محاسبه شباهت واژه اي با بهره گيري از تكنيك هاي الگوهاي نامگذاري در تطابق هستان شناسي ها

Using Naming Pattern Techniques for calculating the Lexical Similarity in Ontology Matching

طبيعت توزيع شده توليد هستان شناسي ها منجر به هستان شناسي هاي ناهمگوني مي شود كه سعي در بيان مفاهيم در يك حوزه را دارند. هدف از تطابق هستان شناسي ها يافتن تشابه هاي معنايي بين موجوديت هاي هستان-شناسي هاي مختلف مي باشد. تطابق دهندگان هستان شناسي ها از روش هاي مختلف براي يافتن اين تشابه ها استفاده مي كنند كه در اين مقاله بر روش لغوي تاكيد مي شود. در هستان شناسي ها ممكن است عبارت هاي مختلفي براي بيان يك مفهوم استفاده شوند. تطابق دهندگان هستان شناسي ها معمولاً با استفاده از يك لغت نامه‌ي خارجي، نظير Word Net سعي در يافتن شباهت هاي معنايي بين نام هاي موجوديت ها دارند؛ اما استفاده از Word Net در تطابق هستان شناسي ها با مشكلاتي همراه است و فاز تطابق لغوي تطابق دهندگان مشهور همچنان با كاستي هايي روبه رواست. در اين مقاله، علاوه بر حل مشكلات استفاده از Word Net، سعي شده با افزودن تكنيك هاي الگوهاي نام‌گذاري، اين فاز بهبود داده شود. سپس عمل تطابق بر روي مجموعه داده آزمون هاي سازمان ارزيابي هم‌ترازي هستان شناسي ها ( (OAEIبا استفاده از روش واژه اي بهبود يافته صورت مي گيرد. نتايج اجرا نشان مي‌دهد كه فاز لغوي بهبوديافته از فاز لغوي تطابق دهندگان مشهوري مانند +Prior، ASMOV وRiMOM برحسب معيارهاي استاندارد ارزيابي پيشي مي گيرد.

The distributed nature of developing ontologies, leads to heterogeneous ontologies which try to express the same domain. Ontology matching aims to find semantic correspondences between the entities belonging to different ontologies. Ontology matchers use different methods to find the correspondences. In this paper, we concentrate on lexical similarity. Different terms may be used for expressing the same concept. Matchers aim to find semantic correspondences between the names of entities using an external lexicon, e.g. Word Net. However, some drawbacks exist in using Word Net and the lexical phase of the well-known matchers still suffers from some shortcomings. In this paper, in addition to solve the problems using Word Net, we try to improve this phase using naming pattern techniques. Evaluation results show our improved lexical phase outperforms the ones of well-known matchers, including Prior+, ASMOV, and RiMOM with respect to the standard evaluation measurements.