指揮信息系統(tǒng)測試數(shù)據(jù)在利用本體技術(shù)進行數(shù)據(jù)集成時,現(xiàn)有的本體映射模型準確率不高,影響集成效果。針對這種情況,提出基于主成分分析（Principal Component Analysis,PCA）和K-Modes蟻群聚類（K-Modes Ant Colony Clustering,KMACC）算法的本體映射方法。在基于PCA算法的本體概念相似度綜合計算模型基礎(chǔ)上,引入KMACC算法,實現(xiàn)批量本體概念映射關(guān)系的發(fā)現(xiàn),進一步提高映射的準確性。實驗結(jié)果表明,相比于傳統(tǒng)基于Hownet的映射方法和RiMOM方法,該方法有效提升了本體映射的查全率和查準率,較好地解決了本體概念集成中的關(guān)鍵問題。 

【文章來源】：計算機應(yīng)用與軟件. 2020,37(12)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

基于PCA的本體概念相似度綜合計算模型

為解決傳統(tǒng)聚類易收斂于非全局最優(yōu)及早熟問題,本文將K-Modes聚類算法與蟻群聚類算法相結(jié)合并加以改進,提出KMACC算法,應(yīng)用于本體概念的映射發(fā)現(xiàn)中,有效提高了聚類的精度和效率。KMACC算法的流程如圖2所示。算法具體步驟為:

基于PCA和KMACC的本體映射方法如圖3所示。首先將多個本體樹的本體概念抽取出來放入集合中,采用基于PCA的本體概念相似度計算綜合模型本體概念間的距離,利用K-Modes蟻群聚類算法實現(xiàn)本體概念的聚類,發(fā)現(xiàn)映射關(guān)系,并將目標本體設(shè)定為各簇中出現(xiàn)頻次最多的本體概念,建立映射關(guān)系,最后利用基于規(guī)則的本體映射修正策略[17]修正映射中出現(xiàn)的偏差,完成映射。3 實 驗

【參考文獻】：
期刊論文
[1]基于WordNet的概念語義相似度的計算方法[J]. 孫麗莉,張小剛.  統(tǒng)計與決策. 2017(23)
[2]本體映射綜述[J]. 王順,康達周,江東宇.  計算機科學(xué). 2017(09)
[3]本體映射系統(tǒng)的評價體系研究[J]. 黃奇,范佳林,陸佳瑩,錢韻潔.  情報學(xué)報. 2017(08)
[4]基于密度峰值優(yōu)化的K-means文本聚類算法[J]. 田詩宵,丁立新,鄭金秋.  計算機工程與設(shè)計. 2017(04)
[5]基于樹結(jié)構(gòu)的本體概念相似度計算方法[J]. 徐英卓,賈歡.  計算機系統(tǒng)應(yīng)用. 2017(03)
[6]中文領(lǐng)域知識半自動化OWL本體構(gòu)建方法研究[J]. 董洋溢,李偉華,陳世亮.  計算機應(yīng)用與軟件. 2016(05)
[7]基于本體的綜合加權(quán)案例相似度算法研究[J]. 張賢坤,張倩.  計算機應(yīng)用研究. 2017(02)
[8]一種改進的本體相似度綜合映射方法研究[J]. 姚香菊,謝穎華.  計算機與現(xiàn)代化. 2014(11)
[9]WordNet中的綜合概念語義相似度計算方法[J]. 王桐,王磊,吳吉義,徐賀.  北京郵電大學(xué)學(xué)報. 2013(02)
[10]基于WordNet的關(guān)聯(lián)數(shù)據(jù)本體映射研究[J]. 潘有能,劉朝霞.  情報雜志. 2013(02)



本文編號：3568833