概念間同時存在參數依賴關系，包含屬性關系，但系統在沖突檢測中僅考慮相同類型關系間的沖突，不同類型的關系則認為是不同種類的關系。如，若某并入片段中對應的關系類型為包含屬性關系Own，而在目標本體片段中兩概念間關系為繼承Inherit關系，就會發生沖突。沖突產生后，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系對應的2個概念均能在目標片段中找到與之匹配的概念，且這2個概念不相鄰，則直接加入該關系(或僅有一個能在目標片段中找到匹配概念，也直接加入該關系)；若在目標片段中不能找到任何一個概念與該2個概念相似，則丟棄該關系；若在目標片段中確定找到2個相鄰概念與這2個概念相類似，且2個關系類型相同，則2個關系合并為一個關系。

3 應用實例與分析

3.1本體定義元模型及組定義規則

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: 本體相關元素和定義規則相關元素。通過相應的定義規則相關元素(如組定義規則、本體設計模式等)，即可對該元模型所描述的各類本體模型進行基于結構及約束關系的形式化校驗和表示，從而使得異構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，組定義規則(GroupDefinitionRule)是用來定義這些公共特征的約束規則。如基于OCL的簡單組定義規則定義特定的OESetGroup，該簡單規則如下：

GroupDefinitionRuleA:

Context Group1OESet

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

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

將這些規則應用到本體模型中，即可半自動化地識別出相應的本體片段(先應用組定義規則，后人工調整)。另外，在面向對象的軟件開發領域中，領域模型中一些公共的經常使用的模塊被定義為設計模式。同理，在本體模型中經常使用的特殊模塊結構也可被定義為本體設計模式。因此，本體設計模式(OntologicalDesignPattern)就成為本體定義元模型中的組定義規則重要相關元素。本體設計模式可以被分類為全局模式和局部模式，相關詳細細節請參見文獻[16]。

3.2實例與分析

出于業務需要，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所對應不同組織機構的劃轉和合并。

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，應用組定義規則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)

根據本體概念和關系的上下文相關語義，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、分類關系、依賴、公理規則。

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

A: OESet2={C(事業部),C(公司),A(公司_事業部),A(事業部_領導),A(事業部_員工)}(服從GroupDefinitionRule2)。

A: OESet3={C(領導),C(行政型領導),C(技術型領導),C(生產型領導),T(領導_行政型領導),T(領導_技術型領導),T(領導_生產型領導)}(服從GroupDefinitionRule1)。

相對應地本體模型B也被劃分為3個OESet。

B: OESet1={C(職員),C(技術型職員),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(服務型集團公司),C(貿易型集團公司),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_服務型集團公司),T(集團公司_貿易型集團公司),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，經過規則校驗發現(B: OESet1)已不是完整的片段，故對{A: OESet1,B: OESet1}進行細節層面上的合并。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

上述應用實例的相似度計算結果如表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果

3.3時間復雜度分析

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

(1) 本體模型A，擁有U個本體概念或關系，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個概念或關系，且U=KP；

(2) 本體模型B，擁有V個本體概念或關系，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個概念或關系，且V=HQ。

先考慮一般情況下該本體方法的算法時間復雜度。該方法可分為3個步驟。

(1) 本體分割。采用相關組定義規則進行本體分割，其相應的算法時間復雜度與本體中的元素(概念或關系)個數相關，本體模型A和B分割的算法時間復雜度，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雜度為X(KH)。

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

綜合(1)～(3)，該算法的時間復雜度為

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之間的概念和關系分別進行兩兩匹配，其算法時間復雜度為

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

根據上述分析不難得出，當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方法降低近50%的算法時間復雜度，但由于K與H的取值一般與本體的上、下文語義相關，故在本體分割過程中需盡可能的將K與H的取值設置為U/2和V/2。

4 結 語

本文提出一種基于本體片段模糊相似度的異構本體合并方法，將先按照相關規則分割成多個本體片段，這些片段均具有獨立語義(即片段內本體元素高度相關)，從而本體之間合并就轉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層面的合并，以完成本體合并。

本文提出了基于概念或關系的兩種本體片段模糊化相似度計算方法，并在此基礎上進一步討論一種基于本體片段模糊相似度的異構本體合并的算法，該算法解決傳統本體概念相似度計算過程中出現的模糊推理特性過早判斷的問題，因此結構信息可與文本信息協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.數字化產品設計中多形態知識集成[J].上海電機學院學報,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及知識管理，

E-mail: qianpengfei@baosight.com