جستجوي پيشرفته | کتابخانه مجازی الفبا

چکیده ندارد.

حجم زیاد داده‌ها و منابع اطلاعاتی در وب، یکپارچه‌سازی داده‌های وب را به امری ضروری مبدل کرده است. از این‌رو طراحان وب معنایی به‌دنبال راهکاری مناسب برای برقراری تعاملات صحیح و کارا بین مفاهیم یکسان در هستان‌شناسی‌هایی می‌باشند که به‌صورت ناهمگون در وب توزیع شده‌اند.یکی از راهکارهای مطرح شده برای رفع این مشکل تطبیق‌هستان‌شناسی‌ها است. هدف از تطبیق‌هستان‌شناسی‌ها یافتن شباهت‌ها و روابط‌ معنایی بین موجودیت‌های هستان‌شناسی‌های مختلف است. تا کنون تطبیق‌دهندگان زیادی معرفی شده‌اند که هریک از روش‌های مختلف برای یافتن این شباهت‌ها استفاده کرده‌اند. نتایج حاصل شده از تطبیق‌دهندگان خودکار به دلیل عدم تعامل با کاربر دارای کاستی‌هایی می‌باشد که این امر بعنوان چالشی در زمینه تطبیق هستان‌شناسی‌ها مطرح شده است.از این‌رو در این پایان‌نامه با ارائه راهکاری مناسب به رفع این چالش در جهت بهبود کیفیت نتایج تطبیق هستان‌شناسی‌ها پرداخته‌ شده است. راهکار پیشنهادی افزودن فاز پیش‌پردازشبه-منظور بررسی هستان‌شناسی‌های ورودی و تشخیص الگوهای نامتناسب مدل‌سازی شده در هستان‌شناسی‌ها و اصلاح الگوهای تشخیص داده شده است. از این‌رو در فاز اول، هستان-شناسی‌های ورودی از بعد لغوی، ساختاری و ... مورد بررسی قرار گرفته‌اند، سپس با بررسی چگونگی عملکرد تطبیق‌دهندگان و در نظر گرفتن نقایص و کاستی‌های آنها در یافتن شباهت-های معنایی، الگوهای مناسب تشخیص داده شده است. در مرحله بعد با اعمال قوانین Refactoring بر روی الگوها، هستان‌شناسی‌های ورودی اصلاح شده است. در پایان، ارزیابی راهکار پیشنهادی با اعمال دو تطبیق‌دهنده مشهور ASMOV و RiMOM (که دارای بالاترین رتبه‌ها در آزمون‌های سازمان ارزیابی هم‌ترازسازی هستان‌شناسی‌ها ( (OAEIبوده‌اند) انجام شده‌است. نتایج حاصل از ارزیابی معیاری نشان دهنده بهبود در هم‌ترازی نهایی پس از اجرای راهکار پیشنهادی است.

وب‌معنایی با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها و بدون دخالت بشر طرح شد، ولی هم‌اکنون با چالش بزرگ تعامل آنتولوژی‌ها روبه‌رو است. این رساله درپی یافتن تناظر بین موجودیت‌های آنتولوژی، با استفاده از روش‌های یادگیری ماشین است. بدین ترتیب که، ابتدا معیار شباهت را در سطوح مختلف برای آنتولوژی‌های واقعی انتخاب و تولید می‌کند، و سپس از معروف‌ترین دسته‌بندی کننده‌های تحت‌نظارت، مثل ماشین بردارهای پشتیان (SVM) ، نزدیک‌ترینk همسایه (KNN)، درخت تصمیم‌گیری (DT) و روش AdaBoost برای دسته‌بندی موجودیت‌ها استفاده می‌کند. البته هر یک از دسته‌بندی‌کننده‌های مذکور با پارامترهای مناسب تنظیم می‌شوند. مدل نهایی بدون نیاز به بازخورد کاربر و کاملاً خودکار است. هم‌ترازی تنها برمبنای اطلاعات موجود در اسناد OWL است، و نیازی به نمونه‌های آنتولوژی نیست. از SVM برای کاهش معیارهای مشابهت استفاده شده، و نتایج حاصل از آزمایش مدل، بیانگر انتخاب روش مناسب و تنظیم صحیح پارامترهاست. به‌طوری‌که قادر به تامین نتایج قابل‌قبول همراه با کاهش قابل‌ملاحظه‌ی هزینه‌ی محاسباتی است. نتایج حاصل از روش AdaBoost بالاترین کارایی را داراست. نتایج حاکی از میانگین مقدار 92 درصد برای معیار F است.