在语义Web服务中，服务需求和发布双方一般采用共同的领域本体准确表示服务的输入、输出、前提和结果中的信息。通过对本体中概念关系的推理和分析，可知服务需求和发布方的匹配程度。本体中最主要的关系是概念之间的子类关系(subClassOf)，也称继承关系[4]。由子类关系可以定义概念之间的包含关系。如果概念A是概念B的子类(subClass)，概念B包含(Subsume)概念A，包含关系是可传递的。考虑概念之间的单继承关系，本体可以表示成1棵分类树。
1.2 经典匹配算法及其结果分析
    经典匹配算法利用描述逻辑和本体语言OWL来实现对Web服务的匹配，匹配对象主要是ServiceProfile中的IOPEs参数。对两个服务之间的匹配程度分成了Exact，Plug-In，Subsume，Fail 4个级别：
    (1)Exact：当发布服务的输出与请求的输出描述完全等价或当请求服务的输出是发布服务输出的直接子类时，称为Exact精确匹配。
    (2)Plug-In：当发布服务的输出包含请求服务的输出时，称为Plug-In插入匹配。
    (3)Subsume：当请求服务的输出包含发布服务的输出时，称为Subsume包含匹配。
    (4)其他情况，称为Fail，匹配失败。
    设请求服务的某个输出为outR，发布服务的某个输出为outA，则每一对输出的匹配算法可描述为如下[4]：
    Match(outR，outA)
    { if outA=outA return Exact；
      if outR subclassOf outA return Exact；
      if outA subsume outR return Plug-In；
      if outA subsume outA return Subsume；
      else return Fail；
    }
    每一对输入匹配结果与输出匹配结果的包含关系是相反的，即Match(outR，outA)应用到每一对输入的匹配为Match(inA，inR)。
    在匹配算法中，不存在包含关系的概念之间认为其没有语义联系，返回结果为“匹配失败(Fail)”。这一点符合Web服务的匹配要求。比如在图1中如果请求服务查询的是“Car”，而发布的服务是“Truck”，虽然2个概念都是“Vehicle”的子类，但因为发布的服务不能满足请求，则认为两者之间是不匹配的。
    对于插入匹配由于发布的服务输出包含了请求服务的输出(或请求服务的输入包含了发布服务的输入)，而包含匹配是请求服务的输出包含了发布服务的输出(或发布服务的输入包含了请求服务的输入)，因此插入匹配的匹配程度高于包含匹配。在图1中，如果请求查询的服务是“Ford”汽车，发布的服务是“Vehicle”，查询的服务通常情况下是可以满足请求的，这时返回结果为“插入”匹配。如请求查询任意的“Vehicle”，发布“Mazda”汽车服务，只有少数情况能满足请求，这时返回结果为“包含”匹配。所以，4类匹配的匹配程度由高到低的排序是：精确匹配、插入匹配、包含匹配和不匹配。
    该经典匹配算法通过对本体中类的包含关系的推理，给出服务发布方和请求方之间的匹配等级，通过返回不同匹配等级的服务提高服务的查准率和查全率，但它最大的缺点在于不能给出服务之间的精确匹配，影响了服务匹配质量。如图1所示，如果请求方的输出是Ford汽车，提供方的输出不管是Car，Vehicle还是Machine，返回结果都是插入匹配，但事实三者的匹配程度相差很大，这不利于在大量的服务中准确地查找所需的服务。而概念深度对匹配精度也有一定的影响，高层不同概念之间比底层概念之间的语义差别要大，因为越高层次的概念越概括，其区分度越大，越底层的概括越具体，越趋近属于同一个分支。如“机动车”和“非机动车”的相似度显然要比同属于“机动车”概念的“汽车”和“卡车”的语义差别要大。为了解决以上问题，本文提出一种用本体概念间相似度算法来进行服务的精确匹配，同时提出两种语义权重分配方法用于计算本体概念间的语义距离和相似度。新算法既保持了原算法的匹配等级的合理性，又能提供精确的匹配。
2 概念相似度算法
2.1 权重分配与语义距离计算算法
    目前大多数基于语义距离的相似度计算方法中，用到的语义距离都是取2个本体概念之间的最短路径，即从概念C1到概念C2所经过的最少边的数目。本文将权重分配在2个概念C1和C2之间的关系上，也即本体图中的“边”上。权重分配原则满足概念之间的语义距离随着本体分类树的深度的增加而减小。
    本文提出两种权重分配方法：一种为按层等分，首先给定权重a，然后按层等分a(根节点为第1层)，假设该本体分类树层次数为n，则第n层节点所在的每条分支的权重计算公式为式(1)(因为n层的本体分类树，深度为n-1，关系sub(c₁，c₂)为继承关系)。
　　
    另一种称为归一法，给定整个本体分类树的权值为1，假如该树根节点有n个分支，则每个分支总权重为1/n，如果该分支节点又有m个子分支，那么该分支节点所在分支的权重为该分支总权重的1/t(t的值在系统设计时指定，一般取2或3)，而该分支节点的所有子分支的总权重为该分支节点所在分支权重的1/t，每条分支计算公式如式(2)所示(关系sub(c₁，c₂)为继承关系)：
　　
    例如，对于图1根据本文提出的权重分配方法按式(1)有：W[sub(Machine，Computer)]=a/2=0.5a；W[sub(Vehicle，Truck)]=a/4=0.25a；W[sub(Machine，Toyota)]=0.125a。
    对于图1根据本文提出的权重分配方法按式(2)有(t=2)：W[sub(Machine，Computer)]=1/2=0.5；W[sub(Machine，Vehicle)]=1/4=0.25；W[sub(Car，Toyota)]=1/48。
    定义1：定义概念c1和c2之间的语义距离为distance(c₁，c₂)。
    定义2：定义概念节点c1和c2之间的路径长度为Lengthc₁，c₂)。

    定义3：定义概念节点c1和c2之间的语义距离为负值，即distance(c₁，c₂)。<0。
    对于表示本体的分类树，可以用2个不同概念节点之间的距离来衡量概念之间的相似度。为了满足服务匹配的要求与计算方便，在计算任意两点之间的语义距离时选取公式(1)来计算(a=1)，可以通过如下算法得到：
    (1)查看c₁和c₂是否是同一个概念。
    如果是，则distance(c₁，c₂)=0；如果否，转入(2)。
    (2)查看c₁和c₂之间是否存在直接继承关系。
    如果是，则distance(c₁，c₂)=W[sub(c₁，c₂)]×1，而distance(c₂，c₁)=-[W[sub(c₁，c₂)]×1]；如果否，转入(3)。
    (3)查看c₁和c₂之间是否存在间接的继承关系。
    如果是，则distance(c₁，c₂)=Length(c₁，c₂)×∑[W[sub(c₁，c₂)]，其中∑[W[sub(c₁，c₂)]为该路径上的权重之和；distance(c₂，c₁)=-Length(c1，c2)×∑[W[sub(c₁，c₂)]，如果否，转入(4)。
    (4)c₁和c₂之间无继承关系，语义距离distance(c₁，c₂)=∞。
    根据以上算法对于图1，Machine与Machine满足算法的第1种情况，所以distance(Machine，Machine)=0，Truck到Vehicle满足算法的第2种情况，所以distance(Vehicle，Truck)=0.125，Machine到Car满足算法的第3种情况，此时语义距离为负数，所以distance(Machine，Car)=-0.75，Computer到Truck满足算法的第4种情况，所以distance(Computer，Truck)=∞；
2.2 相似度计算
    得到2个概念c₁和c₂之间的语义距离distance(c₁，c₂)之后，需要构造合理的相似度函数，将语义距离转化成相似度。相似度函数需要满足以下几个主要特性[5]：
    (1)当语义距离为0时，相似度为l。即当2个概念相同时，相似度为1。
    (2)此函数随语义距离的增加而减小。即语义距离大的概念间的相似度小于语义距离小的概念间的相似度。
    (3)函数的输出必须保证在[0，1]区间内。 
    根据以上3个特性，得到2个概念c₁、c₂之间的相似度函数SimF(c₁，c₂)定义如下：
   
    通过以上定义，分类树中2个概念的匹配程度就是[0，1]中的1个具体实数，数值越大，节点之间的距离越短，节点所对应的概念的相似度越高。按以上定义，传统算法中的“精确匹配”的相似度为1，“匹配失败”的相似度为0，“插入匹配”的相似度为1个(0.5，1)的实数，“包含匹配”的相似度为1个(0，0.5)之间的实数。
    α，β分别为影响因子，α，β的取值决定了语义距离影响相似度取值的大小，α，β的取值越大，同样距离下得出的相似度就越小。直观看来，合理的α，β取值需要保证在语义距离为l时(即非常相近的2个概念如具有父子关系的概念)，相似度在0.5以上。根据上面提出的计算相似度算法公式(3)(α=0.9，β=0.8)得到图1中个本体概念之间的相似度，如表1所示。

    通过上表分析可以看出，根据本文提出的算法，既提高了服务的匹配精度，还保持了传统算法的匹配等级的合理性。例如，如果按照经典的匹配算法，如果请求服务的输出为Mazda，则服务输出为Machine，Vehicle和Car的服务都能满足要求(相似度都≥0.5)，而利用本文提出的算法(相似度≥0.5)，则只有输出为Mazda的服务满足要求。如果发布的服务与请求的服务中有多个输入参数和输出参数，则可以取匹配度最高的参数来匹配某一个请求的输入或输出，最终的匹配结果可以是请求服务所有输入输出参数的加权平均值。
3 实验结果与分析
    在服务匹配中，通常用查准率和查全率来衡量一个Web服务匹配算法的好坏。查准率是指查询返回符合查询条件的Web服务数量与查询返回Web服务总数量的比率；查全率是指查询返回符合查询条件的Web服务与测试样本集中符合查询条件的Web服务的比率。查准率和查全率越高，服务匹配算法越好。为了验证本文匹配算法的有效性，开发了1个原型系统WSMS(Web服务匹配系统，本文精确匹配算法实现)，参考OWLS-TC V2服务测试数据集[6]，制定了测试数据集WSMS-TC(该测试集来自3个知识领域，每个领域抽取50个服务描述，共150个)，对WSMS和经典的OWL-S/UDDI匹配算法进行了仿真性能测试，对于要求返回精确度为0.2以上或0.4以上的服务，OWL-S/U DDI匹配取包含匹配的结果；对于要求返回精确度为0.5以上、0.6以上或0.8以上的服务，OWL-S/ＵDDI匹配取插入匹配的结果，统计结果如表2所示(图中用OUDDIS代替OWL-S/UDDI算法实现的系统)。