一種改進(jìn)的本體相似度計(jì)算方法

朱珍元，鄭 誠

(安徽大學(xué) 計(jì)算智能與信號處理教育部重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230039)

本體是共享概念化的明確具體規(guī)范，隨著語義網(wǎng)的發(fā)展，本體的應(yīng)用越來越多。用RDF[1]或 OWL[2]書寫的Web本體在語義網(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)算兩個不同本體中實(shí)體之間的相似度，當(dāng)相似度值大于某個給定的閾值時(shí)，可以認(rèn)為這兩個實(shí)體之間存在著一定的語義關(guān)系。

目前，關(guān)于本體相似度計(jì)算方法的自動化程度不高，而且不能充分利用本體的各種描述信息。已有的VDoc技術(shù)能夠較好地解決這兩方面的問題，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]將本體看成一個有向圖，圖中的每個節(jié)點(diǎn)對應(yīng)本體中的一個實(shí)體，為每個實(shí)體自動建立虛擬文檔，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)而建立起來的文檔，為每一個節(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 URIref，對 e的描述通過與其有關(guān)的名字、標(biāo)簽、注釋和其他自然語言描述信息組成，其定義[3]為：

其中 α1、α2、α3、α4是在區(qū)間[0，1]內(nèi)固定的實(shí)數(shù)，分別表示名字、標(biāo)簽、注釋和其他自然語言描述信息在對e描述中的權(quán)重，其具體值可以通過實(shí)驗(yàn)確定。

定義 2 (虛擬文檔)：假設(shè) e是一個 URIref，e的虛擬文檔VD(e)定義為：

其中，sn(e)代表關(guān)于實(shí)體 e的子概念集合，on(e)代表關(guān)于實(shí)體 e 的父概念集合，γ1、γ2是在[0，1]內(nèi)固定的實(shí)數(shù)，其具體值需要通過實(shí)驗(yàn)確定。

1.2 相似度計(jì)算

本體中每一個實(shí)體(節(jié)點(diǎn))的描述信息(語言學(xué)特征)通過該節(jié)點(diǎn)的虛擬文檔表示。因此，兩個本體中實(shí)體的相似度可通過計(jì)算與之對應(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。將兩個待匹配的虛擬文檔用向量空間中的一個向量表示，當(dāng)然在相似度計(jì)算之前還要對文檔進(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N×W的矩陣X，其中N是虛擬文檔的個數(shù)，W表示所有虛擬文檔中token的總數(shù)?？梢酝ㄟ^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，每個值也代表了兩個虛擬文檔之間的相似度，從而得到與之對應(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 URIref，e的虛擬文檔NVD(e)的表示方程為：

其中，γ1、γ2、γ3、γ4是在[0，1]內(nèi)固定的實(shí)數(shù)，其具體值需要通過實(shí)驗(yàn)確定。

2.2 簡單示例

假設(shè)一個簡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：

圖1 本體片段模型

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的開源資源Framework forOntologyAlignmentandMapping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個節(jié)點(diǎn)，russia2中共有51個節(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估函數(shù)以及運(yùn)行時(shí)間作為評價(jià)標(biāo)準(zhǔn)對實(shí)驗(yàn)結(jié)果進(jìn)行評估。

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)算也是通過描述的方法實(shí)現(xiàn)，初步實(shí)驗(yàn)結(jié)果如表1所示。

表1 初步實(shí)驗(yàn)結(jié)果

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，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。

圖2 綜合評估對比

圖3 運(yùn)行時(shí)間對比

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，但從整體上來看，效率上的部分損失換來更好的查準(zhǔn)率和查全率也是值得的。

本文針對計(jì)算本體中實(shí)體相似度存在的問題提出改進(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。

[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 ofvectorspace modelforinformation 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.