针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural net...针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural network)模块并且和不同的RNN(recurrent neural network)串行连接实现特征降维,提出一种改进的基于BiLSTM(bidirectional long and short term memory neural network)的注意力机制来提取较好的抽象特征。提出一种多主导的对齐集成策略将本体不同层次的对齐进行合并,提高匹配的质量。实验在OAEI(ontology alignment evaluation initiative)的benchmark测试集上进行,提出方法的评价指标较高,并且和其它匹配系统作比较,高质量的对齐验证了所提方法具有一定的先进性和创新性。展开更多
文摘针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural network)模块并且和不同的RNN(recurrent neural network)串行连接实现特征降维,提出一种改进的基于BiLSTM(bidirectional long and short term memory neural network)的注意力机制来提取较好的抽象特征。提出一种多主导的对齐集成策略将本体不同层次的对齐进行合并,提高匹配的质量。实验在OAEI(ontology alignment evaluation initiative)的benchmark测试集上进行,提出方法的评价指标较高,并且和其它匹配系统作比较,高质量的对齐验证了所提方法具有一定的先进性和创新性。
