面向大规模本体重用的子本体模型研究

论文摘要

本体作为语义Web的知识表示基础,在构建基于语义的系统或应用中发挥着至关重要的作用。随着本体规模的增长,系统处理和利用本体的效率会降低。对于大规模的领域本体,语义Web应用通常只需要利用其中的部分内容。从目前语义Web和本体的研究来看,还缺乏比较有效的模型与方法,来支持在语义Web应用中对大规模本体的重用。为了构建和推广面向语义Web的应用,有效地管理和利用已有的大规模本体已经成为一个十分现实和迫切的需求。基于上述背景,本文着重探讨了面向大规模本体重用的子本体模型,主要研究内容和贡献包括以下几个方面:□针对语义Web应用在利用本体时存在的局部性,提出了子本体的表示方法。将来自于大规模本体的上下文相关的模块表示为子本体,给出了子本体的形式化表示,并定义了针对子本体的对象操作。语义Web应用能够根据需要动态地抽取子本体,创建特定的子本体知识库。将缓存机制与本体重用相结合,利用子本体缓存作为系统的局部知识库,支持对大规模本体的动态重用。□对面向子本体的推理问题进行了研究。提出了子本体中的基本推理任务,通过特定的子本体推理算法,将本体的推理问题转化为子本体的推理问题,能从一定程度上降低推理的复杂性、提高推理的效率。给出了基于子本体表示的Tableau算法,支持模块化的本体推理。证明了面向子本体的Tableau算法相对源本体而言是半判定的,并给出了保持一致性的扩展推理算法。□针对子本体知识库的优化问题,提出了基于遗传算法的优化方法。该方法对传统的遗传算法进行扩展,提出了基于语义的遗传算法SemGA,使用基于三元组的非二进制编码方式将子本体表示为染色体,根据语义关系执行遗传算子。利用SemGA进行动态地演化,从而达到优化知识库的语义结构的目的。与一般的缓存策略相比,基于演化的方法在效率上和性能上都有比较明显的优势。□面向分布式的Web资源,提出了基于子本体的资源集成与管理方法。该方法利用本体语义对分布式的Web资源进行集成,通过在资源模式与本体之间建立语义映射,实现以子本体为单位的资源管理。将资源匹配过程转化为资源请求与子本体之间的概念匹配,利用遗传算法进行资源优化,满足动态变化的资源请求。模拟实验的结果表明,该算法能进一步提高资源匹配和重用的效率。基于上述工作,同时还设计并实现了一个子本体原型系统DartOnto,支持面向中医药领域的大规模本体重用。通过实例进一步说明了如何应用子本体模型创建中医药知识服务,解决大规模领域本体的重用问题。

论文目录

• 致谢
• 序言
• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.1.1 研究背景
• 1.1.2 研究目的与意义
• 1.2 主要研究内容和创新
• 1.3 本文组织结构
• 第2章 本体重用综述
• 2.1 本体的基础知识
• 2.1.1 本体的基本概念
• 2.1.2 本体的表示语言
• 2.1.3 描述逻辑
• 2.1.4 本体的建模与开发
• 2.2 本体重用研究
• 2.2.1 本体模块化
• 2.2.2 本体上下文
• 2.2.3 本体演化
• 2.2.4 本体缓存与语义缓存
• 2.3 研究现状小结
• 2.4 本章小结
• 第3章 子本体的表示
• 3.1 基本概念
• 3.1.1 子本体的定义
• 3.1.2 子本体空间
• 3.1.3 异源子本体
• 3.2 子本体操作
• 3.2.1 子本体抽取
• 3.2.2 子本体存储
• 3.2.3 子本体比较
• 3.2.4 子本体获取
• 3.2.5 子本体合并
• 3.2.6 子本体更新
• 3.3 子本体操作分析
• 3.3.1 操作的时间复杂度
• 3.3.2 操作的正确性
• 3.4 子本体知识库
• 3.4.1 基于缓存的本体重用
• 3.4.2 知识库架构
• 3.4.3 知识库操作
• 3.5 本章小结
• 第4章 子本体的推理
• 4.1 子本体的推理问题
• 4.1.1 推理任务与问题
• 4.1.2 基于子本体的推理
• 4.2 子本体推理的Tableau算法
• 4.2.1 描述逻辑的Tableau算法
• 4.2.2 基于子本体的Tableau推理
• 4.2.3 推理的一致性
• 4.2.4 扩展推理算法
• 4.3 推理算法分析
• 4.3.1 复杂度分析
• 4.3.2 相关算法比较
• 4.4 本章小结
• 第5章 子本体知识库的优化
• 5.1 知识库的评价与优化
• 5.1.1 知识库的评价
• 5.1.2 知识库的优化
• 5.2 知识库优化算法
• 5.2.1 基于语义的遗传算法
• 5.2.2 问题编码
• 5.2.3 适应度评价
• 5.2.4 遗传算子
• 5.2.5 优化过程
• 5.2.6 一致性分析
• 5.3 模拟试验与结果分析
• 5.3.1 实验设计
• 5.3.2 缓存性能比较
• 5.3.3 知识结构分析
• 5.3.4 子本体的抽取深度
• 5.4 本章小结
• 第6章 基于子本体的资源管理
• 6.1 基于子本体的资源集成
• 6.1.1 Web资源的集成与管理
• 6.1.2 基于本体的语义映射
• 6.1.3 语义映射的子本体扩展
• 6.2 基于子本体的资源匹配
• 6.2.1 资源匹配
• 6.2.2 资源优化算法
• 6.3 模拟实验与结果分析
• 6.3.1 实验设计
• 6.3.2 适应度分析
• 6.3.3 语义匹配度分析
• 6.3.4 SMD权重系数分析
• 6.4 本章小结
• 第7章 子本体原型系统与应用
• 7.1 子本体原型系统DartOnto
• 7.1.1 DartGrid
• 7.1.2 DartOnto系统架构
• 7.2 面向中医药的子本体知识服务
• 7.2.1 中医药领域本体
• 7.2.2 中医药知识服务
• 7.3 本章小结
• 第8章 总结与展望
• 8.1 全文总结
• 8.2 未来工作展望
• 参考文献
• 作者简历
• 攻读博士学位期间主要的研究成果