k-部排序本体相似度计算

1、论文发表专家一m国学朮友叢网www.qikanwa ng.nSk-部排序本体相似度计算摘要：将本体图中每个顶点的相关信息用一个向量表示。根据本 体图自身的结构将顶点分成k个部分。在每个部分中选取样本点组成s,并选择相应的排序亏损函数。运用k .部排序学习算法得 到最优排序函数，从而将本体结构图中每个顶点映射成一个实数， 通过比较实数间的差值判断两概念的相似程度。实验表明该方法对 于计算本体概念间的相对相似度是有效的。关键词:本体；相似度计算；k .部排序；排序函数；排序亏 损函数ontology similarity computation using rankingmethodIan mei

2、.hui 1* , ren you.jun 1, xu jian1, gao wei2,31. college of computer scienee and engineering, qujingno rmal uni versity, qujing yunnan 655011, chi na;2. college of information, yunnan normal university , kunming yunan650092, chi na ;3. college of mathematical sciences, soochow university, suzhou jian

3、gsu 215006, chi naabstract:k .partite论文发表专家一m国学朮发舌网www,qikanwa ng.n巳tthis paper represe nts the in formatio n of each vertex inontology graph as a vector. according to its structure of on tology graph,the vertices are divided in tok parts. it chooses vertices from each part,and chooses the functiona

4、sranking loss. it uses k-partite ranking learning algorithm to get theoptimizati on ranking fun cti on, maps each vertex of ontology structuregraph into a real number, then calculates the relative similarities ofconcepts by comparing the differe nee betwee n real nu mbers.experime ntal result shows

5、that the method for calculating the relativesimilaritybetwee n the con cepts of on tology is effective.this paper represe nted the in formatio n of each vertex in ontologygraph as a vector. according to its structure of ontology graph, thevertices were divided into k parts. it chose vertices from ea

6、ch part, andchose theranking loss fun cti on .it usedk .partite rankinglearning algorithm to get the optimization ranking function, mapped eachvertex of on tology structure graph into a real number, and thencalculated the relative similarities of con cepts by compari ng the differenee betwee n real

7、nu mbers.the experimental results show that the method for calculatingthe relative similarity betwee n the con cepts of on tology iseffective.key words:on tology; similarity computati on; k .partite ranking;ranking fun cti on; ranking loss fun cti on0引言在计算机科学领域，本体被定义为共享概念模型的形式化规范说 明。目前本体已应用在智能信息集成、协

8、作信息系统、信息检索、电子商务和知识管理等领域。作为一种有效表现概念层次结构和语 义的模型,本体技术经过近十年的发展已经成熟，目前已经具备比 较系统、完善的工程理论、表示方法和构造工具。近年来，本体相 似度计算的研究已经成为信息科学领域研究的热点，并应用于医学1、生物学2、社会科学3等诸多领域。期间，大量优秀的本体相似度计算方法脱颖而出，并取得巨大的成功。部分 计算方法可参考文献4-8。排序学习算法由于其广泛的应用背景而越来越受到国内外学者 的关注。设x为实例空间，x中的每一个元素代表一个需要被排序 的对象，称为实例。排序函m国学朮发舌网论文发衾专家数f:x-r，是一个得分函数。它将每个实例映

9、射成一个实数，通过比较实数间的大小来对实例进行排论文发表专家一m国学朮发叢网www,qikanwa ng.nEt名。即，设x i,x jx,若f(x i)f(x j),则x i的 排名高于xj。排序学匀算法的冃标是需找晟优排序函数。著名的排序学习算法有rankboost算法9、anking svms10、ranknet算法11、mfom算法12、magnitude.preserving排序算法13、基于回归的子集排序算法14、rlr算法:15、p .泛数推进排序算法16。本文将提出一种基于k .部排序学习方法的本体相似度计算算法。本文的组织结构如下：首先，我们将对k.部排序学习算法作一个大致的

10、介绍； 其次， 我们将在第三节中分析已有本体相似度计 算算法的弊端，并阐明我们的动机，即为什么要用k.部排序学习方 法来计算本体相似度，它的优点在哪里；再次，并通过一个例子对 算法进行具体的描述，最后，通过实验说明本文提出的算法是有效 的。1 k.部排序学习算法k.部排序学习算法17是一种特殊的排序学习算法。其训练实例分成k个子集：s 1 =(x11,x1 n 1),s k=(x k 1,x k n k)，它们 的选取分别独立地服从x上的随机分布d 1,d k。s a中每个元素的排名高于s b中任何一个元素(af(x j)，则x i的排名高于x j。 排序学匀算法的冃标是需找呆优排序函数二著名的排序学习算法有rankboost算法9、ranking svms本文将提出一种基于k .部排序学习方法的本体相似度计算 算法。本文的组织结构如下：首先，我们将对k.部排序学习算法作 一个大致的介绍；其次，我们将在第三节中分析已有本体相似度计 算算法的弊端，并阐明我们的动机，即为什么要用k.部排序学习方 法来计算本体相似度，它的优点在哪里；再次，并通过一个例子对 算法进行具体的描述， 最后， 通过实验说明本文提出的算法是有效