یکی از یزرگترین اهداف شاخه پردازش زبان طبیعی در هوش مصنوعی، تبدیل متن غیر ساختیافته زبان طبیعی با دانش ساختیافته و ماشین فهم می‌باشد. این هدف زذیل مسائل مختلفی در یادگیری ماشین و پردازش زبان طبیعی از قبیل استخراج اطلاعات، مطالعه ماشینی و ... بیان شده است.
یکی از اشکال مرسوم دانش قابل فهم پردازش توسط ماشین هستان شناسی می‌باشد. هستان‌شناسی مدلی انتزاعی از جهان واقع است که مفاهیم و روابط بین آنها را در حوزه موضوعی مورد بحث نمایش می‌دهد.
روشهای انسانی و یا با ناظر ایجاد یک هستان‌شناسی، بسیار پر زحمت و پر هزینه می‌باشد و با توجه به محدودیت‌های این روشها، ایجاد یک هستان‌شناسی عام که وابسته به حوزه موضوعی خاصی نباشد با استفاده از روش‌هایی که مستلزم نظارت انسانی می‌باشد بسیار دشوار است. همچنین به مرور زمان و با توجه به پویایی زبان و تغییر و گسترش مفاهیم و روابط در دنیای واقعی، نیاز به گسترش هستان‌شناسی و اضافه شدن مفاهیم و روابط جدید به آن احساس خواهد شد.
گسترش هستان‌شناسی به این معنا می‌باشد که بتوانیم با استفاده از یک هستان‌شناسی موجود به عنوان ورودی و همچنین یک پیکره متنی، مفاهیم و روابط جدید را به هستان شناسی اصلی، اضافه نموده و آن را گسترش دهیم.
در این پروژه قصد داریم روشهای مختلف گسترش هستان‌شناسی را بررسی نموده و یکی از آنها را پیاده‌سازی کنیم.
* این پروژه توسط یک بنگاه تجاری تعریف شده است و اگر به خوبی انجام شود، مورد حمایت قرار می‌گیرد.
# مقدمه
هستان شناسی مدلی انتزاعی از جهان واقع است که مفاهیم و روابط میان آنها را در قلمروی مورد بحث نمایش می‌دهد. هستان‌شناسی‌ها در قلمروهای مختلف کاربرد دارند و ساخت انواع آنها برای قلمروها فرآیندی پرهزینه و زمان‌گیر است. خودکار سازی این فرآیند مشکلات مهندسی هستان شناسی را محدود و هزینه ساخت و استفاده اشتراکی از آنها را کاهش می‌دهد.
هستان شناسی را می‌توان با یک گراف جهتدار نشان داد که مفاهیم، گره‌های گراف باشند و روابط هم یال‌ها.[1]
برای استخراج دانش مفهومی از روشها و الگوریتم‌های رشته های مختلفی مانند پردازش زبان طبیعی، مهندسی دانش، یادگیری ماشینی، اکتساب دانش، استخراج اطلاعات، استدلال خودکار و پردازش نمادین و احتمالاتی استفاده می‌شود. در چند دهه اخیر فعالیت‌هایی در زمینه یادگیری هستان شناسی انجام و روشها، متدولوژی‌ها، ابزارها و سیستم‌های مختلفی نیز ارایه شده‌اند. برخی از این سیستم‌ها از روشهای آماری، برخی از روشهای نمادین و برخی دیگر نیز از ترکیب این دو جهت یادگیری هستان شناسی بهره می‌برند. همچنین بعضی سیستم‌های یادگیر، ورودی خود را از متون زبان طبیعی و برخی دیگر از داده های نیمه ساخت یافته مانند مستندات XMLو HTML و یا داده‌های ساخت یافته مانند پایگاه‌های دانش و هستان شناسی های دیگر تامین می‌کنند. [5]
یادگیری هستان شناسی از متون یک فرآیند شناسایی عبارات، مفاهیم، روابط و اصول بدیهی از متون و استفاده از آنها برای ساخت و نگهداری هستان‌شناسی است. خروجی یادگیری هستان شناسی را به پنج دسته می‌توان تقسیم کرد: عبارات، مفاهیم، روابط طبقه بندی، روابط غیرطبقه‌بندی، اصول بدیهی.
در بحث استخراج اطلاعات که دانش به صورت اتوماتیک از متن استخراج می‌شود. ما معتقدیم که توانایی کشف کامل دانش ارایه شده در پیکره بزرگ، غیرساخت یافته و ناهمگن، نیاز به یک پردازش آموزشی طولانی مدت دارد. در این میان سیستم‌هایی مانند Alice – یک عامل آموزشی بلندمدت با هدف کشف خودکار مجموعه مفاهیم و واقعیت‌ها و تعمیم که موضوع خاصی را مستقیماً از متون وب توضیح می‌دهد- وجود دارند که از روشهای بدون ناظر برای استخراج دانش استفاده می‌کند. [2]
+ مورد
# کارهای مرتبط
با مطالعه کارهای انجام شده در زمینه هستان شناسی درمی‌یابیم که: 1) یک متدولوژی جزیی که فرآیند یادگیری هستان شناسی از متون را راهنمایی کند، وجود ندارد. 2) سیستم کاملاً خودکار برای یادگیری هستان شناسی و نیازمندهایی که کاربر در استخراج مفاهیم و روابط از پیکره حاشیه نویسی شده، دارد وجود ندارد. 3) نیاز به یک رویکرد عمومی برای ارزیابی دقت یادگیری هستان شناسی و مقایسه نتایج تولید شده توسط سیستم‌های مختلف وجود ندارد.
در پژوهشی که توسط Ding and Foo در سال 2002 انجام شد و دوازده پروژه بزرگ یادگیری هستان شناسی مطالعه شده بود، دستاوردها حاکی از این بودند که: 1) داده ورودی اکثراً ساختیافته بودند و یادگیری از متون آزاد در حیطه تحقیقات باقی مانده است. 2) کشف روابط خیلی پیچیده است و برای حل مشکل بسیار پیچیده‌ای است و به عنوان یک مانع باقی مانده است. 3) تکنیک‌های کشف مفاهیم در سطوح خاصی از رشد باقی مانده است.[6]
با نگاهی دقیقتر به پژوهش های انجام شده متوجه می‌شویم که یادگیری هستان شناسی به صورت کاملاً خودکار غیرممکن است. از طرفی دیگر، کشف روابط بین مفاهیم، بخصوص روابط جزیی، نیاز به کار بیشتری دارد.
تکنیک‌های یادگیری هستان‌شناسی که در حال حاضر وجود دارد را به صورت خلاصه می‌توان به شرح زیر توضیح داد.
بازیابی اطلاعات الگوریتم‌های مختلفی برای تحلیل اجتماعی بین مفاهیم و مفاهیم با استفاده از بردارها، ماتریس‌ها و تئوری‌های احتمالات فراهم کرده است. از سوی دیگر، یادگیری ماشین و داده کاوی، یادگیری ماشین با قابلیت استخراج قوانین و الگوها از پایگاه داده های حجیم به روشهای نظارتی و بدون ناظر را ایجاد کرده است. پردازش زبان طبیعی ابزارهایی برای تحلیل متون زبان طبیعی در سطوح مختلف زبانی (مانند ریخت‌شناسی، نحو، معنا و...) برای یافتن نمایش مفاهیم و روابط آنها ایجاد کرده است. نمایش دانش و استنتاج اجزای هستان شناسانه را قادر می‌کنند به صورتی نمایش داده شوند و مشخص شوند که دانش جدید بتواند استنباط شود.
در کل، تکنیک‌های مختلف می‌توان به چهار دسته تقسیم کرد: مبتنی بر آمار، مبتنی بر زباشناسی، مبتنی بر منطق و ترکیبی.
1) تکنیک‌های مبتنی بر آمار: این تکنیک‌ها از بازیابی اطلاعات، یادگیری ماشین و داده کاوی نشأت گرفته‌اند. تکنیک‌های رده بندی، تحلیل معنایی نهفته، تحلیل وقوع همزمان، استنتاج عبارات، تحلیل تباین و کاویدن قوانین اجتماع از این دسته هستند. ایده اصلی آن این است که وقوع همزمان واحدهای واژگانی در نمونه‌ها یک تخمین قابل اعتماد درباره هویت معناییشان ایجاد می‌کند تا بتوانیم موجودیت‌های سطح بالاتر تولید کنیم.
2) تکنیک‌های مبتنی بر زبانشناسی: در تمام زمینه های یادگیری هستان شناسی کاربرد دارد بخصوص در ابزارهای پردازش زبان طبیعی. برخی از این تکنیک‌ها عبارتند از: برچسب زن مقوله نحوی، تجزیه کننده جملات، تحلیل ساختار نحوی و تحلیل وابستگی.
3) تکنیک‌ها و منابع مبتنی بر منطق: این تکنیک‌ها خیلی رایج نیستند و معمولاً برای کاربردهای خیلی پیچیده مانند روابط و مفاهیم بدیهی کاربرد دارند. تکنیک‌های مبتنی بر منطق با پیشروی در نمایش دانش و استنتاج و یادگیری ماشین، ارتباط دارد. تکنیک‌های برنامه نویسی منطق استقرایی و استنباط منطقی از این دسته هستند.[1]
درانتها می‌توان گفت که در این فاز از پروژه به بررسی و کسب شناخت اولیه در حیطه هستان‌شناسی و بررسی اجمالی از کارهایی که در این زمینه صورت گرفته، پرداختیم. در فازهای بعدی یکی از روشهای موجود در این حوزه بررسی و انتخاب خواهد شد تا به مرحله پیاده سازی برسد.
# آزمایش‌ها
# کارهای آینده
# مراجع
[1] Wong, Wilson, Wei Liu, and Mohammed Bennamoun. "Ontology learning from text: A look back and into the future." ACM Computing Surveys (CSUR) 44.4 (2012): 20.
[2] Banko, Michele, and Oren Etzioni. "Strategies for lifelong knowledge extraction from the web." Proceedings of the 4th international conference on Knowledge capture. ACM, 2007.
[3] Carlson, Andrew, et al. "Toward an Architecture for Never-Ending Language Learning." AAAI. Vol. 5. 2010.
[4] Nakashole, Ndapandula T. "Automatic extraction of facts, relations, and entities for web-scale knowledge base population." (2013).
[5]Shamsfard, Mehrnoush, and Ahmad Abdollahzadeh Barforoush. "Learning ontologies from natural language texts." International journal of human-computer studies 60.1 (2004): 17-63.
[6]Ding, Ying, and Schubert Foo. "Ontology research and development. Part 1-a review of ontology generation." Journal of information science 28.2 (2002): 123-136.
[7]Ding, Zhongli, and Yun Peng. "A probabilistic extension to ontology language OWL." System Sciences, 2004. Proceedings of the 37th Annual Hawaii international conference on. IEEE, 2004.
[8]Maedche, Alexander, and Steffen Staab. "Ontology learning for the semantic web." IEEE Intelligent systems 16.2 (2001): 72-79.*
#توجه بفرمایید
این پروژه را من تغییر دادم و موضوع را "**نگاشت و ادغام هستان شناسی**" انتخاب کرده ام. از این رو هدف و در نتیجه مقدمه این مطلب تغییر کرده است.
# مقدمه
هستان شناسی در اصل یک مفهوم فلسفی بود که طبیعت مفاهیم را توصیف می‌کرد. [2]امروزه هستان شناسی به عنوان یک مشخصه صریح صوری از ادراک مشترک تعریف می‌شود که یک درک مشترک از یک حوزه که می تواند در میان انسان‌ها و سیستم‌های کاربردی ارتباط ایجاد کند را فراهم می‌آورد. [1]
اجزای هستان شناسی، مفاهیم(concept)، روابط(relation)، نمونه‌ها (instance) و بدیهیات (axiom) است. یک مفهوم، یک مجموعه یا کلاس از موجودیت‌ها در یک زمینه را نمایش می دهند. روابط، ارتباط متقابل مفاهیم یا ویژگی‌ها یک مفهوم را نمایش میدهند که به دو دسته رده بندی و انجمنی تقسیم می‌شود. نمونه‌ها چیزهایی هستند که توسط مفاهیم نمایش داده می‌شوند. هستان شناسی به تنهایی دارای نمونه نیست بلکه هستان شناسی به همراه نمونه‌ها یک پایگاه دانش را تولید می‌کند. بدیهیات مقادیر اجباری برای کلاس‌ها یا نمونه‌ها هستند و معمولاً شامل قوانین کلی هستند، مثلاً یک دوره آموزشی حتماً یک مدرس دارد. [3]
بخاطراینکه هیچ معیار مشترکی برای ساخت هستان شناسی وجود ندارد، هستان‌شناسی‌های ناهمگن مختلفی در یک حوزه مشابه ساخته شده است. [2]
هستان شناسی ها دارای دو نوع ناهمگنی هستند: ناهمگنی metadata و ناهمگنی نمونه. موجودیت‌ها (مفهوم، رابطه یا نمونه)ممکن است با معنای یکسان در هستان‌شناسی‌های مختلف برچسب اسم متفاوت داشته باشند و برچسب اسم یکسان ممکن است برای دو موجودیت با معانی متفاوت در دو هستان شناسی به کار رفته باشد؛ نمونه‌ها در هستان شناسی های مختلف دارای نمایش‌های مختلف هستند و هستان شناسی های مختلف ممکن است دارای ساختار رده بندی متفاوت باشند. [3]
وب معنایی (Semantic web) امکان به اشتراک گذاری مطالب مرتبط به یک زمینه خاص را فراهم آورده است. هدف اصلی آن گسترش تکنیک‌های بازیابی اطلاعات به صورت هوشمند است. در تکنیک‌های وب معنایی RDF (یا Resource Description Framework) برای بازگرداندن داده غیرساختیافته به داده ساختیافته مورد استفاده قرار می‌گیرد و ایجاد RDF یک سیستم هستان شناسی برای تبدیل اطلاعات روی وب است. هستان شناسی نقش مهمی در استخراج دانش ایفا می‌کند. در سالهای گذشته استفاده از هستان شناسی در سیستم‌های بازیابی اطلاعات در زمینه‌های تحقیقاتی مختلف مانند بازیابی اطلاعات مرتبط (Relevant Information Retrieval)، تکنولوژی‌های وب، پردازش زبان طبیعی (Natural Language Processing)، سیستم‌های مدیریت اطلاعات و غیره گسترش یافته است.[5]
شبکه معنایی از چارچوب چندلایه ای استفاده می کند و هستان شناسی در سطحی که از توصیف اسنادی به استنتاج دانش ارتباط ایجاد شده، قرار دارد، پس ساختار هستان شناسی کلید شناسایی وب معنایی است.هستان شناسی برای توصیف مفاهیم و ارتباط بین آنها در یک زمینه یا حتی طیف وسیعتری که این مفاهیم و ارتباطات تنها یک تعریف در حیطه مشترک دارند، استفاده می‌شود، بنابراین انسان و ماشین می‌تواند بین آنها ارتباط برقرار کند [4]. امروزه ما می‌توانیم تعداد روزافزونی هستان شناسی داشته باشیم و ساختار هستان شناسی ها متفاوت باشد و از متدهای مختلفی استفاده کنند. به این منظور که هستان شناسی هایی که توسط خبره‌های (expert) متفاوت ساخته شده اند، برای هم قابل فهم باشد، نگاشت هستان شناسی (ontology mapping) شکل گرفت. نگاشت هستان شناسی برای استفاده مجدد از هستان شناسی موجود، و توسعه و ترکیب آنها با یک متد خاص است که هستان شناسی های مختلف را برای دستیابی به یک پیکره اطلاعات و پایگاه دانش بزرگتر مخلوط می‌کند. [2]
در سالهای اخیر نگاشت و ادغام هستان شناسی‌ها یک مسئله پیچیده برای محققین شده است و مسایل و نکات زیادی در این رابطه مطرح شده است. نگاشت و ادغام هستان شناسی یک رویه برای ساخت یک انباره مشترک با یک پایگاه دانش از دو یا چند هستان شناسی است. هدف اصلی ادغام هستان شناسی، حذف ناسازگاری‌ها است و ممکن است منجر به از دست رفتن برخی اطلاعات ارزشمند شود.
ایده پشتیبان ادغام هستان شناسی برای تولید یک هستان شناسی جدید، تقسیم هستان شناسی به کلاس‌ها یا مفاهیم و پیدا کردن روابط ممکن بین مفاهیم و کلاس‌ها است. دو هستان شناسی مختلف برای یک زمینه، روی هم افتادگی‌های زیادی دارد.
ادغام هستان شناسی، هستان شناسی‌های مختلف را که متعلق به یک موضوع مشابه هستند را ترکیب می‌کند و یک هستان شناسی جدید تولید می‌کند. [5]
نگاشت هستان شناسی یک روش کارآمد برای شناخت ارتباط بین عملکرد هستان‌شناسی های ناهمگن است.نکته مهم در نگاشت هستان شناسی، محاسبه میزان مشابهت میان مفاهیم است. [2]
تفاوت عمده روشهای مختلف موجود در ادغام و نگاشت هستان شناسی عموماً در روش و تکنیک های به کار رفته برای محاسبه مشابهت است. ما در این پژوهش به دنبال مطالعه روشهای مختلف در نگاشت هستان‌شناسی هستیم تا در مراحل بعد یکی از این روشها را پیاده سازی و اجرا کنیم.
در شکل زیر دو نمونه از هستان‌شناسی‌های متفاوت برای یک زمینه خاص (در مورد airline reservation ) را نمایش می‌دهیم که مشاهده می‌شود این دو هستان شناسی با هم تفاوت دارند.[6]
# تعریف نگاشت دو هستان شناسی
دو هستان شناسی Aو B داده شده، نگاشت یک هستان شناسی با دیگری به این معنا است که برای هر مفهوم (گره) در هستان شناسی A سعی کنیم مترادفی از یک مفهوم (گره) در هستان شناسی B پیدا کنیم که معنا مشابهی داشته باشد و برعکس. [7]
Map: Oi1 -> Oi2
Map (ei1j1) = ei2j2 , if sim(ei1j1, ei2j2) > t with t being threshold
Entity ei1j1 is mapped onto ei2j2; they are semantically identical, each entity ei1j1 is mapped to at most one entity ei2j2
# کارهای مرتبط
در این بخش به مطالعه و بازنگری مقالاتی می‌پردازیم که به مقوله ادغام و نگاشت هستان شناسی پرداخته‌اند.
در مقاله[5] با تکیه بر تحلیل معنایی روی هستان شناسی مشابه در یک زمینه خاص عمل ادغام انجام می‌پذیرد.این الگوریتم به صورت کاملاً اتوماتیک است که از معنای کلاس‌ها و خصوصیات (property) با استفاده از[8] Wordnet بهره می‌برد. رویکرد مورد نظر در این مقاله، الگوریتم ادغام هستان شناسی معنایی ( Semantic Ontology Mapping = SOM) است که یک الگوریتم ادغام و نگاشت خودکار هستان شناسی است و هستان شناسی را به دو بخش تقسیم می‌کند ابتدا کلاس‌ها را ادغام می‌کند و سپس ویژگی‌های دو هستان شناسی را ادغام می‌کند. الگوریتم‌های ادغام هستان شناسی در یک زمینه خاص، سعی می کنند معنای مشابه بین دو هستان شناسی مختلف را پیدا کنند تا یک هستان شناسی منسجم ایجاد کنند.ادغام معنایی هستان شناسی این مراحل را طی می‌کنند: اول، دو هستان شناسی روی یک زمینه مشترک را بارگذاری می‌کنند سپس پیش پردازش را با استفاده از ریشه یابی (stemming) اجرا می‌کنند، گام بعدی، تحلیل معنایی با استفاده از Wordnet است که در آن، مترادف کلاس‌ها در هستان شناسی های مختلف پیدا می‌شود. [5]
در مقاله[2] یک متد برای نگاشت هستان شناسی با چند استراتژی (multi strategy mapping) معرفی شده است. شباهت مفاهیم از روی جنبه‌های اسم ، ویژگی و ارتباط مفهوم محاسبه می‌شود. شبیه سازی نشان می‌دهد این رویکرد ، یک الگوریتم کارامد است. چارچوب نگاشت هستان شناسی چند استراتژی، چند ماژول دارد: 1- یک هستان شناسی کاربردی: که شامل هستان شناسی سطح بالای موجود است که برخی مترادف کلمات را در خود دارد. 2- لایه مرجع: شامل جدول تطابق انواع داده و اطلاعات مرتبط با آنها است. جدول تطابق انواع داده یک درجه نگاشت بین همه انواع را توصیف می‌کند.اگر دو نوع داده مشابه هستند دیگر نیاز نیست جدول را چک کنیم. اگر دو نوع داده متفاوتند، باید در جدول جستجو شود. درجه مشابهت بین انواع مختلف داده بین صفر تا یک است. 3- لغات مشترک دامنه: یک اصطلاح وازگانی عمومی در ناحیه مشترک است که براساس Wordnet رده بندی می‌شود. هر خط در جدول برای یک مفهوم، مترادف و نزدیک مترادف است. هنگام محاسبه مشابهت مفاهیم، با وازگان به عنوان مرجع، تنها مشابهت میان مترادف و نزدیک مترادف‌ها محاسبه می‌شود که براساس سیستم Wordnet تعریف می‌شوند. 4- هستان شناسی محلی: توسط کاربران مختلف متناسب با نیازشان ساخته شده است. [2]
در مقاله [9] رویکرد نگاشت هستان شناسی ها مبتنی بر گرامر ساختار درخت بررسی شده است. از آنجاییکه هستان شناسی به صورت سلسله مراتبی طراحی شده است، ما به سادگی می‌توانیم با یک ساختار سلسله مراتبی درختی آن را نمایش بدهیم. جالب است که این رویکرد هم مشابهت ساختار داخلی مفاهیم در هستان شناسی های متفاوت را ترکیب می‌کند و هم مشابهت زبانی مفاهیم را. در این راستا، روابط قویتری بین مفاهیم می‌توان یافت و اعتبار محاسبات تشابه افزایش می‌یابد. در این روش که مبتنی بر ساختار مفاهیم است، درباره سلسله مراتب مفاهیم مانند روابط آنها و معنای همسایگی هنگام عمل نگاشت مطالعه شده است. [9]
در مقاله[3] نگاشت هستان شناسی به عنوان یک مسئله تصمیم گیری درنظر گرفته شده است. تصمیم گیری با کمترین ریسک باید صورت بگیرد و رویکرد Risk Minimization based Ontology Mapping (RiMOM) مورد نظر است که به صورت اتوماتیک پردازش کشف روی نگاشت‌های 1:1، 1:n ، null:1 و 1:null را انجام می‌دهد. استفاده از قانون بیز با همان فرمول‌های رایج برای محاسبه ریسک و احتمالات شرطی در نظر گرفته شده است. Xیک نمونه است که احتمال تعلق آن به یک کلاس مانند Y را به صورت P(X|Y) تعریف میکنیم. در این متد نگاشت، p(ei2|ei1) را به این صورت حساب میکنیم که چقدر احتمال دارد که یک نمونه از هستان شناسی اول با یک نمونه از هستان شناسی دوم نگاشت شود. با محاسبه این احتمالات و محاسبه ریسک تصمیم گیری صورت می‌گیرد. نتایج آزمایش‌ها حاکی از این بودند که روش مورد نظر نتایج بهتری را نسبت به روش های پایه برای کشف نگاشت عمل می‌کند. [3]
# آزمایش‌ها
سوالاتی در زمینه نگاشت هستان شناسی مطرح است که قبل از اینکه پیاده سازی این پژوهش باید به آنها پاسخ بدهیم: 1- چگونه مسئله را فرموله کنیم که می‌تواند انواع مختلفی از کاردینالیتی و ناهمگونی نگاشت‌ها را توصیف کند. 2- چگونگی حل مسئله در رویکرد مورد نظر. 3- چگونگی پیاده سازی رویکرد مورد نظر.
در پاسخ به سوال اول، با توجه به اینکه اکثر کارهای صورت گرفته روی نگاشت 1:1 انجام شده اند و پیچیدگی نگاشت های با کاردینالیتی بالاتر بسیار پیچیده است، برای این پژوهش ما نیز نگاشت 1:1 را انتخاب میکنیم.
در پاسخ به سوال دوم و سوم در حال حاضر نمی‌توانیم به صورت قطعی صحبت کنیم. پس از مطالعه و بررسی پیچیدگی‌های پیاده سازی هریک از روش‌هایی که در کارهای مرتبط مرور کردیم، رویکری انتخاب خواهیم کرد و متناسب با آن پیاده سازی آغاز خواهد شد.
# کارهای آینده
# مراجع
[1] Ding, Ying, and Schubert Foo. "Ontology research and development. Part 2-a review of ontology mapping and evolving." Journal of information science 28.5 (2002): 375-388.
[2] Luo, Fuqiang, and Yongfu Xiong. "The method of multi-strategy ontology mapping." Computational and Information Sciences (ICCIS), 2011 International Conference on. IEEE, 2011.
[3] Tang, Jie, et al. "Using Bayesian decision for ontology mapping." Web Semantics: Science, Services and Agents on the World Wide Web 4.4 (2006): 243-262.
[4] Fensel D.The Semantic Web and its languages[J].IEEE Computer Society,2003,pp:67-73.
[5] Vidyarthi, Ankit, et al. "Domain specific ontology merging using semantics."Confluence The Next Generation Information Technology Summit (Confluence), 2014 5th International Conference-. IEEE, 2014.
[6] Noy, Natalya F. "Ontology mapping." Handbook on ontologies. Springer Berlin Heidelberg, 2009. 573-590.
[7] Ehrig, Marc, and York Sure. "Ontology mapping–an integrated approach." The Semantic Web: Research and Applications. Springer Berlin Heidelberg, 2004. 76-91.
[8] http:// en.wikipedia.org/ wiki/WordNet
[9] Li, Sheng, Heping Hu, and Xian Hu. "An ontology mapping method based on tree structure." 2006 Semantics, Knowledge and Grid, Second International Conference on. 2006.
# پیوندهای مفید
+ [ What is RDF and what is it good for?](https://github.com/JoshData/rdfabout/blob/gh-pages/intro-to-rdf.md#)
+ [Natural Language Processing with python](http://www.nltk.org/book/)
+ [NELL knowledge base](http://rtw.ml.cmu.edu/rtw/)
+ [Yago Knowledge bae](http://yago-knowledge.org)