基于SWRL推理的语义关联发现及其在本体映射与集成中的应用

论文摘要

构造本体的目的是为了知识共享和重用。然而，语义Web由多种信息源组成，每个信息源都以自身本体的形式表示，由于时间、地点、目的、知识以及构造者的不同，导致即使对同一问题，本体的构造也会有很大的差异。这必然造成本体之间的冲突，很难实现真正的共享和重用。为了解决该问题，人们提出了本体映射与集成技术。 本体映射与集成是语义网的两个关键技术，其中，发现本体概念之间的语义关联至关重要。目前，相似度计算是发现语义关联的重要手段，通过相似度计算对概念间的相似情况进行评价，推导出概念之间的相似与否，进而实现本体中概念的映射。然而，不论是根据概念实例计算相似度还是利用启发规则计算相似度，都不能有效地发现某些隐含的关联关系，甚至，某些关联根本无法从相似度计算中得到，需要人工干预，具有一定的局限性。 本文提出的基于SWRL推理的语义关联发现技术—SWRL Based Semantic Relevant Discovery（简称SSRD）是基于SWRL中的OWL语法，在推理过程中，将语义网规则语言SWRL和推理引擎JESS结合起来，通过建立规则和进行逻辑推理，能够有效发现本体之间隐含的语义关联。该研究对语义映射中相似度计算进行了很好的补充，是一种完善本体语义映射与集成方法的新尝试。 SSRD参考了Christine Golbreich关于家庭成员的关系模型，从中截取了模型中部分类和相关的部分属性，重新构建了一些核心概念、实例及其相关关系，建立了家庭本体模型FO，该模型包含了家庭成员的OWL本体和由SWRL定义的成员关系。SSRD以FO为实例，展示了通过使用SWRL和JESS，从语法、语义和判断推理上发现本体概念语义关联的过程，实现本体映射与集成，并完善集成后的本体成员逻辑关系。 论文共七章，内容如下： 第一章从语义Web的基本体系结构出发，剖析了在本体推理、映射和集成研究中存在的诸多问题，对该领域目前研究的总体现状进行了述评，介绍了论文的主要内容和研究意义，并对论文的主要创新进行了简单归纳。 第二章介绍了本体的定义和构成，以及SHOE、RDF、RDFS、DAML+OIL、OWL等本体表示语言，重点分析了SSRD系统所选用的基于描述逻辑OWL DL的语法与语义构成。在此基础上，本章使用Protégé构建了SSRD的本体模型FO，该模型包含了

论文目录

• 独创性声明
• 学位论文版权使用授权书
• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 研究背景
• 1.3 相关研究述评
• 1.4 主要内容
• 1.5 研究的意义
• 1.6 论文的主要创新
• 第2章 SSRD本体模型的构建
• 2.1 本体的定义和构成
• 2.2 本体描述语言
• 2.3 描述逻辑 DL
• 2.4 OWL DL的语法与语义
• 2.5 SSRD本体模型 FO的构建
• 2.6 本章小结
• 第3章 SSRD的逻辑推理
• 3.1 基于 DL的知识表示与推理
• 3.2 SSRD系统的知识表示
• 3.3 SSRD推理方法
• 3.4 SSRD推理示例
• 3.5 SSRD的语义网规则语言 SWRL
• 3.6 SSRD的推理引擎 JESS
• 3.7 使用推理确立语义关联
• 3.8 本章小结
• 第4章 本体映射与集成技术
• 4.1 本体映射系统及其分类
• 4.2 本体集成分类与方法
• 4.3 本体概念的语义栈
• 4.4 语义相似度的计算
• 4.5 SSRD本体 FO语义相似度的计算
• 4.6 本章小结
• 第5章 基于SWRL推理的SSRD
• 5.1 SSRD框架设计
• 5.2 SSRD的SWRL规则
• 5.3 JESS规则库和事实库的转换
• 5.4 SSRD推理
• 5.5 SSRD运行
• 5.6 本章小结
• 第6章 SSRD实现本体映射与集成
• 6.1 SSRD的流程设计
• 6.2 构建 FO本体库
• 6.3 构建TBOX
• 6.4 构建两个家庭本体的ABOX
• 6.5 本体映射与集成
• 6.6 本体一致性检查
• 6.7 查询
• 6.8 本章小结
• 第7章 结论和展望
• 7.1 论文的主要结论
• 7.2 未来工作展望
• 攻读博士期间发表的论文
• 致谢