[论文解读] A Semantic Similarity Measure for Expressive Description Logics

Claudia d’Amato, Nicola Fanizzi+1 more|ArXiv.org|Nov 26, 2009

Semantic Web and Ontologies参考文献 24被引用 66

一句话总结

本文提出了一种用于表达性描述逻辑（如 ALC）的完全语义相似度度量方法，通过基于集合的交集和基数比率，计算概念描述、个体以及概念-个体对之间的相似度。该方法利用蕴含和实例检查推理，其复杂度被标准 DL 推理所限制，并在语义网应用中支持具有形式化语义基础的聚类与检索。

ABSTRACT

A totally semantic measure is presented which is able to calculate a similarity value between concept descriptions and also between concept description and individual or between individuals expressed in an expressive description logic. It is applicable on symbolic descriptions although it uses a numeric approach for the calculus. Considering that Description Logics stand as the theoretic framework for the ontological knowledge representation and reasoning, the proposed measure can be effectively used for agglomerative and divisional clustering task applied to the semantic web domain.

研究动机与目标

• 为知识库构建与集成任务中表达性描述逻辑缺乏完全语义相似度度量的问题提供解决方案。
• 支持不仅在概念之间，而且在个体之间以及概念与个体之间进行相似度计算。
• 支持基于 DL 的本体中的凝聚式与分裂式聚类、信息检索以及基于案例的推理。
• 克服一阶逻辑表示中基于语法或启发式方法的相似度度量的局限性。
• 开发一种基于形式语义而非句法结构的方法，确保与标准蕴含推理的兼容性。

提出的方法

• 相似度度量 s(C, D) 通过概念扩展的交集 |II|，以及个体概念描述的基数 |CI| 和 |DI| 定义。
• 核心公式为 s(C, D) = |II| / (|CI| + |DI| - |II|) * max(|II|/|CI|, |II|/|DI|)，结合了集合重叠与相对具体性。
• 对于个体-概念相似度，通过近似个体的最具体概念（MSC）并将其用作参考概念。
• 对于个体-个体相似度，分别计算两个个体的 MSC 近似值，并使用相同公式进行比较。
• 该方法依赖标准 DL 实例检查推理来计算概念扩展和 MSC 近似值。
• 复杂度分析为实例检查复杂度 C(IC) 的函数，其中概念-概念相似度的复杂度为 C(s) = 3·C(IC)。

实验结果

研究问题

• RQ1 能否为表达性描述逻辑定义一种完全语义的相似度度量，以支持概念之间、个体之间以及概念-个体对之间的相似度？
• RQ2 如何利用个体的最具体概念（MSC）来统一不同语义类型之间的相似度计算？
• RQ3 所提出的相似度度量相对于标准 DL 推理任务的计算复杂度是多少？
• RQ4 当前方法为何无法捕捉个体之间的有意义相似度，以及如何解决此问题？
• RQ5 该相似度度量能否通过基于距离的方法扩展以处理非重叠概念？

主要发现

• 所提出的相似度度量 s 满足相似度函数的所有形式性质：非负性、对称性以及自相似性最大化。
• 该度量在 ALC 的语义基础上形式化构建，使用蕴含和实例检查，确保与标准推理服务的兼容性。
• 对于概念-概念相似度，复杂度为 3·C(IC)，其中 C(IC) 是目标 DL 中实例检查的复杂度（例如，ALC 中为 PSPACE）。
• 对于个体-概念或个体-个体相似度，复杂度因需计算 MSC 近似值而增加 C(MSC*)。
• 该方法在个体-个体相似度方面存在局限性，由于 MSC 近似值过于具体，导致语义上相似的个体之间产生虚假的不相似性。
• 作者指出，需对 MSC 近似值进行泛化以降低具体性，从而改善个体层面比较中的相似度检测。