语义Web服务的相似度计算研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇语义Web服务的相似度计算研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：随着语义web技术的广泛应用，如何实现在数据量大且形态各异的信息集中准确快速定位信息的需求成为热点问题，文中详细介绍在向量空间模型中引入语义概念对数据抽象建模为语义向量空间模型，根据每个特征项的权重计算向量间的语义相似度。随后分析该模型的利弊，针对其局限性提出基于本体模型的加权语义相似度度量方法。

关键词：语义Web；向量空间模型；特征向量；本体；语义相似度

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）24-5513-02

随着面向服务的体系结构（SOA）的逐步成熟， Web服务已经成为大家耳熟能详的词汇。这些服务以自包含、具有定义良好的接口为特点。该体系结构由三个参与者（服务提供者、服务请求者和服务）和三个基本操作（、查找和绑定）构成。语义Web服务是用语义Web技术对Web服务的扩展，在该架构下生成的所有Web服务资源该如何准确定位而服务其他需求。若想查找到相应的资源，首先必须了解资源的表示形式，即为语义Web建模，然后通过待查询的服务描述在服务的注册中心（UDDI）做相似度匹配，返回满足需求的服务结果集。语义Web服务的发现即实现用户查询的服务与被查询的服务集合间相似度的计算。

1 基于语义空间向量模型（SVSM）的相似度计算

1.1 建立模型

Web服务的表述形式多种多样，目前相对成功的模型有OWL-S、WSMO和MWSDI。文中以向量空间模型为基础对Web服务建立语义向量空间模型。

向量空间模型（VSM）把基于文本内容的信息处理简化为向量空间的向量运算。通过计算空间上向量间的相似度来度量对象间的语义相似度。随着网络上资源类型的多样化，如文档、多媒体、图片等，这些数据都可以特定形式表示并存储在网络上。所有数据组成了网络上信息的集合，形式化表示为I={D1，D2，……，Dm}，m为数据的总数。其中每个数据对象Di可以用特征向量描述其语义，特征向量又由n个特征项（Ti）来表示，所有数据对象的特征向量集合构成语义向量空间，数据可被映射到N维向量空间的一个点。

1.2 权重计算

Salton， Wong 和 Yang 提出的传统向量空间模型，一个词在文档向量中权重就是局部参数和全局参数的乘积，这就是著名的TF-IDF模型[2]。

1）计算词频（TF）：词频指某词在文档中出现的次数。计算公式如下：

[tfi，j=ni，jknk，j]

[ni，j]表示该词出现的次数；[knk，j]表示所有字词出现次数之和。由于文档的长短不同，

如某关键词k在含有1000个词的文档中出现了10次，而在含有100个词的文档中出现了5次，k在两个文档中所占比例分别为1%和5%。为了解决词的频率分布不合理现象，通常TF值会被正规化，防止偏向长的文档。

2）计算逆向文件频率（IDF）：指某词普遍重要性的度量。

3）计算权重

1.3 相似度计算

有了特征项的权重，可通过内积、余弦相似度法或二值化来计算两对象间的相似度。余弦是利用向量长度对内积做归一化的结果，使用余弦相似度法的计算公式如下：

其中，dik表示数据对象Di征项k的权重，qk是查询数据对象Q征项k的权重。假定有数据对象D1=3T1+0T2+3T3和D2=3T1+2T2+5T3，通过公式计算得知，

2 基于本体的语义相似度计算

SVSM是在传统VSM的基础上引入语义的概念，思想依然沿用传统模型，基于SVSM的相似度计算方法简洁直观，可应用到很多其他领域；结果可排序；检索效果理想。但该模型也有自身难以克服的局限性：

1）如不适合处理过长的文档。由于提取特征项时一味追求高精确度的描述时，难免会导致向量空间维数过高，必须做适当的降维处理。

2）检索词必须与被比较文件的词完全符合。而特征项是由一系列的字、词或语义单元组成，文中通常会出现词语顺序不一致或子串（子集）的现象。

3）语言敏感度低。同义或近义词很难甚至无法被关联起来。

4）不能识别词与词间的语义相关性。

特征向量用来描述网络上的数据对象，而表示特征向量的每个特征项都与本体中的一个术语或概念相对应，故上述计算特征项权重可转换为计算本体模型中相应概念的权重，从而得到相似度。以Protégé [3]作为开发平台可构建某领域本体模型[5]。“边计算法”是根据两个概念间最短路径和所处深度来判断二者的相似性。Li提出了一种有效度量“IS-A”概念树两概念间相似度的函数。

该函数表明概念的相似度关于[h]单调递增，关于[l]单调递减。根据Li的测试，[α]=0.2、[β]=0.6是度量效果的最佳优化值。该方法直观易理解，但没有考虑概念间边的权重。例如概念C1和它的直接父节点C2与C1和同C1同深度但不同父节点的任意子节点C3距离相同，但显然前者的相似度会更高。本体树中概念权重的分配从两点来分析，第一概念包含子节点的个数（密度因子d1）；第二概念所处的深度（深度因子d2），即距离根节点边的条数。

语义相似度计算方法依据文献[6]提出的函数再加上概念间的边权值构造相似度函数，从而提高语义相似度匹配的精确性。除此之外，还有其他基于本体树结构的语义相似度计算方法[4]。

3 结束语

基于SVSM的语义相似度计算导致维数过高问题有多种解决方法，如通过“特征词选择（Term Selection）”和“特征词析取（Term Extraction）”[5]方法；也可以通过奇异值分解（SVD）实现降低维数等，但语义依然没有得到很好地解决。基于本体树模型的语义相似度计算由于充分考虑了概念所处本体树中的位置并且赋予一定的权重，在判断语义相关信息方面增加了很多量化因素，如概念的深度，子节点的个数等，从而提高了语义相似度匹配的精确度，但不同本体库间的概念语义相似度度量仍然没有解决，也是今后值得继续研究的问题。

参考文献：

[1] Berners-Lee T.Semantic Web Road Map[EB/OL].1998.

[2] G Salton， A Wong， C S Yang.A Vector Space Model for Automatic Indexing[J].Communications of the ACM， 1975，18（11）， 613620.

[3] 洪娜，张智雄. Protégé在科研本体构建与推理中的实践研究[J].现代图书情报技术，2009，25（7/8）：1-5.

[4] 邱田，飞，林品.一个基于概念语义近似度的Web服务匹配算法[J].电子学报，2009，37（2）：429-432.

[5] 陈慧芳.文本分类征向量空间降维方法研究[D].南京：东南大学，2005，12-15.