4、基于多标签学习的本体推理器排名优化及OWL与DL的有效性研究

基于多标签学习的本体推理器排名优化及OWL与DL的有效性研究

1. 数据集划分

为了进行学习评估，将本体集合划分为训练集和测试集。划分时尽可能遵循本体在不同大小区间的分布情况。选取了654个测试本体，其中391个为DL本体，263个为EL本体，这些测试本体用于后续评估预测质量。剩余的800个DL本体和500个EL本体组成训练集，用于构建Multi - RakSOR预测模型。最后，测量所选本体的特征值，计算推理器排名和相关性向量，从而创建基于OWL配置文件的数据集，该数据集包含特征向量及其对应的相关性和排名向量。

2. Multi - RakSOR实验评估

• 系统实现 ：Multi - RakSOR用Java实现，具有通用设计和三个主要构建块：本体分析器、多学习器和多预测器组件。在实验中，使用Binary Relevance (BR)算法作为基础多标签分类（MLC）学习器，使用Ensemble of Regressor Chains (ERC)算法作为基础多目标回归（MTR）学习器，借助Mulan Java多标签学习API访问这些先进算法。
• 评估方法 ：选取654个本体评估Multi - RakSOR的预测质量。对于每个测试本体，将预测的推理器相关性和排名值与理想值进行比较，然后使用以下指标评估预测值与理想值的一致性。

3. 评估指标

采用两步评估程序判断Multi - RakSOR的预测质量：
- 第一步 ：检查预测的推理器相关性二分法的准确性，使用二元多标签分