[发明专利]一种智能语义网中本体概念模糊相似度度量方法

权利要求书

1.一种智能语义网中本体概念模糊相似度度量方法,其特征在于，包括以下步骤：

A.将本体概念扩展成为解释集                                               ，所述解释集包括isA子集、relatedTo子集和nearTo子集；

其具体是，将与所述本体概念相关的本体概念分为三类，第一类本体概念是本体概念本身及所述本体概念以上的祖父概念集，将第一类本体概念存储在isA子集内，第二类本体概念是与所述本体概念有属性关系的本体概念及有属性关系的本体概念以上的祖父概念集，将第二类本体概念存储在relatedTo子集内，第三类本体概念是与该本体概念有同一父节点的兄弟概念集，将第三类本体概念存储在nearTo子集内；所述解释集表示如下：

，

其中、、表示三个子集对解释集的权重，不失合理性，有，且；

B.将本体概念的解释集扩展成模糊解释集，所述模糊解释集包括分别与isA子集、relatedTo子集和nearTo子集相对应的双模糊集vIsA子集、vNearTo子集和vRelatedTo子集；其具体为：

所述模糊解释集表示如下：

；

C.根据所述模糊解释集计算本体概念的相似度；

将概念X、Y分别扩展成为模糊解释集、，其中X包含双模糊子集vIsA(X)、vNextTo(X)及vRelatedTo(X)，Y包含双模糊子集vIsA(Y)、vNextTo(Y)及vRelatedTo(Y)，通过分别计算双模糊子集vIsA(X)与vIsA(Y)的相似度、双模糊子集vNextTo(X)与vNextTo(Y)的相似度、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度，结合步骤A所述权重、、，计算得到概念X与概念Y的相似度为：

。

2.根据权利要求1所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，对于本体概念X，其各解释子集isA、nextTo、relatedTo对应的模糊解释子集vIsA、vNextTo、vRelatedTo的计算方式为：

当存在唯一一条路径path，使X通过isA子集的语义路径到达本体的根节点，根节点用THING表示，令该路径为，其中与为isA子集中的概念，用表示概念与之间的isA关系，令，

，

其中、为在模糊集中的真隶属度和假隶属度，其计算方法如下：

，，

其中表示概念非继承自父概念的属性的数目，表示子概念拥有的父概念的个数，表示父概念所拥有的子概念个数，用于调节、、对置信度的影响，其取值范围在于保证，；

当存在多条路径、…、使X经过isA子集的语义路径到达本体的根节点，令为经过路径的双模糊集，则

；

将本体概念X的兄弟概念集存储在集中，令，si与父概念的isA子集语义关系为，vNextTo对nextTo的双模糊扩展为：

；

将与概念X直接关联的概念存储在集中，vRelatedTo子集将relatedTo子集扩展为：。

3.根据权利要求2所述的智能语义网中本体概念模糊相似度度量方法,其特征在于，所述双模糊子集vIsA(X)与vIsA(Y)的相似度计算方法为：

在vIsA(X)中添加vIsA(Y)有而vIsA(X)中没有的元素，他们的真隶属度和假隶属度均为0，表示一个空集；在vIsA(Y)中添加vIsA(X)有而vIsA(Y)中没有的元素，同样，他们的真隶属度和假隶属度也均为0，令A= vIsA(X),B= vIsA(Y),则vIsA(X)与vIsA(Y)的相似=，其中，n为双模糊集元素的个数，，，、分别是vIsA(X)的真隶属函数和假隶属函数，、分别是vIsA(Y)的真隶属函数和假隶属函数，此计算出来的相似度侧重的是支持度的差别，当时有=1；

同理，计算双模糊子集vNextTo(X)与vNextTo(Y)的相似度、双模糊子集vRelatedTo(X)与vRelatedTo (Y)的相似度。