本体映射试图找到不同本体的相似元素之间的语义对应。 在构建语义Web时，实现语义互操作性是一项关键挑战。 本文基于传播理论，信息检索技术和人工智能，提出了一种新的通用和自适应本体映射方法，称为PRIOR。 该方法包括三个主要模块，即基于IR的相似度生成器，自适应相似度滤波器和加权相似度聚合器以及基于神经网络的约束满足求解器。 该方法首先在向量空间模型中测量本体的语言和结构相似性，然后基于其和谐性使用自适应方法将它们进行聚合，该方法被定义为相似性性能的估计器。 最后，为了提高映射精度，如果需要，可以激活交互式激活和竞争神经网络，以寻找可以满足本体约束的解决方案。 实验结果表明，和声是fmeasure的良好估计。 基于和声的自适应聚合优于其他聚合方法； 神经网络方法可在大多数情况下显着提高性能。 我们的方法与OAEI Campaign 2007上基准测试中排名靠前的系统相比具有竞争优势，并且在OAEI基准测试中在实际案例中表现最佳。
