一种本体匹配方法、装置及存储介质

技术领域

本申请涉及本体匹配技术，尤其涉及一种本体匹配方法、装置及存储介质。

背景技术

本体(ontology)是用于描述一个领域的术语集合，其组织结构是层次结构化的，可以作为一个知识库的骨架和基础，用来获取、描述和表示相关领域的知识。本体能够提供对该领域知识的共同理解，确定领域内共同认可的词汇(类)，以及领域特定的概念定义和概念之间的关系(属性)，在人与人之间以及人与机器之间达到共享。本体作为知识的一种表现方式，对于实现物联网智能化场景以和提高互联网数据检索质量具有重要的作用。

本体匹配(Ontology Matching)是指计算两个不同本体元素之间的相似度，通过相似度的值来判断本体中实体之间的语义关系，实现本体的语义之间的映射过程。本体匹配技术就是解决异构本体之间的实体对齐的问题，发现不同本体中实体的语义关系，最后实现本体集成等应用。但基于元素之间相似度的本体匹配方法，确定的本体匹配关系单一，无法得到本体之间更多潜在的匹配关系，导致本体的匹配度不高。

发明内容

为解决上述技术问题，本申请实施例期望提供一种本体匹配方法、装置及存储介质。

本申请的技术方案是这样实现的：

第一方面，提供了一种本体匹配方法，所述方法包括：

获取目标领域中的第一本体和第二本体；

利用知识表示学习算法对所述第一本体和所述第二本体进行向量化，得到所述第一本体对应的第一知识表示模型，以及所述第二本体对应的第二知识表示模型；

利用降维算法对所述第一知识表示模型和所述第二知识表示模型进行降维处理，得到所述第一知识表示模型对应的第一三维点云，以及所述第二知识表示模型对应的第二三维点云；

对所述第一三维点云和所述第二三维点云进行第一匹配处理，根据点云匹配结果确定所述第一本体和所述第二本体之间实体的第一匹配关系；

基于所述第一匹配关系对所述第一本体和所述第二本体进行合并，得到第三本体；

对所述第三本体内的实体进行第二匹配处理，得到所述第三本体内实体的第二匹配关系。

上述方案中，所述对所述第一三维点云和所述第二三维点云进行第一匹配处理，包括：采用坐标转换算法将所述第二三维点云从所在的第二坐标系转换到所述第一三维点云所在的第一坐标系；在所述第一坐标系下计算所述第一三维点云中的第一点和所述第二三维点云中的第二点之间的距离值；所述第一点和所述第二点之间的距离值小于距离阈值时，确定所述第一点对应的第一实体和所述第二点对应的第二实体存在第一匹配关系；所述第一点和所述第二点之间的距离值大于或者等于距离阈值时，确定所述第一点对应的第一实体和所述第二点对应的第二实体不存在第一匹配关系。

上述方案中，所述采用坐标转换算法将所述第二三维点云从所在的第二坐标系转换到所述第一三维点云所在的第一坐标系，包括：采用坐标转换算法计算所述第二坐标系转换到所述第一坐标系的旋转矩阵和平移向量；按照所述旋转矩阵和所述平移向量将所述第二三维点云转换到所述第一坐标系中。

上述方案中，所述第一匹配关系用于指示第一实体和第二实体具有等价关系。

上述方案中，所述基于所述第一匹配关系对所述第一本体和所述第二本体进行合并，包括：基于所述第一匹配关系，确定所述第一本体和所述第二本体中具有等价关系的第一实体和第二实体；将所述第一本体和所述第二本体中具有等价关系的第一实体和第二实体进行合并，得到所述第三实体。

上述方案中，所述对所述第三本体内的实体进行第二匹配处理，包括：基于所述知识表示学习算法对所述第三本体进行训练，得到所述第三本体对应的第三知识表示模型；基于知识表示模型的三元组性质挖掘所述第三知识表示模型中潜在的匹配三元组集合，得到所述第一本体和所述第二本体之间实体的第二匹配关系。

上述方案中，所述潜在的匹配三元组集合包括：头实体为第一实体、关系为第一关系和尾实体为第二实体组成的三元组；

头实体为第一实体、关系为第二关系和尾实体为第二实体组成的三元组；

头实体为第二实体、关系为第二关系和尾实体为第一实体组成的三元组；

头实体为第二实体、关系为第一关系和尾实体为第一实体组成的三元组；

其中，所述第一实体为第一本体中的实体，所述第一关系为第一本体中的关系，所述第二实体为第二本体中的实体，所述第二关系为第二本体中的关系。

第二方面，提供了一种本体匹配装置，所述装置包括：

获取单元，用于获取目标领域中的第一本体和第二本体；

处理单元，用于利用知识表示学习算法对所述第一本体和所述第二本体进行向量化，得到所述第一本体对应的第一知识表示模型，以及所述第二本体对应的第二知识表示模型；

降维单元，用于利用降维算法对所述第一知识表示模型和所述第二知识表示模型进行降维处理，得到所述第一知识表示模型对应的第一三维点云，以及所述第二知识表示模型对应的第二三维点云；

匹配单元，用于对所述第一三维点云和所述第二三维点云进行第一匹配处理，根据点云匹配结果确定所述第一本体和所述第二本体之间实体的第一匹配关系；

合并单元，基于所述第一匹配关系对所述第一本体和所述第二本体进行合并，得到第三本体；

所述匹配单元，还用于对所述第三本体内的实体进行第二匹配处理，得到所述第三本体内实体的第二匹配关系。

第三方面，提供了一种本体匹配装置，包括：处理器和配置为存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器配置为运行所述计算机程序时，执行前述方法的步骤。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现前述方法的步骤。

本申请实施例提供的本体匹配方法、装置及存储介质，利用知识表示学习算法对所述第一本体和所述第二本体进行向量化，得到所述第一本体对应的第一知识表示模型，以及所述第二本体对应的第二知识表示模型；利用降维算法对第一知识表示模型和第二知识表示模型进行降维处理，得到第一知识表示模型对应的第一三维点云，以及第二知识表示模型对应的第二三维点云；对两个三维点云进行匹配得到第一本体和第二本体的初始匹配关系(即第一匹配关系)，在初始匹配关系的基础上合并得到第三本体，对第三本体中的实体进行二次匹配，可以得到第一本体和第二本体之间实体的更多潜在的匹配关系(即第二匹配关系)，使本体匹配结果更全面更准确，提高了本体匹配度。

附图说明

图1为本申请实施例中本体匹配方法的第一流程示意图；

图2为本申请实施例中第一匹配处理过程的流程示意图；

图3为本申请实施例中点云匹配结构示意图；

图4为本申请实施例中智能家居系统的第一本体结构示意图；

图5为本申请实施例中智能家居系统的第二本体结构示意图；

图6为本申请实施例中智能家居系统的第三本体结构示意图；

图7为本申请实施例中智慧农业系统的第一本体结构示意图；

图8为本申请实施例中智慧农业系统的第二本体结构示意图；

图9为本申请实施例中智慧农业系统的第三本体结构示意图；

图10为本申请实施例中智能交通系统的第三本体结构示意图；

图11为本申请实施例中本体匹配装置的第一组成结构示意图；

图12为本申请实施例中本体匹配装置的第二组成结构示意图。

具体实施方式

为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。

本申请实施例提供了一种本体匹配方法，图1为本申请实施例中本体匹配方法的第一流程示意图，如图1所示，该方法具体可以包括：

步骤101：获取目标领域中的第一本体和第二本体；

步骤102：利用知识表示学习算法对第一本体和第二本体进行向量化，得到第一本体对应的第一知识表示模型，以及第二本体对应的第二知识表示模型；

步骤103：利用降维算法对第一知识表示模型和第二知识表示模型进行降维处理，得到第一知识表示模型对应的第一三维点云，以及第二知识表示模型对应的第二三维点云；

步骤104：对第一三维点云和第二三维点云进行第一匹配处理，根据点云匹配结果确定第一本体和第二本体之间实体的第一匹配关系；

步骤105：基于第一匹配关系对第一本体和第二本体进行合并，得到第三本体；

步骤106：对第三本体内的实体进行第二匹配处理，得到第三本体内实体的第二匹配关系。

本发明实施例中，本体(ontology)用于表示一个领域的术语集合，即组成一个主题领域的词语以及词语间的关系，作为一种实施方式，所述词语间的关系例如父子关系，例如，“车”可作为父概念，“摩托车”可作为该父概念下的一种子概念，则“车”与“摩托车”可作为一种父子关系。则本实施例中的本体匹配(ontology Matching)是计算两个不同本体中元素之间的相似度，基于相似度判断本体中元素之间的语义关系，实现本体的语义之间的映射过程；其中，元素可以为本体中的一个词，实体为本体中一个概念的实例。

知识表示学习算法针对知识库中的实体和关系进行表示学习，使用模型训练将知识库中的实体和关系表示为相同维度的向量，然后通过向量的加减进行实体关系的推理。

本申请实施例中，知识表示学习算法可以为TransE算法，利用TransE算法分别训练第一本体O1和第二本体O2的知识向量表示，得到第一知识表示模型M1和第二知识表示模型M2，两个知识表示模型中包含了两个本体中不同元素的知识向量，对第一知识表示模型M1和第二知识表示模型M2进行匹配时，第一本体和第二本体中实体即不需要是标准词汇也不需要是相同的语种，便可实现本体匹配，该匹配方法适用性更强，应用价值更高。

训练本体得到知识表示模型，知识表示模型将本体中的三元组转化为词向量，在本体匹配时利用词向量参与运算，无需考虑本体中词汇是否为标准词汇，是否为相同语种词汇，降低了对本体文本格式的要求。

具体的，TransE算法是一种应用最广泛的知识表示学习算法。知识库中的一个三元组可表示为(h,r,t)，其中h为头实体，t为尾实体，r为两者之间的关系，其中h,t∈E，r∈R，E为知识库的实体集合，R为关系集合。TransE的思想是，如果知识库中存在三元组(h,r,t)，那么头实体的向量加上关系向量尽量接近尾实体的向量，既

其中[x]

S′

在目标函数中，S为知识库现有的三元组集合，为正样本；S′

进一步的，由于指示表示模型中词向量为多维的，为了方便运算将多维的词向量转换为三维点，也就是通过降维算法将知识表示模型从多维降至三维，即将第一知识表示模型M1和第二知识表示模型M转换为三维向量集合P1和P2，此时P1和P2为三维点云。比如，降维算法为主成分分析(Principal Component Analysis，PCA)算法。

在得到两个三维点云之后，对所述第一三维点云和所述第二三维点云进行第一匹配处理包括根据第一三维点云和第二三维点云中两点之间的距离确定第一本体和第二本体中两个实体之间的第一匹配关系。

示例性的，如图2所示，第一匹配处理过程具体包括：

步骤201：采用坐标转换算法将所述第二三维点云从所在的第二坐标系转换到所述第一三维点云所在的第一坐标系；

具体的，采用坐标转换算法计算所述第二坐标系转换到所述第一坐标系的旋转矩阵和平移向量；按照所述旋转矩阵和所述平移向量将所述第二三维点云转换到所述第一坐标系中。

比如，坐标转换算法可以为迭代最近点(Iterative Closest Point，ICP)算法，ICP算法是一种点集对点集配准方法。如图3所示，第一三维点云P(黑色实体点云)和第二三维点云Q(白色空心点云)是两个点集，该算法就是计算怎么把点云Q通过平移和旋转，使P和Q尽量重叠。

ICP算法的基本原理是：分别在带匹配的目标点云P和源点云Q，按照一定的约束条件，找到最邻近点(p

其中n为最邻近点对的个数，p

ICP算法步骤：

(1)在目标点云P中取点集p

(2)找出源点云Q中的对应点集q

(3)计算旋转矩阵R和平移矩阵t，使得误差函数最小；

(4)对p

(5)计算p′与对应点集q

(6)如果d小于某一给定的阈值或者大于预设的最大迭代次数，则停止迭代计算。否则返回第2步，直到满足收敛条件为止。

求解R和t时，首先计算两个点集Q＝{q

然后在两个点集中分别减去对应的质心：

Q′＝{q

P′＝{p

利用SVD分解求最优变换，求解旋转矩阵R和平移向量t：

R＝UV

第二三维点云Q根据求解的旋转矩阵R和平移向量t进行旋转和平移变换，将第二三维点云Q转换到第一三维电源P所在的坐标系中，P和Q重叠度越高，表明二者之间匹配度越高。

步骤202：在所述第一坐标系下计算所述第一三维点云中的第一点和所述第二三维点云中的第二点之间的距离值；

具体的，根据两个三维点云中两点之间的距离判断两点的匹配关系，两点之间距离越小表明对应的实体语义越接近，两点之间距离越大表明对应的实体语义越不同。

步骤203：第一点和第二点之间的距离值小于距离阈值时，确定所述第一点对应的第一实体和所述第二点对应的第二实体存在第一匹配关系；

本申请实施例中，所述第一匹配关系用于指示第一实体和第二实体具有等价关系。等价关系表示两个实体的意思相同或相近，二者可以进行互换。

步骤204：第一点和第二点之间的距离值大于或者等于距离阈值时，确定所述第一点对应的第一实体和所述第二点对应的第二实体不存在第一匹配关系。

通过上述第一匹配处理，在全局坐标系下(P坐标系)，获取P和Q之间的最近邻匹配关系，并设置距离阈值，得到第一本体和第二本体之间的初始实体匹配对，也就是说，具有第一匹配关系的实体作为初始实体匹配对。

在一些实施例中，所述基于所述第一匹配关系对所述第一本体和所述第二本体进行合并，包括：基于所述第一匹配关系，确定所述第一本体和所述第二本体中具有等价关系的第一实体和第二实体；将所述第一本体和所述第二本体中具有等价关系的第一实体和第二实体进行合并，得到所述第三实体。这里，第三本体中包含了第一本体和第二本体中所有实体和关系，并且包含了两个本体实体之间新发现的第一匹配关系。

进一步的，对第三本体内的实体进行第二匹配处理，得到第三本体内第一实体和第二实体之间的第二匹配关系。

在一些实施例中，所述对所述第三本体内的实体进行第二匹配处理，包括：基于所述知识表示学习算法对所述第三本体进行训练，得到所述第三本体对应的第三知识表示模型；基于知识表示模型的三元组性质挖掘所述第三知识表示模型中潜在的匹配三元组集合，得到所述第一本体和所述第二本体之间实体的第二匹配关系。

这里，所述潜在的匹配三元组集合包括：头实体为第一实体、关系为第一关系和尾实体为第二实体组成的三元组；

头实体为第一实体、关系为第二关系和尾实体为第二实体组成的三元组；

头实体为第二实体、关系为第二关系和尾实体为第一实体组成的三元组；

头实体为第二实体、关系为第一关系和尾实体为第一实体组成的三元组；

其中，所述第一实体为第一本体中的实体，所述第一关系为第一本体中的关系，所述第二实体为第二本体中的实体，所述第二关系为第二本体中的关系。

也就是说，在第三本体包含第一本体中的三元组和第二本体中的三元组，以及具有等价关系的第一实体和第二实体的基础上，还可以根据第一实体、第一关系、第二实体和第二关系寻找具有潜在匹配关系的第一实体和第二实体。本申请实施例给出的本体匹配方法除了能够确定两个本体之间具有等价关系的实体，还能够确定两个本体之间所有潜在匹配关系，使本体匹配结果更全面更准确，提高本体匹配的应用价值。

比如，知识表示学习算法为TransE算法，利用TransE算法学习对第三本体进行训练得到第三知识表示模型M3，从而得到了在同一向量空间的第一本体和第二本体中所有实体和关系的向量表示。

利用知识表示模型

本申请通过知识表示学习，得到了每个本体中实体的向量表示，对于实体的形式没有严格要求，任何形式的字符集都可以，支持更多表现形式的本体之间的匹配。同时需要注意的是，本申请同样适合跨语言本体的匹配，不同语言表示的本体实体经过知识表示学习之后得到了实体的向量表达，经过ICP求解向量空间变换得到初始匹配之后，可以在初步集成的本体同一训练同一空间的不同语言实体的向量表达，从而实现不同语言本体实体之间匹配关系的发现。

本体匹配技术能够有效实现本体的复用和组合，从而完成知识的扩容和按需组合，支撑更为复杂的智能应用，提升系统的智能化。比如，本体匹配技术可以应用于智能家居(数字家庭)领域，智慧农业领域以及智能交通(车联网)领域，通过对支撑物联网对象交互的本体进行匹配和组合，实现系统功能的扩展和智能化的升级。

本申请实施例中给出了以下三种应用实例。

(1)智能家居

在智能家居领域，通过将不同设备映射到智能家居本体成为本体的实例，根据本体中定义的实体关系，结合推理规则，可以实现无人值守环境下的设备智能交互。由于每个家庭中部署的设备的各不相同，如果为每个家庭均创建一个本体作为设备的基础知识会浪费很多人力，而且创建的本体只适用于单个家庭。利用本体匹配技术，可以充分利用现有的智能家居本体资源，根据包含家庭中的设备元素的本体进行组合，从而快速的构建适用于不同智能家居的本体，提高了本体构建效率以及本体的复用性。

图4是家庭-1中的智能家居本体，通过本体-1实现了家庭-1中的自动光线调节。其中，与家居相关的词语包括传感器、环境状态、控制事件和智能设备，传感器包含了智能PIR和智能光感设备，通过检测室内的环境数据(包含了光强度和红外信号)来表现光线状态的适宜和不适宜，来控制智能设备(包含了智能窗帘和智能灯等设备)，调节室内的光线状态。图5是家庭-2的智能家居本体，实现了家庭-2中的自动空气质量调节。其中，与家居相关的词语包括传感器、环境状态、控制事件和智能设备，传感器包含了PM2.5传感器，通过检测室内的PM2.5数值，来控制空气净化器设备，调节室内的空气质量。如果一个新的家庭如家庭-3，即部署了空气质量监测和调节设备，又部署了光线调节相关的传感器和设备。此时可以直接对本体-1和本体-2进行匹配组合，得到图6匹配后的本体-3。基于该本体-3，就可以同时实现家庭-3中光线和空气质量的自动调节，无需为家庭-3构建本体模型。

(2)智慧农业

在智慧农业领域，针对柑橘提供了一种病虫害防御识别系统，包含一款基于5GeMBB和AI技术的综合柑橘病虫害识别软件。该软件通过拍照将柑橘病虫害信息传入到训练好的深度神经网络的模型中，再通过人工智能技术对害虫进行判断，然后将检测结果输入到智慧农业本体，从而得到病虫害预防的解决方案。目前该系统只支持柑橘病虫害的检测与防治，而整个农业领域，农作物的种类众多，需要对应作物的农业本体支撑相应病虫害的防治。而且，不同地区的农场选择种植的作物各不相同，需要病虫害系统的智慧农业本体能够根据种植的作物来构建。

通过本申请实施例提供的本体匹配技术，可以将柑橘病虫害识别系统扩展和升级为整个农业病虫害识别系统，应用价值将显著提升。图7位支撑苹果病虫害防治的智慧农业本体-1，与农田相关的词语包括农作物，与农作物相关的词语包括疾病、害虫和苹果，疾病相关的词语包括苹果疾病(包含了炭疽病、褐斑病和白粉病)，害虫相关的词语包括苹果害虫(包含了红蜘蛛、苹果棉蚜、苹果黄蚜)，苹果害虫和苹果疾病对应的治疗手段包括喷药、增加光照、灌溉和通风。图8位柑橘病虫害防治的智慧农业本体-2，与农田相关的词语包括农作物，与农作物相关的词语包括疾病、害虫和橙子，疾病相关的词语包括橙子疾病(包含了日灼病、裂果病和脐黄病)，害虫相关的词语包括橙子害虫(包含了蚧壳虫、卷叶蛾和凤蝶)，橙子害虫和橙子疾病对应的治疗手段包括喷药、施肥、灌溉和遮阳。通过对以上两个本体进行匹配得到图9的智慧农业本体-3。基于该匹配后的本体-3，智慧农业系统将同时支持柑橘和苹果病虫害的防治。以此类推，对于不同的农场，可以根据所种植作物的种类，对智慧农业本体进行按需的组合，达到智能防治的目的。

(3)智能交通(车联网)

在智能交通领域，车联网计算平台通过车车、车路、车人动态的信息交互与协作，帮助智能汽车在行驶方面做得更加精准协作，如红绿灯信息的推送、红绿灯车速引导、前方拥堵的提醒、道路事件提醒、限速预警、潮汐/可变车道提醒。

智能交通本体作为车联网平台的智慧载体，蕴含了交通领域的基本知识。如图10所示，智能交通本体中定义了汽车、道路、车道、交通状态以及车辆驾驶动作等类，以及交通独享之间的关系。具体的，与汽车相关的词语包括车辆类别、车牌、道路和驾驶动作。车辆类别中具体可以为普通汽车或特殊用途汽车，普通汽车包括客车、货车、轿车，特殊用途汽车包括救护车、警车和消防车。与道路相关的词语包括左车道、中车道和右车道，与车道相关的词语包括交通状态(包含了拥堵、缓慢和畅通)。与驾驶动作相关的词语包括交互动作和独立动作，交互动作相关的词语又包括避让请求、变道请求、变道回复、避让回复和通知后车减速，变道回复又包含了同意变道和不同意变道，避让回复又包含同意避让和不同意避让，独立动作又包括变道、减速和加速，变道又包括左变道和右变道。当针对普通汽车和特殊用途汽车采用不同系统时，可以通过本体匹配技术，将普通汽车和特殊用途汽车两个系统进行合并，并设置两种汽车的优先级信息，图10中虚线框区域的局部本体表示汽车的分类信息和汽车的优先级信息，通过将虚线框内的本体与原交通本体匹配，就可以实现救护车优先通行提醒等智能操作。推而广之，对于各种新增的智能交通领域应用，可以通过本体匹配技术不断地通过本体匹配技术扩充智能交通本体，从而使得V2X平台支持更多的应用，从而提升移动V2X平台的价值与行业影响力。

采用上述技术方案，在初始匹配关系的基础上合并得到第三本体，对第三本体中的实体进行二次匹配，可以得到第一本体和第二本体之间实体的更多潜在的匹配关系(即第二匹配关系)，使本体匹配结果更全面更准确，提高了本体匹配度。

本申请实施例中还提供了一种本体匹配装置，如图11所示，该装置包括：

获取单元1101，用于获取目标领域中的第一本体和第二本体；

处理单元1102，用于利用知识表示学习算法对所述第一本体和所述第二本体进行向量化，得到所述第一本体对应的第一知识表示模型，以及所述第二本体对应的第二知识表示模型；

降维单元1103，用于利用降维算法对所述第一知识表示模型和所述第二知识表示模型进行降维处理，得到所述第一知识表示模型对应的第一三维点云，以及所述第二知识表示模型对应的第二三维点云；

匹配单元1104，用于对所述第一三维点云和所述第二三维点云进行第一匹配处理，根据点云匹配结果确定所述第一本体和所述第二本体之间实体的第一匹配关系；

合并单元1105，基于所述第一匹配关系对所述第一本体和所述第二本体进行合并，得到第三本体；

所述匹配单元1104，还用于对所述第三本体内的实体进行第二匹配处理，得到所述第三本体内实体的第二匹配关系。

在一些实施例中，匹配单元1104，具体用于采用坐标转换算法将所述第二三维点云从所在的第二坐标系转换到所述第一三维点云所在的第一坐标系；在所述第一坐标系下计算所述第一三维点云中的第一点和所述第二三维点云中的第二点之间的距离值；所述第一点和所述第二点之间的距离值小于距离阈值时，确定所述第一点对应的第一实体和所述第二点对应的第二实体存在第一匹配关系；所述第一点和所述第二点之间的距离值大于或者等于距离阈值时，确定所述第一点对应的第一实体和所述第二点对应的第二实体不存在第一匹配关系。

在一些实施例中，匹配单元1104，具体用于采用坐标转换算法计算所述第二坐标系转换到所述第一坐标系的旋转矩阵和平移向量；按照所述旋转矩阵和所述平移向量将所述第二三维点云转换到所述第一坐标系中。

在一些实施例中，所述第一匹配关系用于指示第一实体和第二实体具有等价关系。

在一些实施例中，合并单元1105，具体用于基于所述第一匹配关系，确定所述第一本体和所述第二本体中具有等价关系的第一实体和第二实体；将所述第一本体和所述第二本体中具有等价关系的第一实体和第二实体进行合并，得到所述第三实体。

在一些实施例中，匹配单元1104，具体用于基于所述知识表示学习算法对所述第三本体进行训练，得到所述第三本体对应的第三知识表示模型；基于知识表示模型的三元组性质挖掘所述第三知识表示模型中潜在的匹配三元组集合，得到所述第一本体和所述第二本体之间实体的第二匹配关系。

在一些实施例中，所述潜在的匹配三元组集合包括：头实体为第一实体、关系为第一关系和尾实体为第二实体组成的三元组；

头实体为第一实体、关系为第二关系和尾实体为第二实体组成的三元组；

头实体为第二实体、关系为第二关系和尾实体为第一实体组成的三元组；

头实体为第二实体、关系为第一关系和尾实体为第一实体组成的三元组；

其中，所述第一实体为第一本体中的实体，所述第一关系为第一本体中的关系，所述第二实体为第二本体中的实体，所述第二关系为第二本体中的关系。

本申请实施例还提供了另一种本体匹配装置，如图12所示，该装置包括：处理器1201和配置为存储能够在处理器上运行的计算机程序的存储器1202；处理器1201运行存储器1202中计算机程序时实现本申请实施例中任意种方法的步骤。

当然，实际应用时，如图12所示，该装置中的各个组件通过总线系统1203耦合在一起。可理解，总线系统1203用于实现这些组件之间的连接通信。总线系统1203除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图12中将各种总线都标为总线系统1203。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。

在实际应用中，上述处理器可以为特定用途集成电路(ASIC，ApplicationSpecific Integrated Circuit)、数字信号处理装置(DSPD，Digital Signal ProcessingDevice)、可编程逻辑装置(PLD，Programmable Logic Device)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的装置，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。

上述存储器可以是易失性存储器(volatile memory)，例如随机存取存储器(RAM，Random-Access Memory)；或者非易失性存储器(non-volatile memory)，例如只读存储器(ROM，Read-Only Memory)，快闪存储器(flash memory)，硬盘(HDD，Hard Disk Drive)或固态硬盘(SSD，Solid-State Drive)；或者上述种类的存储器的组合，并向处理器提供指令和数据。

需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本申请所提供的几个方法或装置实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或装置实施例。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。