Alignement semantique d’ontologies de grandes tailles: Introduction du contexte et des Réseaux de Neurones Artificiels PDF

Les deux KIF et CG ont une puissance expressive identique, et tout ce qui est indiqué.


Cet ouvrage apporte des réponses au problème de l’alignement et de l’hétérogénéité des sources de données. Nous présentons un prototype d’alignement nomé XMap++, capable d’élaborer un mapping sémantique en tenant compte du contexte des sources à aligner. Ainsi, nous proposons des stratégies de matching qui peuvent être combinées de façon dynamique en prenant en considération les spécificités sémantiques des concepts. En particulier, le module aligneur supporte quatre modes de combinaison dynamique (e.g. moyenne, pondération dynamique, pondération avec les RNA, fonction sigmoïde) qui confère un choix parmi les mesures de similarité des entités (e.g., terminologique, linguistique et structurelle), et le degré de confiance approprié a chaque matcher pour aligner une entité donnée, considérant des caractéristiques sémantiques spécifiques (e.g. type de données, nature de contenu, etc.). Les algorithmes implémenté sont testés, sur des ontologies de grande taille. La phase de validation permet de comparer les résultats obtenus par les méthodes proposées avec les résultats d’autres méthodes pionnières de la littérature.

Il considère la notion de contexte 32, où un concept d’ontologie peut être utilisé dans l’expression de recherche pour restreindre les résultats de la recherche. In: Conférence IEEE sur la bioinformatique et la biomédecine. Dans cet article, nous montrons quelques hypothèses décrivant la probabilité d’un test irrégulier pour reconnaître les blâmes de connexion et contraster les résultats avec les tests combinatoires.-}