摘 要： 為了能夠充分地挖掘、分享和重復(fù)利用本體中的知識(shí)，提出一種基于映射關(guān)系的分簇方法，先通過(guò)已存在的高質(zhì)量的本體映射關(guān)系，對(duì)原本體和目標(biāo)本體分別進(jìn)行分簇，再挖掘出實(shí)體間潛在的關(guān)系。通過(guò)實(shí)驗(yàn)證明，采用改進(jìn)的映射方法提高了本體映射的質(zhì)量，采用具有完善實(shí)體關(guān)系的映射結(jié)果提高了檢索系統(tǒng)的準(zhǔn)確率和查全率。
關(guān)鍵詞： 分簇；本體映射；實(shí)體關(guān)系發(fā)現(xiàn)
隨著越來(lái)越多的本體被開發(fā)，以及持續(xù)性和高效性的知識(shí)訪問(wèn)需求不斷提高，本體知識(shí)的充分挖掘、分享和重復(fù)利用已成為本體庫(kù)優(yōu)化的重要研究?jī)?nèi)容。由于本體的獨(dú)立開發(fā)性，導(dǎo)致在相同或者重疊領(lǐng)域本體中實(shí)體的定義和實(shí)體間的關(guān)系有所不同，即本體間的互操作性較低。本體映射已成為當(dāng)今本體研究中的熱點(diǎn)，它是解決并促進(jìn)本體間互操作性問(wèn)題的重要方法。但是要更充分地挖掘、分享和重復(fù)利用本體知識(shí)，該方法還需要不斷地改進(jìn)和優(yōu)化。本體映射過(guò)程中存在以下兩個(gè)問(wèn)題：
(1)基于特征低相似性進(jìn)行本體映射的質(zhì)量不高。目前對(duì)語(yǔ)義、詞匯和結(jié)構(gòu)特性相似度較高的本體進(jìn)行映射，在一定范圍內(nèi)其映射質(zhì)量是較高的，但是大部分本體的建模粒度都不相同，導(dǎo)致本體中實(shí)體表示的詞匯和結(jié)構(gòu)特性都不相同，即本體中實(shí)體的特征相似度較低，所以采用基于詞匯和結(jié)構(gòu)特征的相似性進(jìn)行本體映射的質(zhì)量不高。
(2)映射結(jié)果中實(shí)體關(guān)系不夠完善。目前大量本體映射方法在建立了本體映射關(guān)系后不會(huì)對(duì)實(shí)體關(guān)系進(jìn)行分析和處理，導(dǎo)致本體映射結(jié)果的實(shí)體關(guān)系不夠完善，應(yīng)用質(zhì)量較低。
1 相關(guān)工作
目前大多數(shù)的本體映射方法（例如ASMOV[1-2]和RiMOM[3]等）是基于詞匯和結(jié)構(gòu)特征的相似性進(jìn)行本體映射的，在一定范圍內(nèi)映射質(zhì)量較高，但當(dāng)兩個(gè)本體的建模粒度不相同時(shí)，采用基于這些特征相似性進(jìn)行本體映射的質(zhì)量就較低。例如，石灰在原本體中包括氧化鈣和氫氧化鈣，在目標(biāo)本體中包括煅燒石灰、熟石灰、石灰乳和消石灰，這兩個(gè)本體中用不同的術(shù)語(yǔ)描述相同的信息石灰，采用傳統(tǒng)的本體映射方法測(cè)量得到的映射準(zhǔn)確度低于1%，本體映射時(shí)就無(wú)法建立實(shí)體間高質(zhì)量的映射關(guān)系。為解決這一問(wèn)題，可以重復(fù)利用已存在的高質(zhì)量本體映射關(guān)系，提高本體映射的質(zhì)量。調(diào)查本體映射關(guān)系重復(fù)利用的目的在于利用多對(duì)一或者一對(duì)多的實(shí)體映射關(guān)系實(shí)現(xiàn)分簇的過(guò)程，從而獲取準(zhǔn)確的匹配信息。
本文以最新的ASMOV映射系統(tǒng)[4]為基礎(chǔ)。它是一種半自動(dòng)化本體映射過(guò)程，聯(lián)合了元素級(jí)和結(jié)構(gòu)級(jí)的相似度測(cè)量，使用本體中四種不同特征相似度的加權(quán)平均值作為實(shí)體間的總相似度，采用了語(yǔ)義驗(yàn)證要求遵守的規(guī)則來(lái)判斷是否建立映射鏈接的技術(shù)，以確保建立的映射鏈接不包含語(yǔ)義矛盾，但是其映射匹配的準(zhǔn)確率和查全率還有待提高。針對(duì)本體映射過(guò)程中存在的問(wèn)題以及ASMOV在映射匹配質(zhì)量方面的不足，提出了一種基于分簇的本體映射方法OMMC(Ontology Mapping Method based on Clumping)，該方法有助于建立本體間高質(zhì)量的映射關(guān)系，通過(guò)高質(zhì)量的映射關(guān)系再進(jìn)行實(shí)體間關(guān)系的再發(fā)現(xiàn)，從而提高了本體映射的應(yīng)用質(zhì)量。
2 基于分簇的本體映射
基于分簇的本體映射的流程是：先將原本體和目標(biāo)本體分別進(jìn)行分簇，再將分簇后的原本體和目標(biāo)本體應(yīng)用于ASMOV映射系統(tǒng)中的本體映射，主要包括分簇和建立映射鏈接兩個(gè)模塊。
2.1 分簇
定義1 簇。利用已存在的高質(zhì)量的本體映射關(guān)系，在多對(duì)一的映射場(chǎng)景下，一個(gè)本體O中的多個(gè)實(shí)體和另一個(gè)本體中的相同實(shí)體匹配，則將這多個(gè)實(shí)體看做是一個(gè)簇，本體O可劃分為多個(gè)簇。
對(duì)原本體和目標(biāo)本體分別進(jìn)行分簇，原本體和目標(biāo)本體都被劃分為多個(gè)簇，得到一個(gè)原本體的劃分和一個(gè)目標(biāo)本體的劃分。以農(nóng)業(yè)領(lǐng)域的本體S和本體T為例，原本體S是PWP(Prism Web Pages)定義的一個(gè)中文本體，包含1 028個(gè)實(shí)體，S和本體PWP1已存在本體映射關(guān)系，通過(guò)它們之間的映射關(guān)系進(jìn)行分簇，可將S劃分為196個(gè)簇，S中一個(gè)簇的映射關(guān)系如表1所示；目標(biāo)本體T是FAO(Food and Agriculture Organization)定義的一個(gè)中文本體，包含2 420個(gè)實(shí)體，T和本體FAO1已存在本體映射關(guān)系，通過(guò)它們之間的映射關(guān)系進(jìn)行分簇，將T劃分為357個(gè)簇，T中一個(gè)簇的映射關(guān)系如表2所示。
2.2 建立映射鏈接
對(duì)原本體S和目標(biāo)本體T分別進(jìn)行分簇，得到了兩個(gè)穩(wěn)定性劃分PS和PT后，直接進(jìn)入本體映射匹配階段，在ASMOV系統(tǒng)中，對(duì)本體S和目標(biāo)本體T采用OMMC方法進(jìn)行映射的過(guò)程如圖1所示。
本體映射的核心模塊是相似度計(jì)算，改進(jìn)的ASMOV映射過(guò)程在相似度計(jì)算時(shí)要優(yōu)先考慮在一個(gè)簇中的實(shí)
運(yùn)行改進(jìn)后的ASMOV系統(tǒng)步驟如下：
(1)數(shù)據(jù)準(zhǔn)備。準(zhǔn)備好已經(jīng)分簇的原本體和目標(biāo)本體。
(2)預(yù)處理階段進(jìn)行詞匯匹配。利用一個(gè)詞庫(kù)來(lái)計(jì)算概念、屬性和個(gè)體的詞匯相似度。
(3)進(jìn)行相似度計(jì)算。包括外部關(guān)系、內(nèi)部匹配和個(gè)體匹配相似度的計(jì)算，并將計(jì)算結(jié)果放入相似度矩陣中。
(4)從相似矩陣中提取兩個(gè)本體中相似度最高的匹配對(duì)實(shí)體集，依據(jù)這些實(shí)體集找到對(duì)應(yīng)的簇，建立簇中實(shí)體間多對(duì)多的映射關(guān)系，并放入預(yù)映射模塊中。
(5)對(duì)預(yù)映射模塊中的映射關(guān)系集進(jìn)行語(yǔ)義驗(yàn)證，即通過(guò)一些已定義的規(guī)則進(jìn)行驗(yàn)證并修剪無(wú)效的映射關(guān)系，且將連接無(wú)效映射關(guān)系的實(shí)體間相似度置零。循環(huán)執(zhí)行步驟(3)～步驟(5)，直到本體S或T中所有簇都執(zhí)行一遍迭代過(guò)程。
(6)提取最終的本體映射關(guān)系。
3 實(shí)體關(guān)系的再發(fā)現(xiàn)
在建立了高質(zhì)量的本體映射關(guān)系后，連接每一條映射關(guān)系的兩個(gè)實(shí)體間都可發(fā)現(xiàn)新的關(guān)系，主要包括父類關(guān)系發(fā)現(xiàn)、子類關(guān)系發(fā)現(xiàn)和等價(jià)類關(guān)系發(fā)現(xiàn)。
規(guī)則1 父類關(guān)系發(fā)現(xiàn)是指若連接一條映射關(guān)系的兩個(gè)實(shí)體的父類不同，那么這兩個(gè)實(shí)體的父類可以合并，同時(shí)對(duì)合并后的父類消除重復(fù)，最后這兩個(gè)實(shí)體得到了相同的新的父類集合，依此類推應(yīng)用于每一條映射關(guān)系中。如圖2所示，建立實(shí)體C4和實(shí)體E2的映射關(guān)系以后，C4和E2的父類都為C1和E1，若C1與E1重復(fù)，那么去除重復(fù)后C4和E2的父類都為C1或者E1。
規(guī)則2 子類關(guān)系發(fā)現(xiàn)是指若連接一條映射關(guān)系的兩個(gè)實(shí)體的子類不同，那么這兩個(gè)實(shí)體的子類可以合并，同時(shí)對(duì)合并后的子類消除重復(fù)，最后這兩個(gè)實(shí)體得到了相同的新的子類集合，依此類推應(yīng)用于每一條映射關(guān)系中。如圖3所示，建立C4和E2的映射關(guān)系以后，C4和E2的子類都為C5、C6、C7和E4，若E4與C5、C6和C7其中一個(gè)重復(fù)，那么去除重復(fù)后C4和E2的子類都為C5、C6和C7。
在合并父類、子類及等價(jià)類關(guān)系時(shí)，以T為目標(biāo)，且需互相說(shuō)明彼此之間的關(guān)系，如果發(fā)生沖突，則調(diào)用以下沖突處理規(guī)則進(jìn)行解決。
規(guī)則 4 類層次結(jié)構(gòu)沖突處理[6]。以目標(biāo)本體中類層次結(jié)構(gòu)為基準(zhǔn)，刪除原本體的沖突結(jié)構(gòu)，保證關(guān)系合并中類層次結(jié)構(gòu)的完整性。例如在本體S中的C2和C3是等價(jià)類，在本體T中的E1是E2的父類，若C2和E1建立了映射關(guān)系，C3和E2建立了映射關(guān)系，則先合并E2，然后合并E1，本體中C2和C3既是父子關(guān)系又是等價(jià)關(guān)系，此時(shí)就存在類層次沖突問(wèn)題，以本體T層次結(jié)構(gòu)為基準(zhǔn)，把C2和C3的等價(jià)類關(guān)系刪除。
4 實(shí)驗(yàn)評(píng)估
4.1 改進(jìn)ASMOV前后映射質(zhì)量比較實(shí)驗(yàn)
在ASMOV的測(cè)試場(chǎng)景中，逐步對(duì)本體S和本體T進(jìn)行映射檢測(cè)，獲取的參數(shù)包括標(biāo)準(zhǔn)配對(duì)數(shù)x、配對(duì)總數(shù)量n和配對(duì)總數(shù)n中準(zhǔn)確的配對(duì)數(shù)r，通過(guò)獲取的參數(shù)值來(lái)計(jì)算匹配的準(zhǔn)確率P和查全率R，其計(jì)算公式為P=r/n和R=r/x。經(jīng)過(guò)多次測(cè)試改進(jìn)前后的方法，證明采用OMMC方法得到的映射匹配質(zhì)量均明顯提高，相對(duì)于傳統(tǒng)方法，在相同條件下采用OMMC方法使得匹配的準(zhǔn)確率和查全率均提高了約0.2。比較結(jié)果如表3和圖5所示。
4.2 關(guān)系再發(fā)現(xiàn)前后映射結(jié)果應(yīng)用的質(zhì)量比較實(shí)驗(yàn)
本文提出的分簇方法是在已存在的高質(zhì)量的本體映射關(guān)系中發(fā)現(xiàn)本體內(nèi)部結(jié)構(gòu)，即將本體劃分為若干個(gè)簇。在映射匹配時(shí)采用以簇為單位替換以實(shí)體為單位的ASMOV方法，建立高質(zhì)量的本體映射關(guān)系，然后對(duì)實(shí)體關(guān)系進(jìn)行再發(fā)現(xiàn)，完善了映射結(jié)果的實(shí)體關(guān)系。將實(shí)體關(guān)系完善前后的映射結(jié)果應(yīng)用于海量農(nóng)業(yè)信息語(yǔ)義檢索系統(tǒng)中，用多組請(qǐng)求信息分別進(jìn)行檢索，比較檢索結(jié)果的準(zhǔn)確率和查全率。
海量農(nóng)業(yè)信息語(yǔ)義檢索系統(tǒng)總體框架主要包括本體管理、數(shù)據(jù)獲取、請(qǐng)求管理、請(qǐng)求信息匹配、海量農(nóng)業(yè)信息處理及語(yǔ)義請(qǐng)求客戶端6個(gè)部分。通過(guò)網(wǎng)絡(luò)爬蟲工具采集海量農(nóng)業(yè)信息，并對(duì)爬下的網(wǎng)頁(yè)進(jìn)行信息的抽取和整理，抽取和整理后的網(wǎng)頁(yè)可保存在海量農(nóng)業(yè)信息數(shù)據(jù)庫(kù)中作為檢索時(shí)的資源庫(kù)。為使實(shí)驗(yàn)?zāi)軌蚋鼫?zhǔn)確和更快速得出結(jié)論，選擇了整理好的10萬(wàn)個(gè)網(wǎng)頁(yè)作為資源庫(kù)，運(yùn)用該系統(tǒng)進(jìn)行實(shí)驗(yàn)的具體步驟如下：
(1)清除本體庫(kù)中已經(jīng)存在的本體信息，將本體及映射結(jié)果添加到本體庫(kù)中。
(2)將本體庫(kù)中的本體信息與海量農(nóng)業(yè)信息相關(guān)聯(lián)，即運(yùn)行信息標(biāo)注與詞頻計(jì)算、倒排表建立和農(nóng)業(yè)信息聚類3個(gè)模塊，并將關(guān)聯(lián)信息存入海量農(nóng)業(yè)信息數(shù)據(jù)庫(kù)中。
(3)通過(guò)配置文件管理接口設(shè)置配置文件信息，如本體庫(kù)中等價(jià)類、父類和子類各自所占的權(quán)重等。
(4)啟動(dòng)系統(tǒng)服務(wù)器，在用戶檢索接口輸入用戶需要檢索的信息。
(5)計(jì)算檢索結(jié)果的準(zhǔn)確率和查全率。
在建立高質(zhì)量的本體映射鏈接后得到映射結(jié)果M1，在完善映射結(jié)果M1中的實(shí)體關(guān)系后得到映射結(jié)果M2，將M1和M2分別應(yīng)用于海量農(nóng)業(yè)信息語(yǔ)義檢索系統(tǒng)中，運(yùn)行該系統(tǒng)進(jìn)行實(shí)驗(yàn)，輸入多組檢索數(shù)據(jù)，計(jì)算檢索結(jié)果的準(zhǔn)確率和查全率，如圖6所示。通過(guò)比較分析可知，對(duì)采用了M2的系統(tǒng)進(jìn)行檢索，得到了較高的準(zhǔn)確率和查全率，從而表明了完善映射結(jié)果中的實(shí)體關(guān)系對(duì)本體映射應(yīng)用的重要性。
本文提出一種基于映射關(guān)系的分簇方法，首先通過(guò)各自已有的映射關(guān)系，對(duì)原本體和目標(biāo)本體分別進(jìn)行分簇，再采用改進(jìn)的ASMOV映射系統(tǒng)，建立高質(zhì)量的映射關(guān)系，并完善實(shí)體間的關(guān)系。通過(guò)對(duì)比采用OMMC方法和傳統(tǒng)方法的ASMOV系統(tǒng)的映射質(zhì)量，可知采用OMMC方法具有一定的優(yōu)越性，即匹配結(jié)果更準(zhǔn)確和全面；通過(guò)對(duì)比完善實(shí)體關(guān)系前后本體映射結(jié)果應(yīng)用的質(zhì)量，可知完善了實(shí)體關(guān)系的映射結(jié)果應(yīng)用于檢索系統(tǒng)中，提高了檢索系統(tǒng)的準(zhǔn)確率和查全率。
參考文獻(xiàn)
[1] Jérme Euzenat，MEILICKE C，STUCKENSCHMIDT H，et al.Ontology alignment evaluation initiative：six years of experience[C].Proceedings of the Journal on Data Semantics XV.Berlin Heidelberg：Springer，2011：158-192.
[2] JEAN-MARY Y R，SHIRONOSHITA E P，KABUKA M R. Ontology matching with semantic verification[J].Web Semantics，2009，7(3)：235-251.
[3] Wang Zhichun，Zhang Xiao，Hou Lei，et al.RiMOM results for OAEI 2010[C].Proceedings of the 5th International Workshop on Ontology Matching(OM-2010) collocated with the 9th International Semantic Web Conference(ISWC-2010).Shanghai：CEUR-WS，2010：195-202.
[4] ASMOV Results for OAEI 2007[EB/OL].[2012-06-30].http：//ftp.informatik.rwth-aachen.de/Publications/CEUR-WS/Vol-304/paper12.pdf，2007.
[5] 張釙.基于語(yǔ)義的網(wǎng)絡(luò)服務(wù)匹配機(jī)制的研究與實(shí)現(xiàn)[D]. 北京：清華大學(xué)，2005.
[6] 羅正海.面向語(yǔ)義Web服務(wù)的本體合并研究[D].大連：大連海事大學(xué)，2009.