数据在交通领域是复杂多样的 1- - - - - - 3]。这些数据来自不同的数据收集方法等流量传感器,调查,和设备( 4]。因此,智能交通系统的开发(同期)面临的挑战是,集成来自多个不相关的数据来源( 5- - - - - - 7]。这些数据在语义上是不精确的,概念上模棱两可的信息。知识集成的核心技术之一,本体通常提供了一个正式和规范定义的领域知识 8- - - - - - 10]。它们使ITSs基于本体的定义之间的合作领域相关的概念和概念之间的关系( 4]。然而,由于领域专家的主观性,概念的概念可能以多种方式表达( 11, 12]。为了实现相互间的通信基于本体的同期,重要的是要确定异构本体之间的逻辑关系( 13]。本体匹配(OM)是一个重要的技术来解决语义异构的问题( 14, 15),致力于发现相关实体之间的通信(例如,类和属性)在不同的本体( 16]。出于这个原因,有效使用本体匹配技术来解决现有的交通本体语义异构性。

近年来,研究人员已经提出了大量的本体定位策略和开发各种半自动的或自动本体匹配系统( 17- - - - - - 19]。然而,现有的本体匹配方案有许多缺点:匹配器的穷人本体相似度计算,效率低下的提取本体映射的结果,等。为了解决这些弊端,我们首先建议使用Word2Vec [ 20.]在向量空间模型的实体,计算其相似值,使用维基百科训练数据来提高模型的普遍性和一致性的质量。此外,一个稳定的兽奸男童还有本体抽取算法提高定位的质量。

本文的其余内容如下。节 2,我们简要描述的应用本体匹配的交通数据。部分 3详细介绍了本体和本体匹配。节 4,我们使用Word2Vec模型开发本体匹配系统。我们建议Word2Vec-based相似性测量和稳定兽奸男童还有本体部分的提取算法 5和 6。节 7,实验结果和分析。最后,结论和未来的工作提供了部分 8。

本体匹配非常适合解决出现的问题从语义模糊性和大数据量的交通数据 21- - - - - - 23]。Benvenuti et al。 24)综合Transmodel本体和KPIOnto促进公共道路监控系统的研究。Transmodel参考数据模型是关于欧洲公共交通信息系统代表交通本体及其关系。贝尔梅霍et al。 25),为了避免使用中央决策点的交通网络,提出了将每辆车作为本体,推理能力。在紧急交通控制,每辆车在拟议的系统是一个决策点,考虑相邻车辆的状态和位置,与他们达成共识。总的来说,本体的发展提供了一个说明性的方法在交通领域知识,可以支持多种方式综合信息。在运输的标准化努力由本体工程方法可以极大地帮助。

最近,技术计算词的相似性和相关性使用Word2Vec模型从word中嵌入已成为一个研究热点,并逐渐应用于本体匹配的域。雪和锅 26]的本体建模的向量空间,然后使用的语言信息实体降低维度,而改进的相似度计算和实体匹配的效率。Zhang et al。 27]介绍了字嵌入技术领域的本体匹配和提出了一个混合的方法,包含词嵌入到元素之间的语义相似度的计算。Teslya和Savosin 28)提出了一个Word2Vec本体映射问题的基于矢量的语言模型。扩展模型的基础上,具体的本体关系。语言是用于匹配的语义本体不考虑单词或具体条款的形式。可以看出,它是可行的使用Word2Vec模型计算语义相似度。至于对齐结果提取,与大量的匹配方法被提出,研究人员通常需要集成多种策略来提高定位的质量。为了更好地提取匹配结果,一个稳定的兽奸男童还有本体提取算法在这工作,进一步提高性能的匹配器。

本体是一个概念化的规范性描述领域知识(上 29日- - - - - - 31日]。具体来说,本体规范定义了类,属性,其他实体在一个域 32, 33),以及它们之间的关系。图 1显示了本体在一场车祸 34]。在矩形类,例如,“停”,“车”和“保险公司。“空心箭头表示两个类之间的结构关系,例如,“官方机构”的一个子类“保险公司”和“交通事故”的一个子类”事件。“黑色的箭头代表属性,描述两个类之间的关系。然而,相同的实体可以以多种方式构造不同的本体,本体之间的语义异构的问题。

为了说明匹配问题,结果两个简单的本体之间的匹配 O和 O′呈现在图 2。两图中本体的描述类、属性和实例。类显示在矩形。基于结构的关系显示为虚线箭头。在 O,“主席”是一个专门化(子类)”的人。“通讯显示为蓝色双箭头连接类 O类的 O′和描述它们之间的关系。有符号: ⊥ , ⊆ (或 ⊇ ), ≡ ,这意味着剥离,更具体(具体或更少),分别和等价关系。举个例子,一个本体的“科目”相当于另一个本体的“主题”,和“普通作者”是一个无关紧要的关系“评论家”。

这项工作构造本体匹配器(W2V-OM)计算两个实体使用Word2Vec模型的相似度值,如图 3。培训Word2Vec模型的数据集是英语维基百科维基百科数据库( 35]。语料库是通用的,可以应付语言处理问题在许多领域。这些文本数据是结构化的,需要预处理成结构化数据。在模型训练后,源交通本体和目标本体解析。实体提取本体被送入word2vec模型来计算余弦相似性和集成linguistic-based相似措施产生相似矩阵。然后,本体映射结果获得使用稳定兽奸男童还有本体抽取算法。最后,本体匹配质量评价是基于参考对齐。

是一个函数的相似性度量方法两个本体实体的信息作为输入,并使用一个实数之间[0,1]输出代表他们的相似性 36]。具体来说,结果是越接近,就越相似;结果越接近于0,越相似。相似性度量是一个重要的本体匹配过程的一部分。利用不同的相似性度量影响本体一致性的结果。在这项工作中,我们使用两种相似性度量计算的相似度值两个实体,即。,linguistic-based测量和使用Word2Vec余弦相似性度量模型。

Word2Vec是一个语言模型自然语言处理(NLP)单词或短语表示为实数向量。类似的词通常有向量的距离和映射到同一地区,如图 4。关于向量空间的本体表示,这意味着一个类或本体的属性可以表示为向量空间的维度。具体来说,不同的类或属性是独特的向量空间表示。向量空间的覆盖所有本体类和属性。在这个工作中,向量空间的尺寸是由两个本体中所有的类和属性。Word2Vec模型使用维基百科英语语料库训练。每个实体在向量空间表示为一个向量,然后,相似的两个实体使用余弦相似度计算公式。公式定义如下: (1) 余弦相似度 V w 1 , V w 2 = V w 1 ⋅ V w 2 V w 1 ⋅ V w 2 , 在哪里 V w 1 和 V w 2 分别是,向量的两个词 w 1 和 w 2 和 V w 1 和 V w 2 分别表示他们的规范。

语言相似性计算两个词之间的语义关系(同义、反义现象),通常使用词典和同义词列表。WordNet [ 37),一个词汇表数据库,构建语义网络基于词语的语义信息,是用来计算相似度。两个词的语言相似 w 1 和 w 2 是1的时候 w 1 和 w 2 WordNet是同义词;相似度为0.5时 w 1 和 w 2 WordNet是上位词;在其他情况下,相似度是0。

两个相似措施产生两个相似矩阵,需要使用一个聚合策略设置不同的矩阵为一个矩阵。在这项工作中,我们实际使用的最大战略整合相似措施,即。,the larger one of two similarity values is selected as the final similarity value, which is of help to ensure the completeness of the alignment.

积分的计算结果相似矩阵相似的措施。的 我th行和 j这个矩阵的列代表的实体 e _如果和 e _Tj在源本体 O _年代本体和目标 O _T,分别。矩阵中的值表示两个实体的相似性。较大的相似性值表明更高的信心等价的两个实体,反之亦然显示更少的信心。在本文中,我们提出一个稳定兽奸男童还有本体提取算法,其中包括一个阈值策略来获得更好的映射的结果。具体步骤如下:(1)所有相似矩阵中的值按降序排序,(2)记录的位置 e 年代 我 , e T j , 米 我 j 的最大相似度矩阵, 米 我 j 最大相似,(3)设置值相同的行和列的 米 我 j 为0,(4)重复上述三个步骤,直到所有相似矩阵中的值是0。

图 5介绍了提取本体映射的结果使用该方法。如图,六个实体通讯终于提取,( e _年代,1, e _{T, 1}(0.95), e _年代,2, e _T、2(0.88), e _年代,3, e _{T, 3}(0.6), e _年代,5, e _{T, 5}(0.6), e _年代,6, e _{T, 5},0.6),( e _年代,4, e _{T, 4}0.1)。该算法终止时所有相似矩阵中的值为零,这可能导致提取一些实体相似性较低的通讯。对于映射的结果,这些噪音低的相似之处。因此这项工作包含一个阈值策略。一个阈值参数设置和算法终止时所有相似矩阵中的值都小于阈值。假设一个阈值为0.5,也就是说。,一个年代我米我larity of less than 0.5 is not reliable. Then, the similarity matrix extraction results are ( e _年代,1, e _{T, 1}(0.95), e _年代,2, e _T、2(0.88), e _年代,3, e _{T, 3}(0.6), e _年代,5, e _{T, 5},0.6),( e _年代,6, e _{T, 5}0.6)。

匹配运输本体的目的是确定所有的实体对异构。为此,这项工作首先在向量空间模型实体Word2vec并使用余弦相似性度量来计算两个实体的相似度值。之后,一个稳定的兽奸男童还有对齐提取算法用于确定高质量的一致性。实验结果表明,我们的方法可以获得更高质量的一致性结果相比,先进的本体匹配器和OAEI的参与者。

在未来,我们将采用更先进的相似性措施改善本体相似度的结果。我们也想延长在交通领域本体,本体如道路交通管理和交通事故本体。因为运输本体匹配需要特定的校准和知识背景,需要特定的技术和策略提出提高匹配质量。