【报告内容】

汇报人：姜照航

汇报单位：太原理工大学

主题：《Solving Ontology Meta-Matching

Problem Through an Evolutionary

Algorithm With Approximate Evaluation

Indicators and Adaptive Selection Pressure》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

如何确定不同相似度度量的最优聚合权值以获得高质量对齐的问题称为本体的元匹配问题，进化算法(Evolutionary Algorithm, EA)是解决这一问题的有效方法，但经典的进化算法容易出现早熟收敛和优秀个体难以保留等问题。此外，一些传统的基于EA的匹配技术需要参考对齐来评估解决方案的质量。

2.相关创新方案

（1）提出了一个新的框架来整合概念下不同文本内容的相似度值;

（2）提出了两个近似评价函数来近似评价对齐结果的质量，进一步提高了匹配效率;

（3）提出了一种改进的EA，它利用自适应选择压力来权衡算法的收敛速度。

3.实验总结

本文提出了一种混合方式的文本内容整合框架。该框架充分考虑了实体中不同信息的重要性，克服了传统的MAX、MIN和Average方法的局限性。提出了一种基于选择压力的评价方法，并提出了一种新的无参考线对齐的评价指标。具有选择压力算子和精英策略的EA可以避免传统EA中的精英个体问题的过早收敛和损失。在不使用RA或PRA的情况下满足本体匹配的要求，其可靠性决定了匹配结果的质量。最后，通过实验验证了本文提出的方法在与其他先进本体匹配系统的竞争中是有效的。为了使比较更有意义，我们选择了OAEI2016、OAEI2015、OAEI2014、OAEI2013和OAEI2012中一些最先进的匹配系统作为比较对象。实验证明，我们的系统比大多数先进的匹配系统更有效。

4.未来工作

我们将在降低时空复杂度的同时提高匹配质量，主要从基于结构的相似度和算法来寻找一种更高效的匹配方法。在实验中，我们发现当本体中的文本异质性比较严重时，我们的方法的匹配质量并不好。我们分析，造成上述结果的原因是基于结构的措施并没有发挥如此大的作用。此外，在面对大规模匹配问题时，最大的挑战是相似矩阵运算带来的压力。未来，我们将努力设计合理的匹配模式，利用多线程技术解决大规模矩阵运算的问题，快速减少矩阵运算的时间。

报告时间：2023年09月15日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)