基于概念信息量的本体映射相似度传播算法

"这篇论文研究的是基于小波对比度的自适应图像水印算法，主要关注于本体映射中的相似度传播问题。作者提出了一种新的算法，该算法利用概念信息量来调整相似度传播值，以提高结构策略的准确性和可信度。" 在信息技术领域，本体映射是解决异构数据源之间互操作性的重要手段，特别是在知识管理和语义网路中。本体是描述某一领域的概念和它们之间的关系的形式化表示，而本体映射则是将一个本体中的概念映射到另一个本体中的对应概念，使得不同本体之间能够相互理解并共享信息。 随着互联网的发展和大数据时代的到来，本体的数量持续增长，这使得本体的重用和共享变得越来越重要。本体映射是解决这一问题的关键技术，但因为本体的异构性，这个过程充满了挑战。目前，已有如ASMOV、FALCON和RIMOM等基于概念相似度的本体映射系统，它们利用相似度传播来推断未匹配的概念之间的相似性。 相似度传播算法的核心是，如果两个概念的父类或子类相似，那么这两个概念也可能是相似的。然而，现有的算法往往忽视了传播值的量化分析，导致可能找不到关键的映射关系或者产生错误的映射。为此，该论文提出了一种基于概念信息量的相似度传播算法。这个算法根据已匹配节点的概念信息量来判断其子父节点的匹配概率，通过匹配概率调整传播值，从而提供更精确的相似度传播。 现有算法，如SimilarityFlooding和GMO，虽然也采用了相似度传播，但它们的传播值是固定的，没有考虑到不同概念间传播的差异。论文中提出的新型算法则能更好地适应这种差异性，例如，当父类匹配时，会根据子类的空间大小来动态调整传播的相似度，这在处理大规模和复杂结构的本体时尤为重要。 通过概念信息量的引入，该算法提高了相似度传播的精确度，降低了错误映射的可能性，从而增强了整个本体映射系统的可信度。实验结果证明了这种方法的有效性，对于提升本体映射的质量和准确性具有显著的贡献。 这篇研究论文为解决本体映射中的关键问题——相似度传播提供了新的思路，其提出的算法有望在实际应用中改善数据集成和知识共享的效率。这对于促进跨领域信息系统的互操作性和智能决策支持系统的优化具有深远意义。