5.4.1 實例層的融合和匹配
空間復雜度挑戰
時間復雜度挑戰：
匹配元素對的相似度計算次數（n2）
每次相似度計算時間復雜度（t）
匹配結果質量挑戰
5.4.2 基於快速相似度計算的實例匹配方法
思想：降低每次相似度計算的時間復雜度，即t
映射過程只能使用簡單且速度較快的匹配器，映射線索盡量簡單；
匹配器：
文本匹配器：映射線索只考慮標簽和注釋信息，避免構造復雜的映射線索
結構匹配器：借助概念層次和元素鄰居文本相似
基於實例的匹配器
5.4.3 基於規則的實例匹配
基於EM算法的半監督學習框架----自動尋找實例匹配規則
該框架以迭代的方式自動發現匹配規則，逐步提高匹配規則集的質量，再利用跟新后的規則集來尋找高質量的匹配對。
5.4.4 基於分治的實例匹配方法
思想：降低匹配元素對的相似度計算次數（n2）
（1） 基於屬性規則的
問題：
划分規則：划分結果能否覆蓋所有的實例，即分塊的完備性
分塊的冗余：一些實例被同時分配到多個塊中
分塊的選擇
匹配結果的整合
方法：將屬性先聚類，在聚類的基礎上再進行分塊
矛盾：分塊越細，匹配效果越好，匹配計算越多，匹配性能越低；
（2）基於索引的分塊方法
思想：運用多重索引與候選集合，其中將向量空間模型和倒排索引技術相結合，實現對實例數據的划分。
VIM實例信息：
URI：唯一標識符，如果兩個實例有相同的URI，則可以判定這兩個實例相同
元信息：實例的元信息包括實例的模式層信息，如實例所屬的類，實例的屬性等；
實例名
描述性屬性信息
可區分屬性信息：如性別
鄰居信息：實例根據不同的屬性信息可以連接到相鄰的實例
傳統：在源本體Os中給定一個實例 i ,計算 i 與目標本體 Ot 中每一個實例的相似對，然后選取匹配對；
步驟：
向量構造與索引：VMI對實例包含的不同類型的信息進項向量化處理，然后對這些向量構建待排索引；
構建名稱向量：分詞--停用詞過濾--統計出詞頻--構建向量；
實例的虛擬文檔：實例本身的本地描述信息+鄰居節點的信息向量
鄰居節點的信息向量：所有鄰居節點構成的集合；鄰居節點的名稱向量；鄰居節點的本地描述信息；
候選集匹配：利用倒排索引檢索出候選的匹配對，再利用設計好的向量規則形成候選匹配集
規則：
2個名稱向量維數都大於5，且兩者名稱向量中至少有2個關鍵詞相同
2個名稱向量維數都小於5，且兩者名稱向量中至少有一個關鍵詞相同
2個虛擬文檔向量中至少有1個相同的關鍵詞
優化候選匹配集：根據用戶自定義的屬性對和值模式對候選集合進行優化，去除不合理的候選匹配
方法：
檢查用戶設定的屬性在待匹配的實例中是否存在
檢查用戶設定的屬性對應值是否存在
計算匹配結果：利用實例的向量余弦相似度計算實例對的相似度，通過預設的閾值提取最終的實例匹配結果
（3）基於聚類的分塊方法
過程：
本體划分：將本體中的概念聚類維多個小規模的簇，分配RDF聲明的方式來構建塊；
塊匹配：來自不同知識圖譜的塊根據事先計算好的錨進行相似度匹配；
啟發式算法來發現匹配的塊
字符匹配技術發現兩個完整的本體之間的錨，之后兩個本體中的塊依據錨的分布匹配起來
匹配結果：虛擬文檔和結構匹配兩個匹配器將會從所有的映射中找出匹配結果；
基於語言的匹配器V-Doc，基於結構的匹配器GMO
（4）基於局部性的分塊方法
根據當前得到的匹配結果，及時預測后繼相似度計算可跳過的位置，達到提高映射效率的目的
事實：
知識圖譜中包含Is-a 和 part-of關系構成的層次結構，正確的匹配不能破壞這種層次結構
元素映射具有區域性特點：O1的特定區域Di中的元素大多會映射到O2的特定區域中Dj,
思想：
O1中的概念A與O2中的概念B匹配時，則A的子概念不必與B的父概念做匹配計算
當A與B不匹配時，可認為A的鄰居與B的鄰居也不匹配
5.4.5 基於學習的實例匹配方法
思路：利用只是譜圖的網絡結構信息和實例相關信息訓練一個分類模型，實現實例匹配；
由於實例的規模較大，在分類之前需要對實例分類，通常采用基於屬性的規則來分塊處理。
步驟：
（1）預處理/消解判定
思想：基於作者和文獻信息計算出簽名頻率，活躍年份等統計量，並根據消解判定規則分離需要進行命名消解的數據。
方法：其名字的首字母和姓氏長度為4的子串組合為作者名的簽名形式
規則：
（高頻簽名形式規則）：對於簽名頻數超過閾值T1的兩個作者名，標記為D1型適配；
（拼音規則）：對於漢語，韓語等語言的兩個作者名，且滿足簽名形式相同，標記為D2型適配；
（簽名形式規則）：對於兩個滿足適配必要條件的作者名，若其中一個名字的完全形式與簽名形式相同，D3
（編輯距離規則）：對於滿足適配必要條件的兩個作者名，且任一名字的完全v姓氏不為簽名形式，且名字和姓氏的拼接串編輯距離大於或等於T2，D4
（中間名匹配規則）：對於滿足適配必要條件的兩個作者名，若一個作者的中間名縮寫串不為另外一個名字中間名縮寫串的子串，反之亦然，則標記為不匹配；
（中間名缺失規則）：對於滿足適配必要條件的兩個作者名，若一個作者名的中間縮寫串為空，且另外一個作者名為簽名形式，D5
（活躍年份規則）：對於簽名形式相同，且活躍年份相似度小於閾值T3的兩個作者名，D6
（普通規則）：對於簽名形式相同，且不滿足上述適配型的作者名字對，D7
（2）基於人工確認的文獻數據集利用LDA模型建立作者-主題分布特征
使用LDA和Gibbs Sampling 方法對每個作者發表的文獻進行主題建模，得到作者-主題分布、主題-詞匯分布。
通過LDA主題建模，將每個作者的文獻信息映射為潛在主題分布所表示的主題向量；
通過主題向量可以了解作者的研究領域信息，並對不同作者的領域相似度作比較；
優點：
LDA----詞包（Bag-of-Word）----統計出詞匯間的相關性----文獻豐富的作者主題----推測----文獻較少的作者的主題特征
LDA----詞匯----主題聚類----作者的文獻信息----主題向量----避免使用詞匯表向量造成的空間復雜度和稀疏問題
（3）結合人工確認的作者-文獻關系及步驟1，2中的統計量和主題特征建立合作者關系圖，使用社群發現算法完成第一次指代消解
合作者-適配網絡：用於描述作者之間共同發表文獻的合作關系及潛在的消解關系--領域特征和合作特征
社群發現算法：
遍歷每個頂點，並將該頂點臨時修改為鄰接頂點的社群編號，計算模塊化度增量，使用非負增量的修改最為最終修改，直至模塊收斂
將社群編號相同的頂點合並為同一頂點，在新頂點組成的網絡中，邊的權重由社群間的權重之和計算而得；
（4）在第一次指代消解的基礎上，合並已消解的作者，重復3直至作者消解結果無變化，得到第二次消解結果。
使用自學習的指代消解進一步處理第一次指代消解的結果
給定一個作者----並集查找與之相同的其他作者----編號最小的作者名代表整個作者集----代表作者
代表作者的合作者：所有已消解作者的合作者的並集；
新合作者-適配作者：兩個代表作者邊的權重由各自消解集合中最大的主題相似度確定。
新合作者-適配作者--社群發現算法--每個社群中適配的兩個作者合並--自學習指代消解
（5）利用文獻信息中的作者名調整對應作者的名字信息，結合第二次指代消解結果生成以文獻對為數據的訓練數據集。
根據不同特征組合分離上述數據集，使用SVM訓練分類模型。
消除離群點，選擇合適的參數以及交叉驗證消弱噪聲對泛化能力的影響
采用局部離群因子（Local Outlier Factor)度量訓練集中個數據的離群程度。
（6）使用SVM分類模型在需要消解作者的文獻集合生成文獻檔案並進行分類，完成分類結果的第三次消解
（7）結合第二次和第三次指代結果，最終生成已消解的作者聚類輸出。
5.4.6 實例匹配中的分布式並行處理
虛擬文檔構造
獲取鄰居信息
計算相似度
分塊過程
分塊后的匹配計算