【报告内容】

汇报人： 杨建非

汇报单位：福建理工大学

《Solving Ontology Metamatching Problem through Improved Multiobjective Particle Swarm Optimization Algorithm》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1. 待解决的问题描述

本体（Ontology）作为语义网和物联网中的核心知识表示模型，其间的异构性（Heterogeneity）问题严重阻碍了不同智能系统间的语义信息共享与互操作。为解决此问题，需进行本体匹配（Ontology Matching），即发现不同本体实体间的语义映射关系。而本体元匹配（Ontology Metamatching）是匹配中的关键挑战，其核心在于如何自动选择、加权组合多个相似度度量并确定最佳过滤阈值，这是一个复杂的优化问题。现有方法主要存在两大缺陷：一是采用单目标优化（如传统PSO、GA），无法同时权衡召回率（Recall）与精确率（Precision）这两个内在冲突的目标；二是采用传统多目标优化算法（如MOPSO）会因依赖外部存储帕累托解而产生高内存消耗、早熟收敛及解集分布不均等问题。

2. 相关创新方案

1）多目标优化模型构建：首次将本体元匹配问题形式化为一个双目标优化模型，旨在同时最大化召回率（Recall）和精确率（Precision），从而更准确地刻画问题的本质。

2）通用多目标优化框架：设计了一个用于解决本体元匹配问题的通用计算框架。该框架清晰地集成了相似度计算、加权聚合、阈值过滤和质量评估模块，为评估匹配结果质量提供了标准化流程。

3. 实验总结

实验采用国际标准基准OAEI提供的数据集进行验证，并将MOPSO-DE与单目标PSO、传统MOPSO以及其他知名匹配系统进行了全面对比。实验结果表明：

性能优越：MOPSO-DE能同时优化两个目标，其获得的匹配结果的F-Measure值在多数测试案例上优于对比算法。

4. 未来工作

基于本研究的成果和实验中发现的不足，未来的工作方向包括：

1）改进多样性策略：进一步优化多样性增强机制，以提升算法在处理复杂、高度异构的本体匹配问题时的鲁棒性和对齐质量。

2）扩展至大规模问题：本研究验证了MOPSO-DE在小规模问题上的有效性，未来将探索其在大规模本体匹配场景下的应用，可能涉及分布式计算或分治策略。

报告时间：2025年08月29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)