自1989年Tim Berners Lee提出万维网后,人类便真正进入了信息爆炸式增长的时代。1.0时期的万维网由网页互相链接而成,但万维网中的网页内容都是通过文档呈现的。在万维网1.0时期,计算机将网页信息呈现给用户,但信息本身所包含的语义无法转化为计算机可理解的计算机语言,方便计算机进行理解、处理。为解决万维网1.0中的存在的以上问题,万维网之父Tim Berners Lee在2001年提出语义网,语义网是一个能够让计算机理解互联网中数据的语义信息,以及数据之间的逻辑关系,使得网页中的数据实现互相关联的数据智能网络。为了构建语义网,国际万维网组织(W3C)在2007年发起了开放链接数据项目,该项目旨在将推动万维网由网页互联走向成知识互联,也有助于推动语义网的发展。项目发起后,研究者们可以对语义数据进行关联和独立发布,从而形成了众多的知识库。本体可以看作知识库的结构框架,定义了概念与概念之间层次关系,形式化地定义了同一领域内共同认可的知识。由于知识库可以分布式地发布到万维网中,多个人对同一或相关联的领域知识构建的不同知识库,在发布数据时,个人的差异会导致对同一个概念命名不相同,取值范围不同等问题,即是本体的异构问题。本体异构问题,在两个本体合并过程中,会导致语义网中许多知识互相关联的缺失并且产生冗余信息。为解决本体异构的问题,自20世纪90年代末开始,国内外学者便开始了对本体匹配的研究,经过数十年的积累,已有大量的本体匹配方法被学者提出。这些方法大致可分为基于统计学习的方法和基于深度学习的方法。基于统计的方法需要借助人工构建特征,而该工作通常比较耗时且难以找到合适的特征;现有的基于深度学习的本体匹配方法克服了基于统计学习类方法中人工构建特征的困难,而忽略了本体本身的结构信息,本体本身的结构信息也包含了大量的语义,会直接影响本体匹配方法的性能。另一方面,基于深度学习的本体匹配方法采用的随机向量或者通过文本预训练模型得到的概念向量表示通常不符合概念在知识图谱中的表示。在知识图谱表示模型中,概念或者关系的表示非常依赖模型的参数。如何在知识图谱表示学习中找到更好的参数从而改善待匹配概念的表示并提高本体匹配的效果也是需要克服的问题。针对现有基于深度学习的方法存在的两个问题,一方面,本文提出了一个新的本体匹配模型MOMWH,MOMWH利用多视角的方法来提取概念信息,从概念的文本、概念在多个本体间的映射和概念所处的本体本身三个视角来计算概念的表示,从多视角不同的维度对待匹配的概念对进行计算,进而提升了本体匹配的性能,也有效减少人工对特征进行筛选的成本。另一方面,为解决如何找到更好参数得到概念向量表示的问题,来进一步提升本体匹配的性能,本文首次将黑箱优化和知识图谱表示学习进行结合。通过HORD算法自动调节多个表示学习模型的参数,进一步使得多视角表示学习模型可以学习更好的特征。最后,通过在真实的生物医学本体数据集上进行的多组实验,本文设计的方法超过了现有的研究,也在一定程度上解决了现有方法的问题。