A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Deep Reinforcement Learning Based Ontology Meta-Matching Technique Técnica de meta-correspondência de ontologia baseada em aprendizado de reforço profundo

Xingsi XUE, Yirui HUANG, Zeqing ZHANG

  • Exibições de texto completo

    1

  • Cite isto

Resumo:

As ontologias são consideradas a solução para a heterogeneidade dos dados na Web Semântica (SW), mas também sofrem com o problema da heterogeneidade, que leva à ambiguidade das informações dos dados. A técnica Ontology Meta-Matching (OMM) é capaz de resolver o problema de heterogeneidade da ontologia através da agregação de várias medidas de similaridade para encontrar as entidades heterogêneas. Inspirado no sucesso do Aprendizado por Reforço (RL) na resolução de problemas complexos de otimização, este trabalho propõe uma técnica OMM baseada em RL para resolver o problema de heterogeneidade de ontologias. Primeiro, propomos um novo framework OMM baseado em RL e, em seguida, uma rede neural chamada rede avaliada é proposta para substituir a tabela Q quando escolhemos a próxima ação do agente, que é capaz de reduzir o consumo de memória e o tempo de computação. . Em seguida, para melhor orientar o treinamento da rede neural e melhorar a precisão do agente RL, estabelecemos um banco de memória para extrair informações de profundidade durante o procedimento de treinamento da rede avaliada, e utilizamos outra rede neural chamada rede alvo para salvar o histórico. parâmetros. O experimento usa o famoso benchmark no domínio de correspondência de ontologias para testar o desempenho de nossa abordagem, e as comparações entre Deep Reinforcement Learning(DRL), RL e sistemas de correspondência de ontologias de última geração mostram que nossa abordagem é capaz de determinar efetivamente alta- alinhamentos de qualidade.

Publicação
IEICE TRANSACTIONS on Information Vol.E106-D No.5 pp.635-643
Data de publicação
2023/05/01
Publicitada
2022/03/04
ISSN online
1745-1361
DOI
10.1587/transinf.2022DLP0050
Tipo de Manuscrito
Special Section PAPER (Special Section on Deep Learning Technologies: Architecture, Optimization, Techniques, and Applications)
Categoria
Métodos básicos

autores

Xingsi XUE
  Fujian University of Technology
Yirui HUANG
  Fujian University of Technology
Zeqing ZHANG
  Xiamen University

Palavra-chave