CN102426578B - 一种智能语义网中本体概念模糊相似度度量方法 - Google Patents

一种智能语义网中本体概念模糊相似度度量方法 Download PDF

Info

Publication number
CN102426578B
CN102426578B CN201110245928.2A CN201110245928A CN102426578B CN 102426578 B CN102426578 B CN 102426578B CN 201110245928 A CN201110245928 A CN 201110245928A CN 102426578 B CN102426578 B CN 102426578B
Authority
CN
China
Prior art keywords
visa
similarity
concept
subset
subordinate function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201110245928.2A
Other languages
English (en)
Other versions
CN102426578A (zh
Inventor
刘发贵
肖芬
张杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201110245928.2A priority Critical patent/CN102426578B/zh
Publication of CN102426578A publication Critical patent/CN102426578A/zh
Application granted granted Critical
Publication of CN102426578B publication Critical patent/CN102426578B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于智能语义网中本体概念相似度度量领域，具体涉及一种智能语义网中本体概念模糊相似度度量方法。其包括以下步骤：A.将本体概念扩展成为解释集，所述解释集包括isA子集、relatedTo子集和nearTo子集；B.将本体概念的解释集扩展成模糊解释集；C.根据所述模糊解释集计算本体概念的相似度。本发明能够同时满足概念间相似度的三个特性，并支持复杂本体中子概念出现多父概念时相似度计算。

Description

一种智能语义网中本体概念模糊相似度度量方法
技术领域
 本发明属于智能语义网中本体概念相似度度量领域，具体涉及一种智能语义网中本体概念模糊相似度度量方法。
背景技术
自蒂姆·伯纳斯一李（Tim Berners-Lee）于2000年提出了“语义网（Semantic Web）”的概念后，有关语义网方面的研究与尝试便越来越多。语义网的目标，就是让“机器能够读懂万维网上的内容”。我们之所以能够读懂网页的内容，是因为我们首先共享了对各种词汇约定的意思，然后通过综合推理，得出句子、段落的意义。因此，机器要够理解人的意思，首先必须拥有一份与人类共享的、对词汇的理解的知识。目前人们使用的这份共享的知识，就是本体（ontology）。本体大致可以看成是一系列特定的词汇以及相关的假设或公式，这些假设或公式则是对词汇的解释。简单来讲，计算机科学中的本体，可以看成是概念（词汇）以及概念与概念之间的关系。
呈现于本体库中的概念，是人们用于提高搜索能力的重要工具，例如利用本体描述语言描述服务，提高服务的匹配效果；通过概念在本体库中的相互关系，提高论文检索的查全率和查准率；利用本体概念的综合推理，提高搜索能力。这些都涉及到概念的匹配问题。现有技术中有利用本体概念中的上下位关系（直接父子、直接子父、间接父子关系）把匹配分为Exact, Plug-in, subsume和fail四个等级，这种方法简单，实验结果也证明其较高的查准率，但是当同一等级内的概念较多的时候，无法进行更细致的区别。基于相似度的概念匹配算法通过计算两个本体概念间的相似度（一个介于0到1之间的数值）来获得更精确的匹配结果，相当于将匹配等级扩充到无限等级，从而可以迅速地判断最优匹配概念，很好地解决了区分度的问题。
概念之间的相似度度量通常必须满足以下的一些特性：一、概念的深度：两个概念的共同祖先的深度越深，说明他们共享的特征属性越多，他们的相似度越高；二、同一层概念的边的密度：密度越大，说明这一层分得越细，他们共享的特征也越多，相似度越高；三、相似度是不对称的：当两个概念之间存在父子关系时，考虑到当我们提到父概念时指的是子概念的概率往往大于当我们提到子概念时指的是父概念时的概率，因此，父概念对子概念的相似度要高于子概念对父概念的相似度。
目前基于本体概念相似度的计算主要有两种模型，一种是网络节点距离模型，主要的思想是把本体中的概念看成有向图的结点，概念之间的关系是则是有向图的边，直觉上结点之间的距离越小，他们的相似度就越高。为实现上面提到的三种特性，人们尝试了很多方法来为结点（也就是概念）与结点之间的边赋值（即关系的权重），但是目前还没有哪个公式可以很好地同时满足上述提及的三个特性。另一种模型是信息理论模型，其基本思想是利用两个概念之间的共享信息来反映它们之间的相似度。共享的信息越多，它们的相似度越大，具体实现时一般使用两个概念的最近共同祖先的信息容量来反映两个概念之间的共享信息。这种方法事实上只能解决上述提及的三个特性中的第一个特性—概念的深度，对于第二特性和第三特性则无法满足。另外，基于本体的相似度计算方法为了简化模型，往往把概念的层次结构定义得很分明，形成一棵严格的树形结构，这样模型的概念间相似度将很大程度上依赖于本体的构建，因此并不能很好地满足复杂的现实情况
发明内容
针对现有技术的缺点，本发明的目的是提供一种能够同时满足概念间相似度的三个特性，并支持复杂本体中子概念出现多个父概念时相似度计算的智能语义网中本体概念模糊相似度度量方法。
为实现上述目的，本发明的技术方案为：
一种智能语义网中本体概念模糊相似度度量方法,包括以下步骤：
A.将本体概念扩展成为解释集                                               ，所述解释集包括isA子集、relatedTo子集和nextTo子集；
其具体是，将与所述本体概念相关的本体概念分为三类，第一类本体概念是本体概念本身及所述本体概念以上的祖父概念集，将第一类本体概念存储在isA子集内，第二类本体概念是与所述本体概念有属性关系的本体概念及有属性关系的本体概念以上的祖父概念集，将第二类本体概念存储在relatedTo子集内，第三类本体概念是与该本体概念有同一父节点的兄弟概念集，将第三类本体概念存储在nextTo子集内；所述解释集
Figure 2011102459282100002DEST_PATH_IMAGE002A
表示如下：
Figure 2011102459282100002DEST_PATH_IMAGE004
，
其中
Figure 2011102459282100002DEST_PATH_IMAGE006
、
Figure 2011102459282100002DEST_PATH_IMAGE008
、
Figure 2011102459282100002DEST_PATH_IMAGE010
表示三个子集对解释集的权重，不失合理性，有，且
Figure 2011102459282100002DEST_PATH_IMAGE014
；
B.将本体概念的解释集扩展成模糊解释集，所述模糊解释集包括分别与isA子集、relatedTo子集和nextTo子集相对应的双模糊集vIsA子集、vRelatedTo子集和vNextTo子集；其具体为：
所述模糊解释集表示如下：
；
C.根据所述模糊解释集计算本体概念的相似度；
将概念X、Y分别扩展成为模糊解释集
Figure 2011102459282100002DEST_PATH_IMAGE020
、
Figure 2011102459282100002DEST_PATH_IMAGE022
，其中X包含双模糊子集vIsA(X)、vNextTo(X)及vRelatedTo(X)，Y包含双模糊子集vIsA(Y)、vNextTo(Y)及vRelatedTo(Y)，通过分别计算双模糊子集vIsA(X)与vIsA(Y)的相似度
Figure 2011102459282100002DEST_PATH_IMAGE024
、双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 2011102459282100002DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 2011102459282100002DEST_PATH_IMAGE028
，结合步骤A所述权重
Figure 184813DEST_PATH_IMAGE006
、、
Figure 221220DEST_PATH_IMAGE010
，计算得到概念X与概念Y的相似度为：
Figure 2011102459282100002DEST_PATH_IMAGE030
。
上述方案中，对于本体概念X，其各解释子集isA、nextTo、relatedTo对应的模糊解释子集vIsA、vNextTo、vRelatedTo的计算方式为：
当存在唯一一条路径path，使X通过isA子集的语义路径到达本体的根节点，根节点用THING表示，令该路径为
Figure 2011102459282100002DEST_PATH_IMAGE032
，其中
Figure 2011102459282100002DEST_PATH_IMAGE034
与
Figure 2011102459282100002DEST_PATH_IMAGE036
为isA子集中的概念，用
Figure 2011102459282100002DEST_PATH_IMAGE038
表示概念
Figure 318577DEST_PATH_IMAGE034
与
Figure 683961DEST_PATH_IMAGE036
之间的isA关系，令
Figure 2011102459282100002DEST_PATH_IMAGE040
，
Figure 2011102459282100002DEST_PATH_IMAGE042
Figure 2011102459282100002DEST_PATH_IMAGE044
其中、为
Figure 810311DEST_PATH_IMAGE034
在
Figure 2011102459282100002DEST_PATH_IMAGE050
模糊集中的真隶属度和假隶属度，其计算方法如下：
Figure 2011102459282100002DEST_PATH_IMAGE052
，
Figure 2011102459282100002DEST_PATH_IMAGE054
，
其中表示概念
Figure 2011102459282100002DEST_PATH_IMAGE058
非继承自父概念的属性的数目，
Figure 2011102459282100002DEST_PATH_IMAGE062
表示子概念
Figure 247240DEST_PATH_IMAGE058
拥有的父概念的个数，
Figure 2011102459282100002DEST_PATH_IMAGE064
表示父概念所拥有的子概念个数，用于调节
Figure 692314DEST_PATH_IMAGE056
、
Figure 300100DEST_PATH_IMAGE062
、
Figure 524408DEST_PATH_IMAGE064
对置信度的影响，其取值范围在于保证
Figure 2011102459282100002DEST_PATH_IMAGE068
，
Figure 2011102459282100002DEST_PATH_IMAGE070
；
当存在多条路径
Figure 2011102459282100002DEST_PATH_IMAGE072
、
Figure 2011102459282100002DEST_PATH_IMAGE074
…、使X经过isA子集的语义路径到达本体的根节点，令
Figure 2011102459282100002DEST_PATH_IMAGE078
为经过路径的双模糊集，则
；
将本体概念X的兄弟概念集存储在
Figure 2011102459282100002DEST_PATH_IMAGE084
集中，令
Figure 2011102459282100002DEST_PATH_IMAGE086
，si与父概念的isA子集语义关系为
Figure 290632DEST_PATH_IMAGE038
，vNextTo对nextTo的双模糊扩展为：
Figure 2011102459282100002DEST_PATH_IMAGE088
；
将与概念X直接关联的概念存储在
Figure 2011102459282100002DEST_PATH_IMAGE090
集中，vRelatedTo子集将relatedTo子集扩展为：
Figure 2011102459282100002DEST_PATH_IMAGE092
。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
在vIsA(X)中添加vIsA(Y)有而vIsA(X)中没有的元素，他们的真隶属度和假隶属度均为0，表示一个空集；在vIsA(Y)中添加vIsA(X)有而vIsA(Y)中没有的元素，同样，他们的真隶属度和假隶属度也均为0，令A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 325716DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE094
，其中，n为双模糊集元素的个数，
Figure 2011102459282100002DEST_PATH_IMAGE096
，
Figure 2011102459282100002DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE099
、分别是vIsA(X)的真隶属函数和假隶属函数，
Figure DEST_PATH_IMAGE101
、分别是vIsA(Y)的真隶属函数和假隶属函数，此计算出来的相似度侧重的是支持度的差别，当
Figure 2011102459282100002DEST_PATH_IMAGE104
时有
Figure 404487DEST_PATH_IMAGE024
=1；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 370169DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 240167DEST_PATH_IMAGE028
。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 695419DEST_PATH_IMAGE024
=，其中
Figure 719876DEST_PATH_IMAGE099
、分别是A的真隶属函数和假隶属函数，、分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 3352DEST_PATH_IMAGE028
。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 346477DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE108
，其中
Figure 769631DEST_PATH_IMAGE096
，
Figure 378467DEST_PATH_IMAGE098
，、
Figure 234744DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 389651DEST_PATH_IMAGE101
、
Figure 423466DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 135070DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度=
Figure 2011102459282100002DEST_PATH_IMAGE110
，
Figure 179269DEST_PATH_IMAGE099
、
Figure 694564DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 617521DEST_PATH_IMAGE101
、分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 910465DEST_PATH_IMAGE028
。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 750245DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE112
，其中p是一个参数，
Figure 2011102459282100002DEST_PATH_IMAGE114
，
Figure 2011102459282100002DEST_PATH_IMAGE116
，
Figure 43954DEST_PATH_IMAGE099
、
Figure 539658DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 819592DEST_PATH_IMAGE101
、分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 148439DEST_PATH_IMAGE028
。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 730599DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE118
，其中p是一个参数，，
Figure 2011102459282100002DEST_PATH_IMAGE122
，
Figure 102893DEST_PATH_IMAGE099
、
Figure 112306DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 379340DEST_PATH_IMAGE101
、分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 184802DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 866581DEST_PATH_IMAGE028
。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 558594DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE124
其中p是一个参数，
Figure 2011102459282100002DEST_PATH_IMAGE126
，
Figure 2011102459282100002DEST_PATH_IMAGE128
，
Figure 2011102459282100002DEST_PATH_IMAGE130
，，
Figure 2011102459282100002DEST_PATH_IMAGE134
，，
Figure 2011102459282100002DEST_PATH_IMAGE138
，
Figure 2011102459282100002DEST_PATH_IMAGE140
，
Figure 436551DEST_PATH_IMAGE099
、
Figure 648352DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，、
Figure 991925DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 532628DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度。
上述方案中，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 698216DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE142
，其中p是一个参数，
Figure 2011102459282100002DEST_PATH_IMAGE144
或，
Figure 2011102459282100002DEST_PATH_IMAGE148
，
Figure 2011102459282100002DEST_PATH_IMAGE150
，，
Figure 2011102459282100002DEST_PATH_IMAGE154
，
Figure 2011102459282100002DEST_PATH_IMAGE156
，
Figure 2011102459282100002DEST_PATH_IMAGE158
，
Figure 594847DEST_PATH_IMAGE114
，
Figure 627656DEST_PATH_IMAGE116
，
Figure 860054DEST_PATH_IMAGE126
，
Figure 569384DEST_PATH_IMAGE128
，
Figure 520023DEST_PATH_IMAGE130
，，
Figure 879646DEST_PATH_IMAGE134
，
Figure 822194DEST_PATH_IMAGE136
，
Figure 948544DEST_PATH_IMAGE138
，
Figure 634741DEST_PATH_IMAGE140
，
Figure 779414DEST_PATH_IMAGE099
、
Figure 892864DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，、
Figure 167036DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 494112DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 195440DEST_PATH_IMAGE028
。
与现有技术相比，本发明具有如下有益效果：
本发明利用双模糊集的相关理论并结合概念相似度的特性，将本体中的概念扩展成为一个模糊解释集，每一个模糊解释集都是一个带权重的双模糊集，然后再选用合适的双模糊集相似度计算方法来计算代表概念的双模糊集间的相似。本发明能够同时满足概念间相似度的三个特性，并支持复杂本体中子概念出现多个父概念时相似度计算，本发明进行计算时还考虑了子概念非继承于父概念的属性对相似度的影响。
附图说明
图1为本发明的总流程图。
具体实施方式
以下结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供A.将本体概念扩展成为解释集
Figure DEST_PATH_IMAGE002AA
，所述解释集包括isA子集、relatedTo子集和nextTo子集；
其具体是，将与所述本体概念相关的本体概念分为三类，第一类本体概念是本体概念本身及所述本体概念以上的祖父概念集，将第一类本体概念存储在isA子集内，第二类本体概念是与所述本体概念有属性关系的本体概念及有属性关系的本体概念以上的祖父概念集，将第二类本体概念存储在relatedTo子集内，第三类本体概念是与该本体概念有同一父节点的兄弟概念集，将第三类本体概念存储在nextTo子集内；所述解释集
Figure 2011102459282100002DEST_PATH_IMAGE002AAA
表示如下：
Figure 2011102459282100002DEST_PATH_IMAGE160
，
其中
Figure 670284DEST_PATH_IMAGE006
、
Figure 386698DEST_PATH_IMAGE008
、表示三个子集对解释集的权重，不失合理性，有
Figure 961216DEST_PATH_IMAGE012
，且
Figure 782410DEST_PATH_IMAGE014
；
B.将本体概念的解释集扩展成模糊解释集
Figure DEST_PATH_IMAGE016A
，所述模糊解释集包括分别与isA子集、relatedTo子集和nextTo子集相对应的双模糊集vIsA子集、vRelatedTo子集和vNextTo子集；其具体为：
所述模糊解释集表示如下：
Figure 2011102459282100002DEST_PATH_IMAGE162
；
C.根据所述模糊解释集计算本体概念的相似度；
将概念X、Y分别扩展成为模糊解释集
Figure 974619DEST_PATH_IMAGE020
、
Figure 213971DEST_PATH_IMAGE022
，其中X包含双模糊子集vIsA(X)、vNextTo(X)及vRelatedTo(X)，Y包含双模糊子集vIsA(Y)、vNextTo(Y)及vRelatedTo(Y)，通过分别计算双模糊子集vIsA(X)与vIsA(Y)的相似度
Figure 840124DEST_PATH_IMAGE024
、双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 148615DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 456099DEST_PATH_IMAGE028
，结合步骤A所述权重
Figure 612274DEST_PATH_IMAGE006
、
Figure 97744DEST_PATH_IMAGE008
、
Figure 706580DEST_PATH_IMAGE010
，计算得到概念X与概念Y的相似度为：
Figure DEST_PATH_IMAGE030A
。
对于本体概念X，其各解释子集isA、nextTo、relatedTo对应的模糊解释子集vIsA、vNextTo、vRelatedTo的计算方式为：
当存在唯一一条路径path，使X通过isA子集的语义路径到达本体的根节点，根节点用THING表示，令该路径为
Figure 676810DEST_PATH_IMAGE032
，其中
Figure 687492DEST_PATH_IMAGE034
与
Figure 361441DEST_PATH_IMAGE036
为isA子集中的概念，用
Figure 395256DEST_PATH_IMAGE038
表示概念与
Figure 158999DEST_PATH_IMAGE036
之间的isA关系，令，
Figure 818967DEST_PATH_IMAGE042
Figure 2011102459282100002DEST_PATH_IMAGE044A
其中
Figure 960361DEST_PATH_IMAGE046
、
Figure 867006DEST_PATH_IMAGE048
为
Figure 114448DEST_PATH_IMAGE034
在
Figure 185172DEST_PATH_IMAGE050
模糊集中的真隶属度和假隶属度，其计算方法如下：
，
Figure 766774DEST_PATH_IMAGE054
，
其中
Figure 185117DEST_PATH_IMAGE056
表示概念
Figure 743137DEST_PATH_IMAGE058
非继承自父概念
Figure 521606DEST_PATH_IMAGE060
的属性的数目，表示子概念拥有的父概念的个数，
Figure 538869DEST_PATH_IMAGE064
表示父概念
Figure 934078DEST_PATH_IMAGE060
所拥有的子概念个数，
Figure 686134DEST_PATH_IMAGE066
用于调节
Figure 508596DEST_PATH_IMAGE056
、
Figure 962580DEST_PATH_IMAGE062
、
Figure 161480DEST_PATH_IMAGE064
对置信度的影响，其取值范围在于保证
Figure 768042DEST_PATH_IMAGE068
，
Figure 761406DEST_PATH_IMAGE070
；
当存在多条路径
Figure 198292DEST_PATH_IMAGE072
、
Figure 935303DEST_PATH_IMAGE074
…、
Figure 396372DEST_PATH_IMAGE076
使X经过isA子集的语义路径到达本体的根节点，令
Figure 13167DEST_PATH_IMAGE078
为经过
Figure 254792DEST_PATH_IMAGE080
路径的双模糊集，则
Figure DEST_PATH_IMAGE082A
，
将本体概念X的兄弟概念集存储在
Figure 156014DEST_PATH_IMAGE084
集中，令
Figure 737168DEST_PATH_IMAGE086
，si与父概念的isA子集语义关系为
Figure 72335DEST_PATH_IMAGE038
，vNextTo对nextTo的双模糊扩展为：
Figure 2011102459282100002DEST_PATH_IMAGE088A
；
将与概念X直接关联的概念存储在
Figure 925890DEST_PATH_IMAGE090
集中，vRelatedTo子集将relatedTo子集扩展为：
Figure DEST_PATH_IMAGE092A
。
本发明提供了8种针对本体概念的模糊解释集相似度的计算方式，如下所述：
第1种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
在vIsA(X)中添加vIsA(Y)有而vIsA(X)中没有的元素，他们的真隶属度和假隶属度均为0，表示一个空集；在vIsA(Y)中添加vIsA(X)有而vIsA(Y)中没有的元素，同样，他们的真隶属度和假隶属度也均为0，令A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 630803DEST_PATH_IMAGE024
=
Figure DEST_PATH_IMAGE094A
，其中，n为双模糊集元素的个数，
Figure 253415DEST_PATH_IMAGE096
，
Figure 713477DEST_PATH_IMAGE098
，
Figure 601799DEST_PATH_IMAGE099
、
Figure 484304DEST_PATH_IMAGE100
分别是vIsA(X)的真隶属函数和假隶属函数，
Figure 23739DEST_PATH_IMAGE101
、
Figure 966287DEST_PATH_IMAGE102
分别是vIsA(Y)的真隶属函数和假隶属函数，此计算出来的相似度侧重的是支持度的差别，当
Figure 341904DEST_PATH_IMAGE104
时有
Figure 762522DEST_PATH_IMAGE024
=1；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度
Figure 917647DEST_PATH_IMAGE024
一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 31097DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 894011DEST_PATH_IMAGE028
。
第2种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 118319DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE106A
，其中、
Figure 401849DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 752059DEST_PATH_IMAGE101
、
Figure 780058DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度
Figure 650056DEST_PATH_IMAGE024
一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 839729DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 677235DEST_PATH_IMAGE028
。
第3种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度=
Figure DEST_PATH_IMAGE108A
，其中
Figure 358063DEST_PATH_IMAGE096
，，
Figure 43440DEST_PATH_IMAGE099
、
Figure 413241DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 490787DEST_PATH_IMAGE101
、
Figure 225525DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 690410DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 701091DEST_PATH_IMAGE028
。
第4种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 606730DEST_PATH_IMAGE024
=
Figure DEST_PATH_IMAGE110A
，
Figure 515911DEST_PATH_IMAGE099
、分别是A的真隶属函数和假隶属函数，
Figure 30386DEST_PATH_IMAGE101
、
Figure 169244DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度
Figure 939622DEST_PATH_IMAGE024
一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 127021DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 112295DEST_PATH_IMAGE028
。
第5种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 110469DEST_PATH_IMAGE024
=
Figure DEST_PATH_IMAGE112A
，其中p是一个参数，
Figure 305827DEST_PATH_IMAGE114
，
Figure 359234DEST_PATH_IMAGE116
，
Figure 136697DEST_PATH_IMAGE099
、分别是A的真隶属函数和假隶属函数，
Figure 598213DEST_PATH_IMAGE101
、
Figure 392994DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度
Figure 87280DEST_PATH_IMAGE024
一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 908792DEST_PATH_IMAGE028
。
第6种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 304001DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE118A
，其中p是一个参数，，
Figure 771463DEST_PATH_IMAGE122
，、
Figure 175080DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 578379DEST_PATH_IMAGE101
、
Figure 525738DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度
Figure 280067DEST_PATH_IMAGE024
一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 954762DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 665098DEST_PATH_IMAGE028
。
第7种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 94942DEST_PATH_IMAGE024
=
Figure DEST_PATH_IMAGE124A
其中p是一个参数，
Figure 697087DEST_PATH_IMAGE126
，，
，
Figure 341061DEST_PATH_IMAGE132
，
Figure 69983DEST_PATH_IMAGE134
，，
，，、
Figure 815347DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，
Figure 354782DEST_PATH_IMAGE101
、
Figure 297330DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度
Figure 672948DEST_PATH_IMAGE024
一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 93565DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 248691DEST_PATH_IMAGE028
。
第8种，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure 34244DEST_PATH_IMAGE024
=
Figure 2011102459282100002DEST_PATH_IMAGE142A
，其中p是一个参数，
Figure 84108DEST_PATH_IMAGE144
或
Figure 996832DEST_PATH_IMAGE146
，
Figure 323908DEST_PATH_IMAGE148
，
Figure 545942DEST_PATH_IMAGE150
，，
Figure 907839DEST_PATH_IMAGE154
，
Figure DEST_PATH_IMAGE156A
，
Figure DEST_PATH_IMAGE158A
，
Figure 840154DEST_PATH_IMAGE114
，
Figure 295406DEST_PATH_IMAGE116
，
Figure 132912DEST_PATH_IMAGE126
，
Figure 387438DEST_PATH_IMAGE128
，
Figure 423527DEST_PATH_IMAGE130
，
Figure 987364DEST_PATH_IMAGE132
，
Figure 374483DEST_PATH_IMAGE134
，
Figure 665656DEST_PATH_IMAGE136
，
Figure 821831DEST_PATH_IMAGE138
，
Figure 556569DEST_PATH_IMAGE140
，
Figure 165404DEST_PATH_IMAGE099
、
Figure 21453DEST_PATH_IMAGE100
分别是A的真隶属函数和假隶属函数，、
Figure 937773DEST_PATH_IMAGE102
分别是B的真隶属函数和假隶属函数；
同理，与上述计算vIsA(X)与vIsA(Y)的相似度
Figure 220856DEST_PATH_IMAGE024
一样的思路，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure 666881DEST_PATH_IMAGE026
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure 423747DEST_PATH_IMAGE028
。

Claims (9)

1.一种智能语义网中本体概念模糊相似度度量方法,其特征在于，包括以下步骤：
A.将本体概念扩展成为解释集                                               
Figure 2011102459282100001DEST_PATH_IMAGE002
，所述解释集包括isA子集、relatedTo子集和nextTo子集；
其具体是，将与所述本体概念相关的本体概念分为三类，第一类本体概念是本体概念本身及所述本体概念以上的祖父概念集，将第一类本体概念存储在isA子集内，第二类本体概念是与所述本体概念有属性关系的本体概念及有属性关系的本体概念以上的祖父概念集，将第二类本体概念存储在relatedTo子集内，第三类本体概念是与该本体概念有同一父节点的兄弟概念集，将第三类本体概念存储在nextTo子集内；所述解释集
Figure DEST_PATH_IMAGE002A
表示如下：
Figure 2011102459282100001DEST_PATH_IMAGE004
，
其中
Figure 2011102459282100001DEST_PATH_IMAGE006
、
Figure 2011102459282100001DEST_PATH_IMAGE008
、
Figure 2011102459282100001DEST_PATH_IMAGE010
表示三个子集对解释集的权重，不失合理性，有
Figure 2011102459282100001DEST_PATH_IMAGE012
，且
Figure 2011102459282100001DEST_PATH_IMAGE014
；
B.将本体概念的解释集扩展成模糊解释集
Figure 2011102459282100001DEST_PATH_IMAGE016
，所述模糊解释集包括分别与isA子集、relatedTo子集和nextTo子集相对应的双模糊集vIsA子集、vRelatedTo子集和vNextTo子集；其具体为：
所述模糊解释集表示如下：
Figure 2011102459282100001DEST_PATH_IMAGE018
,
对于本体概念X，其各解释子集isA、nextTo、relatedTo对应的模糊解释子集vIsA、vNextTo、vRelatedTo的计算方式为：
当存在唯一一条路径path，使X通过isA子集的语义路径到达本体的根节点，根节点用THING表示，令该路径为
Figure 2011102459282100001DEST_PATH_IMAGE020
，其中
Figure 2011102459282100001DEST_PATH_IMAGE022
与
Figure 2011102459282100001DEST_PATH_IMAGE024
为isA子集中的概念，用
Figure 2011102459282100001DEST_PATH_IMAGE026
表示概念
Figure DEST_PATH_IMAGE022A
与
Figure DEST_PATH_IMAGE024A
之间的isA关系，令
Figure 2011102459282100001DEST_PATH_IMAGE028
，
Figure 2011102459282100001DEST_PATH_IMAGE030
Figure 2011102459282100001DEST_PATH_IMAGE032
，
其中
Figure 2011102459282100001DEST_PATH_IMAGE034
、为
Figure DEST_PATH_IMAGE022AA
在
Figure 2011102459282100001DEST_PATH_IMAGE038
模糊集中的真隶属度和假隶属度，其计算方法如下：
Figure 2011102459282100001DEST_PATH_IMAGE040
，
Figure 2011102459282100001DEST_PATH_IMAGE042
，
其中表示概念非继承自父概念
Figure 2011102459282100001DEST_PATH_IMAGE048
的属性的数目，
Figure 2011102459282100001DEST_PATH_IMAGE050
表示子概念
Figure DEST_PATH_IMAGE046A
拥有的父概念的个数，
Figure 2011102459282100001DEST_PATH_IMAGE052
表示父概念
Figure DEST_PATH_IMAGE048A
所拥有的子概念个数，
Figure 2011102459282100001DEST_PATH_IMAGE054
用于调节
Figure DEST_PATH_IMAGE044A
、
Figure DEST_PATH_IMAGE050A
、
Figure DEST_PATH_IMAGE052A
对置信度的影响，其取值范围在于保证
Figure 2011102459282100001DEST_PATH_IMAGE056
，
Figure 2011102459282100001DEST_PATH_IMAGE058
；
当存在多条路径
Figure 2011102459282100001DEST_PATH_IMAGE060
、
Figure 2011102459282100001DEST_PATH_IMAGE062
…、
Figure 2011102459282100001DEST_PATH_IMAGE064
使X经过isA子集的语义路径到达本体的根节点，令为经过
Figure 2011102459282100001DEST_PATH_IMAGE068
路径的双模糊集，则
Figure DEST_PATH_IMAGE070
；
将本体概念X的兄弟概念集存储在
Figure DEST_PATH_IMAGE072
集中，令
Figure DEST_PATH_IMAGE074
，si与父概念的isA子集语义关系为，vNextTo对nextTo的双模糊扩展为：
Figure 2011102459282100001DEST_PATH_IMAGE076
；
将与概念X直接关联的概念存储在
Figure 2011102459282100001DEST_PATH_IMAGE078
集中，vRelatedTo子集将relatedTo子集扩展为：
Figure 2011102459282100001DEST_PATH_IMAGE080
；
C.根据所述模糊解释集计算本体概念的相似度；
将概念X、Y分别扩展成为模糊解释集
Figure DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE084
，其中X包含双模糊子集vIsA(X)、vNextTo(X)及vRelatedTo(X)，Y包含双模糊子集vIsA(Y)、vNextTo(Y)及vRelatedTo(Y)，通过分别计算双模糊子集vIsA(X)与vIsA(Y)的相似度、双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度，结合步骤A所述权重
Figure DEST_PATH_IMAGE006A
、
Figure DEST_PATH_IMAGE008A
、
Figure 2011102459282100001DEST_PATH_IMAGE010A
，计算得到概念X与概念Y的相似度为：
Figure DEST_PATH_IMAGE092
。
2.根据权利要求1所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
在vIsA(X)中添加vIsA(Y)有而vIsA(X)中没有的元素，他们的真隶属度和假隶属度均为0，表示一个空集；在vIsA(Y)中添加vIsA(X)有而vIsA(Y)中没有的元素，同样，他们的真隶属度和假隶属度也均为0，令A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似
Figure DEST_PATH_IMAGE086A
=
Figure DEST_PATH_IMAGE094
，其中，n为双模糊集元素的个数，
Figure DEST_PATH_IMAGE096
，，
Figure DEST_PATH_IMAGE100
、分别是vIsA(X)的真隶属函数和假隶属函数，
Figure DEST_PATH_IMAGE104
、
Figure DEST_PATH_IMAGE106
分别是vIsA(Y)的真隶属函数和假隶属函数，此计算出来的相似度侧重的是支持度的差别，当
Figure DEST_PATH_IMAGE108
时有
Figure DEST_PATH_IMAGE086AA
=1；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088A
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure DEST_PATH_IMAGE090A
。
3.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure DEST_PATH_IMAGE086AAA
=
Figure DEST_PATH_IMAGE110
，其中
Figure DEST_PATH_IMAGE100A
、
Figure DEST_PATH_IMAGE102A
分别是A的真隶属函数和假隶属函数，
Figure DEST_PATH_IMAGE104A
、
Figure DEST_PATH_IMAGE106A
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088AA
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure DEST_PATH_IMAGE090AA
。
4.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度=
Figure DEST_PATH_IMAGE112
，其中，
Figure DEST_PATH_IMAGE098A
，
Figure DEST_PATH_IMAGE100AA
、
Figure DEST_PATH_IMAGE102AA
分别是A的真隶属函数和假隶属函数，
Figure DEST_PATH_IMAGE104AA
、
Figure DEST_PATH_IMAGE106AA
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088AAA
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure DEST_PATH_IMAGE090AAA
。
5.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure DEST_PATH_IMAGE086AAAAA
=
Figure DEST_PATH_IMAGE114
，、分别是A的真隶属函数和假隶属函数，、
Figure DEST_PATH_IMAGE106AAA
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088AAAA
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度。
6.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度=，其中p是一个参数，
Figure DEST_PATH_IMAGE118
，
Figure DEST_PATH_IMAGE120
，
Figure DEST_PATH_IMAGE100AAAA
、
Figure DEST_PATH_IMAGE102AAAA
分别是A的真隶属函数和假隶属函数，、
Figure DEST_PATH_IMAGE106AAAA
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088AAAAA
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure DEST_PATH_IMAGE090AAAAA
。
7.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure DEST_PATH_IMAGE086AAAAAAA
=
Figure DEST_PATH_IMAGE122
，其中p是一个参数，
Figure DEST_PATH_IMAGE124
，
Figure DEST_PATH_IMAGE126
，
Figure DEST_PATH_IMAGE100AAAAA
、
Figure DEST_PATH_IMAGE102AAAAA
分别是A的真隶属函数和假隶属函数，
Figure DEST_PATH_IMAGE104AAAAA
、分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088AAAAAA
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度。
8.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度=
其中，p是一个参数，
Figure DEST_PATH_IMAGE130
，
Figure DEST_PATH_IMAGE132
，
Figure DEST_PATH_IMAGE134
，
Figure DEST_PATH_IMAGE136
，
Figure DEST_PATH_IMAGE138
，
Figure DEST_PATH_IMAGE140
，
Figure DEST_PATH_IMAGE142
，
Figure DEST_PATH_IMAGE144
，
Figure DEST_PATH_IMAGE100AAAAAA
、
Figure DEST_PATH_IMAGE102AAAAAA
分别是A的真隶属函数和假隶属函数，、
Figure DEST_PATH_IMAGE106AAAAAA
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088AAAAAAA
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure DEST_PATH_IMAGE090AAAAAAA
。
9.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：
A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似度
Figure DEST_PATH_IMAGE086AAAAAAAAA
=，其中p是一个参数，
Figure DEST_PATH_IMAGE148
或，
Figure DEST_PATH_IMAGE152
，
Figure DEST_PATH_IMAGE154
，
Figure DEST_PATH_IMAGE156
，，
Figure DEST_PATH_IMAGE160
，
Figure DEST_PATH_IMAGE162
，
Figure DEST_PATH_IMAGE118A
，
Figure DEST_PATH_IMAGE120A
，
Figure DEST_PATH_IMAGE130A
，
Figure DEST_PATH_IMAGE132A
，
Figure DEST_PATH_IMAGE134A
，
Figure DEST_PATH_IMAGE136A
，
Figure DEST_PATH_IMAGE138A
，
Figure DEST_PATH_IMAGE140A
，，
Figure DEST_PATH_IMAGE144A
，、
Figure DEST_PATH_IMAGE102AAAAAAA
分别是A的真隶属函数和假隶属函数，
Figure DEST_PATH_IMAGE104AAAAAAA
、
Figure DEST_PATH_IMAGE106AAAAAAA
分别是B的真隶属函数和假隶属函数；
同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度
Figure DEST_PATH_IMAGE088AAAAAAAA
、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度
Figure DEST_PATH_IMAGE090AAAAAAAA
。
CN201110245928.2A 2011-08-25 2011-08-25 一种智能语义网中本体概念模糊相似度度量方法 Expired - Fee Related CN102426578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110245928.2A CN102426578B (zh) 2011-08-25 2011-08-25 一种智能语义网中本体概念模糊相似度度量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110245928.2A CN102426578B (zh) 2011-08-25 2011-08-25 一种智能语义网中本体概念模糊相似度度量方法

Publications (2)

Publication Number Publication Date
CN102426578A CN102426578A (zh) 2012-04-25
CN102426578B true CN102426578B (zh) 2014-07-02

Family

ID=45960560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110245928.2A Expired - Fee Related CN102426578B (zh) 2011-08-25 2011-08-25 一种智能语义网中本体概念模糊相似度度量方法

Country Status (1)

Country Link
CN (1) CN102426578B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440324A (zh) * 2013-08-31 2013-12-11 华南理工大学 一种模糊本体描述方法和模糊本体建模方法
CN106611039A (zh) * 2016-08-17 2017-05-03 四川用联信息技术有限公司 一种混合求解本体概念语义相似度的计算方法
CN110659350B (zh) * 2019-09-24 2023-03-21 吉林大学 基于领域本体的语义搜索系统及搜索方法
CN111274400B (zh) * 2020-01-20 2021-02-12 医惠科技有限公司 一种医学术语系统的构建方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894170A (zh) * 2010-08-13 2010-11-24 武汉大学 基于语义关联网络的跨模信息检索方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8738636B2 (en) * 2008-09-19 2014-05-27 Yves Reginald JEAN-MARY Ontology alignment with semantic validation

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894170A (zh) * 2010-08-13 2010-11-24 武汉大学 基于语义关联网络的跨模信息检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋玲等.概念与文档的语义相似度计算.《计算机工程与应用》.2008,(第35期),第163-167页.
概念与文档的语义相似度计算;宋玲等;《计算机工程与应用》;20081231(第35期);第163-167页 *

Also Published As

Publication number Publication date
CN102426578A (zh) 2012-04-25

Similar Documents

Publication Publication Date Title
Taieb et al. Ontology-based approach for measuring semantic similarity
CN107193858A (zh) 面向多源异构数据融合的智能服务应用平台和方法
CN104008165B (zh) 一种基于网络拓扑结构和节点属性的社团检测方法
CN102662931B (zh) 一种基于协同神经网络的语义角色标注方法
CN103500208B (zh) 结合知识库的深层数据处理方法和系统
CN109710769A (zh) 一种基于胶囊网络的水军评论检测系统及方法
CN109325231A (zh) 一种多任务模型生成词向量的方法
CN104239513A (zh) 一种面向领域数据的语义检索方法
CN104462053A (zh) 一种文本内的基于语义特征的人称代词指代消解方法
Sadr et al. Unified topic-based semantic models: a study in computing the semantic relatedness of geographic terms
CN102426578B (zh) 一种智能语义网中本体概念模糊相似度度量方法
Shih et al. Enhancement of domain ontology construction using a crystallizing approach
CN101587486A (zh) 支持产品创新的设计知识的组织与应用方法
CN103412878B (zh) 基于领域知识地图社区结构的文档主题划分方法
CN109614495A (zh) 一种结合知识图谱和文本信息的相关公司挖掘方法
CN108846000A (zh) 一种基于超节点的常识语义图谱构建方法和装置以及基于连接预测的常识补全方法
CN106372122A (zh) 一种基于维基语义匹配的文档分类方法及系统
CN109992784A (zh) 一种融合多模态信息的异构网络构建和距离度量方法
Mishra et al. Big data: opportunities and challenges
CN105335510A (zh) 文本数据高效搜索方法
Liu et al. Topic detection and tracking based on event ontology
Hakkani-Tür et al. A weakly-supervised approach for discovering new user intents from search query logs
CN105160046A (zh) 基于文本的数据检索方法
CN105354264A (zh) 一种基于局部敏感哈希的主题标签快速赋予方法
CN109388706A (zh) 一种问题细粒度分类方法、系统与装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140702