【报告内容】

汇报人：杨建非

汇报单位：福建理工大学

主题：《Adaptive Similarity Feature Construction for Ontology Matching via Multi-Layer Hybrid Genetic Programming》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1.待解决的问题描述

1）单一特征的局限性：由于实体的异构性，没有任何单一SF能普遍适用于所有匹配情境；

2）GP方法的缺陷：

(1)通常使用固定分类策略，影响匹配精度；

(2)仅构建一个高层SF，限制了匹配维度；

(3)缺乏有效的特征选择机制，导致冗余或低质量的SF被使用；

(4)常数值优化能力弱，影响特征组合的精度。

2.相关创新方案

1)多层个体表示：将相似性特征构建、分类、聚合三个阶段整合为一体，在进化过程中同时优化；

2)基于权重的特征选择与变异操作：引入“信任度+多样性”机制来选择和构造更有效的SF；

3)紧凑遗传算法（CGA）优化常数值：优化GP树中的常数矩阵，提升匹配精度与收敛速度。

3.实验总结

1)数据集：采用OAEI基准测试集（含不同类型的本体匹配任务）；

2)对比方法：

(1)OAEI参赛方法（如AOTL, IAMA, Lily等）

(2)进化算法方法（如GA、GA-SHC、GP）；

3)实验结果：

(1)在测试任务101–247中，MLHGP均取得完美匹配（f-measure = 1.00）；

(2)在挑战性较高的任务248–262中，MLHGP仍取得平均f-measure为0.89，显著优于现有方法；

(3)与GP、GA、GA-SHC等方法相比，MLHGP在大多数任务中取得更高精度，展现了更强的泛化能力与稳定性。

4.未来工作

1)逻辑一致性扩展：目前仅处理子类-超类冲突，未来将引入其他逻辑冲突

2)语义解释增强：提升构建SF的可解释性，使其对领域专家更具透明度；

3)跨领域泛化能力：探索MLHGP在其他复杂本体系统（如跨语言、跨领域）中的应用能力；

4)运行效率优化：进一步压缩模型结构，提升算法运行效率以适配实际大规模本体匹配任务。

报告时间：2025年05月30日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)