基于主成分分析和K-Modes蚁群聚类的本体映射方法

发布时间：2022-01-04 18:18

　　指挥信息系统测试数据在利用本体技术进行数据集成时,现有的本体映射模型准确率不高,影响集成效果。针对这种情况,提出基于主成分分析（Principal Component Analysis,PCA）和K-Modes蚁群聚类（K-Modes Ant Colony Clustering,KMACC）算法的本体映射方法。在基于PCA算法的本体概念相似度综合计算模型基础上,引入KMACC算法,实现批量本体概念映射关系的发现,进一步提高映射的准确性。实验结果表明,相比于传统基于Hownet的映射方法和RiMOM方法,该方法有效提升了本体映射的查全率和查准率,较好地解决了本体概念集成中的关键问题。 

【文章来源】：计算机应用与软件. 2020,37(12)北大核心

【文章页数】：7 页

【部分图文】：

基于PCA的本体概念相似度综合计算模型

为解决传统聚类易收敛于非全局最优及早熟问题,本文将K-Modes聚类算法与蚁群聚类算法相结合并加以改进,提出KMACC算法,应用于本体概念的映射发现中,有效提高了聚类的精度和效率。KMACC算法的流程如图2所示。算法具体步骤为:

基于PCA和KMACC的本体映射方法如图3所示。首先将多个本体树的本体概念抽取出来放入集合中,采用基于PCA的本体概念相似度计算综合模型本体概念间的距离,利用K-Modes蚁群聚类算法实现本体概念的聚类,发现映射关系,并将目标本体设定为各簇中出现频次最多的本体概念,建立映射关系,最后利用基于规则的本体映射修正策略[17]修正映射中出现的偏差,完成映射。3 实 验

【参考文献】：
期刊论文
[1]基于WordNet的概念语义相似度的计算方法[J]. 孙丽莉,张小刚.  统计与决策. 2017(23)
[2]本体映射综述[J]. 王顺,康达周,江东宇.  计算机科学. 2017(09)
[3]本体映射系统的评价体系研究[J]. 黄奇,范佳林,陆佳莹,钱韵洁.  情报学报. 2017(08)
[4]基于密度峰值优化的K-means文本聚类算法[J]. 田诗宵,丁立新,郑金秋.  计算机工程与设计. 2017(04)
[5]基于树结构的本体概念相似度计算方法[J]. 徐英卓,贾欢.  计算机系统应用. 2017(03)
[6]中文领域知识半自动化OWL本体构建方法研究[J]. 董洋溢,李伟华,陈世亮.  计算机应用与软件. 2016(05)
[7]基于本体的综合加权案例相似度算法研究[J]. 张贤坤,张倩.  计算机应用研究. 2017(02)
[8]一种改进的本体相似度综合映射方法研究[J]. 姚香菊,谢颖华.  计算机与现代化. 2014(11)
[9]WordNet中的综合概念语义相似度计算方法[J]. 王桐,王磊,吴吉义,徐贺.  北京邮电大学学报. 2013(02)
[10]基于WordNet的关联数据本体映射研究[J]. 潘有能,刘朝霞.  情报杂志. 2013(02)



本文编号：3568833