دانلود ترجمه مقاله سیستم شناسایی خدمات وب سایت معنایی در سرویس اطلاعات حمل و نقل جاده

بخشی از ترجمه:

چکیده ترجمه:
در این مقاله قصد داریم به تشریح یک پلت فرم چند عامله برای سیستم اطلاعات مسافر پردازیم که در این سیستم، به مسافرین اجازه داده شده تا سرویس وب مربوط به اطلاعات ترافیک جاده‌ای (WSs) که با نیاز مندی آن‌ها بهترین مطابقت را دارد پیدا کنند. پس از مطالعه‌ی پروپوزال های موجودی که به کشف Ws معنایی پرداخته بودند، یک الگوریتم تطابق ترکیبی را پیاده سازی کردیم که به صورت کامل آنرا تشریح خواهیم نمود. پروفایل‌های Ws معنایی به صورت خودکار به عنوان OWL-S ها شناخته شده و همچنین درخواست مسافر در آن به صورت یک پروفایل OWL نشان داده می‌شود. این الگوریتم، مقیاس‌ها و وزن های مختلفی را به هر پارامتر پروفایل WS تخصیص داده شده که این تخصیص بر اساس سطح ارتباط، نوع و ماهیت آن‌ها صورت می‌گیرد. برای انجام این کار، الگوریتم پائولوچی را توسعه داده‌ایم و از آن در سناریوی خود استفاده نموده‌ایم. همچنین مقیاس های معنایی جدیدی، مخصوصاٌ استفاده از رابطه‌ی هم نیا، برای بهبود فراخوانی‌ها بکار گرفته شده که به سرویس‌های مربوطه اجازه داده تا به وسیله‌ی کاربرانی که هنوز بازیابین شده‌اند کشف شوند. اگرچه ما روابط مفهوم تشابه را افزایش داده‌ایم و زمان اجرا را با استفاده از مرحله‌ی فیلتر پیش پردازش (که به کاهش مجموعه‌ی به احتمال مفید WS می‌پردازد) بهبود داده‌ایم. این امر باعث بهبود الگوریتم تطابق معنایی گردیده است.

بخشی از مقاله انگلیسی:

abstract

We describe a multi-agent platform for a traveller information system, allowing travellers to find the road traffic information web service (WSs) that best fits their requirements. After studying existing proposals for discovery of semantic WS, we implemented a hybrid matching algorithm, which is described in detail here. Semantic WS profiles are annotated semantically as an OWL-S and also the traveller request is represented as a OWL-S profile. The algorithm assigns different weights and measures to each advertised WS profile parameter, depending on their relevance, type and nature. To do this we have extended Paolucci’s Algorithm and adapted it to our scenario. We have added new similarity measures, in particular, the use of the ‘sibling’ relationship, to improve the recall, allowing relevant services to be discovered by the users yet not retrieved by other algorithms. Although we have increased the similarity concept relations, we have improved the run-time using a pre-process filter step that reduces the set of potentially useful WS. This improves the scalability of the semantic matching algorithm.