论文部分内容阅读
随着社会的高速发展,信息技术的发展也达到了一个新的高度。人们越来越重视信息的共享与有效信息的高效获取,这就要依靠有效的信息表示和管理。在庞大的信息面前,人们更加努力寻求将这些信息集成和共享的方法。本体因其强大信息表示和推理能力成为实现这一目标的首选技术。出于各种不同的应用目的,各领域定义了许多不同的本体。但其中有些本体却表达了相似的内容。这些本体在命名或结构上存在着许多差异,这就是本体异构问题。本体异构是本体间互操作的主要障碍。构建这么多内容相似的本体不仅浪费时间和资源,还带来了本体异构和信息互操作上的问题。本体复用技术是解决上述问题的很好方案。测量和比较本体是实现本体复用的一种可行方案。然而现有的本体测量方法忽略了本体表示的多形性和隐含语义知识添加的问题。解决这些问题的一个方式是设计一种稳定的本体测量方法,并满足自动化本体测量的基本原则。本文提出了一种基于图诱导表示(Graph Derivation Representation, GDR)的稳定本体测量方法,不仅能够获得本体的结构化语义,而且能够解决本体测量不稳定的问题。首先介绍和定义了语义测量(Semantic Measurement)和稳定测量(Stable Measurement)的概念。提出了一个分三个阶段将一个本体转换成对应的GDR的方法。在第一阶段利用一些诱导规则将一个本体中的每个公理和断言转换成其对应的GDR Ga;第二阶段通过集成操作合并每个公理和断言的GDR,生成给定本体的GDR Go,但这个Go还未经处理;最后,通过消除类的循环继承、带有传递属性的间接关系来处理Go。通过这三个阶段的处理,我们获得了可用于稳定本体测量的Go。进一步分析了基于GDR的方法的一些重要属性特征,从理论上证明了本体的GDR的唯一性、GDR保持了本体的语义和基于GDR的本体测量是稳定的。最后,通过对许多案例本体进行基于GDR的方法和现有的图模型的方法的本体测量实验来验证本文提出的GDR方法在测量和比较本体方面的有效性。根据本文提出的构建GDR的方法,开发了可在不同量度下进行基于传统图模型和基于GDR的本体测量原型系统。通过该原型系统,我们进行了一系列本体测量和比较实验。实验结果验证了本文的论述。