机器学习在本体映射中的应用

《机器学习在本体映射中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、机器学习在本体映射中的应用　　　李琼李宝敏　(1．西安工业大学计算机科学与工程学院710032；　收稿日期：　基金辅助：国家“星火计划”项目：西北农业专家远程信息化服务体系示范(项目号2004EA850069)　作者简介：李琼(1984.08)，女，河南三门峡，西安工业大学，硕士研究生，研究方向：计算机网络与语义网.Emal:jianniya@126.com手机：13488220647　　李宝敏(1949.09)，男，河南巩义，西安工业大学教授，硕士生导师，研究方向：计算机系统结构、计算机网络与语

2、义网Emal:mbl369@126.com　　　通信作者：李琼，邮箱:jianniya@126.com　2．西安工业大学计算机科学与工程学院710032)　　　摘要：（目的）本文针对语义网中的本体异构问题，（方法）提出利用人工智能研究中的机器学习算法来解决。（结果）通过概念映射使其语义更好地得到匹配，并在果品领域经过实例的应用，其效果还是客观的。（结论）在本体映射匹配研究中，机器学习发挥了很大的作用，对语义重叠的概念进行高效率的推理匹配映射，为语义网本体异构环境下实现信息在语义上的互操作提供了一种

3、解决的途径。　　　关键词：语义Web，机器学习算法，决策树算法，分类树，概念映射　　　1引言　　　语义网(SemanticWeb)是在本体(Ontology)理论基础之上对现有Web所进行的扩展，其目标是使Web上的信息具有计算机可以理解的语义，在本体的支持下实现信息在语义上的互操作，以及对Web资源所进行的智能访问和检索。（研究的重要意义）语义网服务是以语义网和本体为基础的一个重要的基础研究领域，其目标是通过将语义网技术和Web服务技术相结合,提供下一代网络的集成平台。　　　语义网服务中大量的本

4、体由于应用的领域不同，组织、设计者不同,其结构和概念的表达形式也存在着一定的差异,因此造成了本体的异构性。本体映射指的是在多个本体之间找到语义相同或相似的对应元素,从而在多个本体之间建立语义联系,消除不同本体或本体不同版本之间知识表达时的不一致现象,进而达到真正意义上的知识共享。本体映射是解决不同本体间的知识共享和重用问题的有效方法。（前人研究进展）目前本体映射大多是由人工手动来完成的，（研究的切入点）不仅过程烦杂，而且很容易出错。这极大地影响了本体映射自动化程度和准确性。（研究拟解决的关键问题）

5、机器学习是解决这类问题的有效方法之一[1]。在此将对目前机器学习研究的主要趋势、理论与技术以及存在的问题，在本体映射中的应用做一详细的介绍。　　2机器学习　机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促

6、进。　　机器学习在人工智能的研究中具有十分重要的地位。　机器学习系统是一个具有学习能力的智能系统，它可以推理演绎加以归纳知识，证明已存在的事实、定理，并能归纳总结新的规则、定理和定律，遇到错误能自我校正，通过经验对自身性能加以改进，可以不断的自动获取和发现所需要的知识。　随着人工智能的深入发展，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。　　　从机器学习的执行部分所反映的任务类型上看，目前大部

7、分的应用研究领域基本上集中于以下两个范畴：分类和问题求解。　　3机器学习算法　机器学习的中心问题是从特殊的训练样例中归纳出一般函数。发展至今，机器学习算法已经有很多，并有了广泛的应用。常见的算法有：概念学习，决策树学习，支持向量机((SVM)，人工神经网络，贝叶斯((Bayes)学习，遗传算法，基于实例的学习，规则学习等等[3]。　(1）决策树算法描述　　　决策树算法是应用最广泛的归纳推理算法之一，在数据挖掘的分类，生成规则方面都有很多应用。大多数己开发的决策树学习是ID3算法一种核心算法的变体。

8、　决策树是通过把实例从根节点排列到某个叶子节点的方法来分类实例，叶子节点即为实例所属的分类。树上每个节点说明了对实例的某个属性的测试，并且该节点的每个后继分支对应于该属性的一个可能值。决策树分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。然后这个过程在以新结点为根的子树上重复。　（2）ID3算法描述　ID3算法采用自顶向下的贪婪搜索遍历可能的决策树空间，这种方法也是后继的C4.5算法的基础。基本的ID3算法通过自顶向下构造