وب معنایی با هدف ایجاد ارتباط و تعامل مستقیم ماشین ها و بدون دخالت بشر طرح شد، ولی هم اکنون با چالش بزرگ تعامل آنتولوژی ها روبه رو است. این رساله درپی یافتن تناظر بین موجودیت های آنتولوژی، با استفاده از روش های یادگیری ماشین است. بدین ترتیب که، ابتدا معیار شباهت را در سطوح مختلف برای آنتولوژی های واقعی انتخاب و تولید می کند، و سپس از معروف ترین دسته بندی کننده های تحت نظارت، مثل ماشین بردارهای پشتیان (svm) ، نزدیک ترینk همسایه (knn)، درخت تصمیم گیری (dt) و روش adaboost برای دسته بندی موجودیت ها استفاده می کند. البته هر یک از دسته بندی کننده های مذکور با پارامترهای مناسب تنظیم می شوند. مدل نهایی بدون نیاز به بازخورد کاربر و کاملاً خودکار است. هم ترازی تنها برمبنای اطلاعات موجود در اسناد owl است، و نیازی به نمونه های آنتولوژی نیست. از svm برای کاهش معیارهای مشابهت استفاده شده، و نتایج حاصل از آزمایش مدل، بیانگر انتخاب روش مناسب و تنظیم صحیح پارامترهاست. به طوری که قادر به تامین نتایج قابل قبول همراه با کاهش قابل ملاحظه ی هزینه ی محاسباتی است. نتایج حاصل از روش adaboost بالاترین کارایی را داراست. نتایج حاکی از میانگین مقدار 92 درصد برای معیار f است.