基于逻辑强化学习的Deep Web模式匹配研究

Deep Web具有信息更新快、信息量大、信息质量好等特点，近年来，Deep Web的研究已经取得很大的进展。模式匹配是实现Deep Web大规模异构数据集成的关键，在查询接口集成、查询接口转换、结果标注和结果合并中具有广泛应用。虽然已经有很多模式匹配的研究和系统，但是目前模式匹配在处理大规模匹配任务的能力和自动模式匹配精确度低等问题限制了自动模式匹配的应用。本课题拟在已有研究成果上，进一步针对大规模动态模式匹配的理论方法及其应用进行深入研究。以逻辑强化学习为理论基础，将Deep Web模式匹配看作是一个最优决策的发现问题，建立一个Deep Web模式匹配模型，研究Deep Web领域自适应的模式匹配策略与算法，有效提高模式匹配的查全率与查准率。本项目研究将促进Deep Web、信息集成等领域的关键技术的发展，可有效提高Deep Web信息集成服务质量。

本项目针对Deep Web研究中存在的整体性、大规模模式匹配技术存在不足的现状，提出了以逻辑强化学习为理论基础，将Deep Web模式匹配看作是一个最优决策的发现问题，建立一个Deep Web模式匹配模型，研究Deep Web领域自适应的模式匹配策略与算法，有效提高模式匹配的查全率与查准率；使Deep Web信息能更好地为科研、生产和决策服务。主要完成了以下四个方面的研究：.（1）结合近年来已有模式匹配理论的相关性研究，针对可参考知识匮乏所导致的匹配结果的脆弱性、模式信息变动导致的匹配知识的无效性，以及模式匹配的智能性等问题进行研究，建立基于逻辑强化学习的模式匹配模型，将Deep Web模式匹配转化为决策行为最优化问题，从而尽可能地解决模式匹配中存在的上述问题。.（2）拟采用tableau 推理模型对模式匹配中的逻辑状态和逻辑活动进行建模，研究一种新的函数估计模型，使其一方面能够以任何精度逼近理论的强化学习值函数，另一方面在增量环境中保证收敛性，充分利用已有匹配知识，提高匹配结果的获取效率和正确性。.（3）研究基于逻辑强化学习的模式匹配模型中的映射策略，针对模式概念中元素名称、实例、结构等特征，研究基于语言学、基于实例、基于结构三种策略，通过相似度合并计算相应的回报和匹配发现算法最终得到正确的匹配关系。.（4）设计原型系统，验证上述模型与策略的有效性。