29、HOM：利用本体间关系计算语义相似度的方法

HOM：利用本体间关系计算语义相似度的方法

1. 引言

在语义网环境下，数据来源于不同的本体，若不了解它们之间的语义映射，跨本体的信息处理便无法实现。本体对齐是解决本体异构性的常用方法，它依据实体间的语义相似度来建立不同本体中实体的关系。多数现有方法利用本体内部实体的局部或非局部上下文来计算语义相似度，而本体间的关系在很多情况下也有助于计算不同本体实体间的语义相似度。

例如，假设有两个本体 $O_1$ 和 $O_2$，$O_1$ 是经济本体，$O_2$ 是交通本体，且它们都扩展了中级本体。中级本体为对齐 $O_1$ 和 $O_2$ 提供了许多启发式信息。

本文聚焦于利用本体间的关系进行本体对齐，提出了层次化本体模型（HOM）来正式表达本体间的关系，并基于此提出了 HOM - Matching 算法，用于计算本体实体间的语义相似度。给定一对实体，相似度计算包括四个步骤：
1. 识别它们的轨迹；
2. 获取实体对的最小上界概念（LUBC）；
3. 识别概念修订轨迹的不同分区；
4. 计算外部结构相似度。

2. 相关工作

在不同上下文中，本体对齐时有不同的相似度计算方法，J. Euzenat 等将其分为六类，即术语、内部结构比较、外部结构比较、外延比较和语义比较。

目前存在的半自动化本体对齐方法，如 PROMPT 和 Chimaera 仅分析本体结构中的局部上下文。外部结构比较则比较实体与其他实体的关系，例如 Rose Dieng 将本体描述为概念图，通过比较超类和子类来匹配概念图；Steffen Staab 通过比较每个类的超类和子类标签来计算两个分类法之间的差异；Anchor -