The heterogeneity problem among different sensor ontologies hinders the interaction of information. Ontology matching is an effective method to address this problem by determining the heterogeneous concept pairs. In the matching process, the similarity measure serves as the kernel technique, which calculates the similarity value of two concepts. Since none of the similarity measures can ensure its effectiveness in any context, usually, several measures are combined together to enhance the result’s confidence. How to find suitable aggregating weights for various similarity measures, i.e., ontology metamatching problem, is an open challenge. This paper proposes a novel ontology metamatching approach to improve the sensor ontology alignment’s quality, which utilizes the heterogeneity features on two ontologies to tune the aggregating weight set. In particular, three ontology heterogeneity measures are firstly proposed to, respectively, evaluate the heterogeneity values in terms of syntax, linguistics, and structure, and then, a semiautomatically learning approach is presented to construct the conversion functions that map any two ontologies’ heterogeneity values to the weights for aggregating the similarity measures. To the best of our knowledge, this is the first time that heterogeneity features are proposed and used to solve the sensor ontology metamatching problem. The effectiveness of the proposal is verified by comparing with using state-of-the-art ontology matching techniques on Ontology Alignment Evaluation Initiative (OAEI)’s testing cases and two pairs of real sensor ontologies.

中文翻译：

---

传感器本体与异质性度量元匹配

不同传感器本体之间的异质性问题阻碍了信息的交互。本体匹配是通过确定异构概念对来解决此问题的有效方法。在匹配过程中，相似性度量用作内核技术，该技术计算两个概念的相似性值。由于相似性度量均不能在任何情况下确保其有效性，因此通常将几种度量组合在一起以增强结果的可信度。如何为各种相似性度量（即本体元匹配问题）找到合适的聚合权重是一个开放的挑战。本文提出了一种新颖的本体元匹配方法，以提高传感器本体对齐的质量，该方法利用两种本体上的异质性特征来调整集合权重集。具体而言，首先提出了三种本体异质性度量，分别从语法，语言学和结构方面评估异质性值，然后提出了一种半自动学习方法来构建映射任意两个本体的异质性值的转换函数。汇总相似性度量的权重。据我们所知，这是首次提出异质性特征并用于解决传感器本体元匹配问题。通过与本体匹配评估计划（OAEI）的测试用例和两对实际传感器本体上使用的最新本体匹配技术进行比较，验证了该建议的有效性。在语法，语言学和结构方面评估异质性值，然后提出一种半自动学习方法来构造转换函数，该函数将任意两个本体的异质性值映射到权重以聚合相似性度量。据我们所知，这是首次提出异质性特征并用于解决传感器本体元匹配问题。通过与本体匹配评估计划（OAEI）的测试用例和两对实际传感器本体上使用的最新本体匹配技术进行比较，验证了该建议的有效性。在语法，语言学和结构方面评估异质性值，然后提出一种半自动学习方法来构造转换函数，该函数将任意两个本体的异质性值映射到权重以聚合相似性度量。据我们所知，这是首次提出异质性特征并用于解决传感器本体元匹配问题。通过与本体匹配评估计划（OAEI）的测试用例和两对实际传感器本体上使用的最新本体匹配技术进行比较，验证了该建议的有效性。提出了一种半自动学习方法来构造转换函数，该转换函数将任意两个本体的异质性值映射到权重以聚合相似性度量。据我们所知，这是首次提出异质性特征并用于解决传感器本体元匹配问题。通过与本体匹配评估计划（OAEI）的测试用例和两对实际传感器本体上使用的最新本体匹配技术进行比较，验证了该建议的有效性。提出了一种半自动学习方法来构造转换函数，该转换函数将任意两个本体的异质性值映射到权重以聚合相似性度量。据我们所知，这是首次提出异质性特征并用于解决传感器本体元匹配问题。通过与本体匹配评估计划（OAEI）的测试用例和两对实际传感器本体上使用的最新本体匹配技术进行比较，验证了该建议的有效性。