【报告内容】

汇报人：贺国东

汇报单位：太原理工大学

主题：《Generative adversarial learning for optimizing ontology alignment》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

在本体匹配之前，重要的是使用相似性度量来计算两个不同本体中的元素相似性，这可以为不同本体之间的实体提供数字相似性值，以近似指定匹配程度。由于没有一种通用的相似性度量方法在所有不同的异质上下文中都有效，通常，系统需要聚合多种相似性度量来提高匹配结果的准确性。如何确定适当的权重来聚合各种相似性度量，以确保匹配结果的质量，即所谓的本体元匹配问题，是本体匹配领域的一个挑战。

2.相关创新方案

本文提出了一种SA-GANs模型来寻找本体元匹配的全局最优解。

3.实验总结

作者将新方法测试的结果与多个OAEI参与者的结果进行了比较。从实验结果来看，我们的方法要优于edna、TaxoMap、AROMA、MapPSO、CODI。但是在201-208，248–266测试案例上，我们的方法的平均f-measure值要低于GeRMeSMB和Falcon，这可能是由于我们没有考虑实体的上下文，忽略了实体的结构，并且在我们使用的基于语义的相似性度量中不够准确，尽管如此，本文中使用的对抗性学习方法仍然是一种前瞻性的方法。

4.有待改进

1）在未来的工作中，可以在相似性度量中添加基于实体结构和基于语言的方法，使置信值更准确，以提高本体匹配结果的质量。

2）SA-GAN在训练过程中收敛得更慢，SA-GANs模型中有许多内部参数，我们也希望通过调整这些参数和优化训练策略来实现快速收敛。

报告时间：2024年03月01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)