【报告内容】

汇报人：胡桢

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

如何确定不同相似性度量的最优聚合权值以获得高质量的一致性的问题被称为本体的元匹配问题，该问题被建模为具有多个局部最优解的非线性问题。 进化算法是解决本体元匹配问题的一种有效方法，但基于进化算法的本体匹配技术存在过早收敛和需要参考对齐来评估解决方案的问题。

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，对对准结果的质量进行近似评价，进一步提高了匹配效率；

3）提出了一种改进的EA，利用自适应选择压力来权衡算法的收敛速度。

3.实验总结

带选择压力算子和精英策略的EA可以避免传统EA中的过早收敛和精英个体丢失问题。EA中的适应度函数是一种不需要参考对齐的近似评价指标，它可以满足不使用RA或PRA的本体匹配要求，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的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。 我们的实验证明，我们的系统比大多数先进的匹配系统更有效。

4.未来工作

未来，我们将在提高匹配质量的同时降低时空复杂度，主要从基于结构的相似度和算法两方面入手，寻找更高效的匹配方法。 在本实验中，我们发现当本体中的文本异构性严重时，我们的方法的匹配质量不佳。 产生上述结果的原因，我们分析是基于结构的措施没有起到如此大的作用。 此外，在面对大规模匹配问题时，最大的挑战是来自相似矩阵运算的压力。 在未来，我们将尽最大努力设计合理的匹配模式，并利用多线程技术解决大规模矩阵运算的问题，可以快速减少矩阵运算的时间。

报告时间：2025年07月25日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)