Фрагмент словаря концептов

 

Имя концепта.... Экземпляр	Атрибуты экземпляра	Отношение
Academic-Staff — Person	Age First-Name Last-Name Photo Weight ……………………	Supervises Has-Publications Editor-of …………………
Researcher Gomez-Perez	……………………..	Cooperates-with Research -Interest Member-of-Research-Group ……………………

Таблица 8.4.

Фрагмент описания отношения Employs

 

Имя отношения	Employs
Исходный концепт	Organization:
Кардинальность	(1,n)
Целостный концепт	Employee
Математические свойства	—
Инверсные отношения	Affiliation
Ссылки >	—

 

Таблица 8.5.

Фрагмент описания отношения Affiliation

 

Имя отношения	Affiliation
Исходный концепт	Employee
Кардинальность	(1,n)
Целостный концепт	Organization
Математические свойства	_
Инверсные отношения	Employs
Ссылки	—

Таблица 8.6.

Фрагмент описания атрибутов экземпляра Weight

 

Имя атрибута экземпляра	Weight
Тип значения	Mass-Quantity
Единица измерения	Kilogram
Точность	0.001
Диапазон	[0,200]
Значение «по умолчанию»	—
Кардинальность	(1,1)
Выводится из атрибута экземпляра	—
Выводится из атрибута класса	—
Выводится из констант	_
Формула	—

Таблица 8.7.

Фрагмент описания аксиомы

The-Head-Of-Project-Works-ln-The-Project

 

Имя аксиомы	The-Head-Of-Project-Works-ln-The-Project
Описание	«Работник, являющийся руководителем проекта, работает в проекте»
Концепт	Employee
Ссылочные атрибуты	—
Переменные	Е, Р
Определение     ……………………..	Forall (E, P) Employs (E) and Head-Of-Project (E, P) => Works-At-Project(E, P) ………………………………..

 

Таблица 8.8.

Фрагмент таблицы экземпляров

 

Экземпляр	Атрибут	Значение
Gomez- Perez   ………………	Full Name First Name Last Name E-Mail ………………..	«Asuncion Gomez- Perez» «Asuncion» «Gomez-Perez» «[email protected]» ……………………………..

 

Как показывает анализ приведенных выше процедур, выполняемых при создании онтологии в подходе METHONTOLOGY, все они хорошо коррелируют с теми стадиями, которые выделены и используются при построении баз знаний. И это не случайное совпадение, а закономерность, связанная с тем, что онтология — это, по существу, БЗ специального вида. Поэтому, как и в случае построения баз знаний, здесь используется концепция быстрого прототипирования, а специфика проявляется в тех конкретных процессах, которые реализуют рассмотренные выше процедуры. При этом:

• планирование выполняется до начала собственно разработки;

• контроль и гарантии качества осуществляются в процессе разработки;

• большая часть операций по накоплению знаний и их оценке выполняется на стадии концептуализации для того, чтобы предотвратить распространение ошибок на фазу реализации;

• интеграция не должна рассматриваться как интеграция на стадии реализации. Напротив, она выполняется в процессе разработки.

Примеры онтологии

 

В настоящее время исследования в области онтологии и онтологических систем являются «горячими точками» не только в ИИ, но и в работах по интеллектуализации информационного поиска, в первую очередь, в среде Интернет; в работах по мультиагентным системам; в проектах по автоматическому «извлечению» знаний из текстов на естественном языке; в проектах, ведущихся в смежных областях.

При этом разные авторы вводят различные типизации онтологии [Gruber, 1995; Guarino, 1996], суммируя которые можно выделить классификации по:

• степени зависимости от конкретной задачи или предметной области;

• уровню детализации аксиоматизации;

• «природе» предметной области и т. д.

Дополнительно к этим измерениям можно ввести и классификации, связанные с разработкой, реализацией и сопровождением онтологии, но такая типизация более уместна при обсуждении вопросов реализации онтологических систем.

По степени зависимости от конкретной задачи или предметной области обычно различают:

• онтологии верхнего уровня;

• онтологии, ориентированные на предметную область;

• онтологии, ориентированные на конкретную задачу;

• прикладные онтологии.

Онтологии верхнего уровня описывают очень общие концепты, такие как пространство, время, материя, объект, событие, действие и т. д., которые независимы от конкретной проблемы или области. Поэтому представляется разумным, по крайней мере в теории, унифицировать их для больших сообществ пользователей.

Примером такой общей онтологиии является CYC® [Lenat, 1995]. Одноименный проект — CYC® — ориентирован на создание мультиконтекстной базы знаний и специальной машины вывода, разрабатываемой Сусогр. Основная цель этого гигантского проекта — построить базу знаний всех общих понятий (начиная с таких, как время, сущность и т. д.), включающую семантическую структуру терминов, связей между ними и аксиом. Предполагается, что такая база знаний может быть доступна разнообразным программным средствам, работающим со знаниями, и будет играть роль базы «начальных знаний». В онтологии, по некоторым данным, уже представлены 10⁶ концептов и 10⁵ аксиом. Для представления знаний в рамках этого проекта разработан специальный язык CYCL.

Другим примером онтологии верхнего уровня является онтология системы Gene-railized Upper Model [Braetman et al., 1994], ориентированная на поддержку процессов обработки естественного языка: английского, немецкого и итальянского. Уровень абстракции этой онтологии находится между лексическими и концептуальными знаниями, что определяется требованиями упрощения интерфейсов с лингвистическими ресурсами. Модель Generalized Upper Model включает таксономию, организованную в виде иерархии концептов (около 250 понятий) и отдельной иерархии связей. Фрагмент системы понятий этой онтологии приведен на рис. 8.10.

В целом же можно констатировать, что, несмотря на отдельные успехи, создание достаточно общих онтологии верхнего уровня представляет собой очень серьезную задачу, которая еще не имеет удовлетворительного решения.

Рис. 8.10.Фрагмент системы понятий онтологии Generalized Upper Model

 

Предметные онтологии и онтологии задач описывают, соответственно, словарь, связанный с предметной областью (медицина, коммерция и т. д.) или с конкретной задачей или деятельностью (диагностика, продажи и т. п.) за счет специализации терминов, введенных в онтологии верхнего уровня. Примерами онтологии, ориентированных на определенную предметную область и конкретную задачу, являются TOVE и Plinius соответственно [TOVE, 1999; Van der Vet et al'., 1994].

Онтология в системе TOVE (Toronto Virtual Enterprise Project) [TOVE, 1999] предметно ориентирована на представление модели корпорации. Основная цель ее разработки — отвечать на вопросы пользователей по реинжинирингу бизнес-процессов, извлекая эксплицитно представленные в онтологии знания. При этом система может проводить дедуктивный вывод ответов. В онтологии нет средств для интеграции с другими онтологиями. Формально онтология описывается с помощью фреймов. Таксономия понятий онтологии TOVE представлена на рис. 8.11.

Прикладные онтологии описывают концепты, зависящие как от конкретной предметной области, так и от задач, которые в них решаются. Концепты в таких онтологиях часто соответствуют ролям, которые играют объекты в предметной области в процессе выполнения определенной деятельности. Пример такой онтологии — онтология системы Plinius [Van der Vet et al., 1994], предназначенная для полуавтоматического извлечения знаний из текстов в области химии. В отличие от других, упомянутых выше онтологии, здесь нет явной таксономии понятий. Вместо этого определено несколько множеств атомарных концептов, таких как, например, химический элемент, целое число и т. п., и правила конструирования остальных концептов. В онтологии описано около 150 концептов и б правил. Формально онтология Plinius тоже описывается с помощью фреймов.

 

 

Рис. 8.11. Фрагмент таксономии понятий онтологии TOVE

 

Как показывает анализ работ в этой области, научными сообществами и колективами создаются онтологии разных типов, но в целом в настоящее время наиболее активно разрабатываются и используются на практике предметные онтологии.

Вместе с тем, независимо от типа оптолоши, для их представления и использования требуются специальные алгоритмические средства, к обсуждению которых мы и переходим в следующем параграфе.

 

8.3. Системы исредства представления

⇐ Предыдущая42434445464748495051Следующая ⇒

Поделиться:

Воспользуйтесь поиском по сайту: