Systemy ekspertowe
Transkrypt
Systemy ekspertowe
Systemy ekspertowe Wykład 6 Niepewność wyrażana przez współczynniki cf Sieci semantyczne Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Systemy ekspertowe 2016 1 / 63 1 Współczynniki cf 2 Ontologie 3 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy 4 Semantic Web Struktura sieci semantycznej 5 Inżynieria ontologii Joanna Kołodziejczyk Systemy ekspertowe 2016 2 / 63 Współczynniki cf Plan wykładu 1 Współczynniki cf 2 Ontologie 3 Wiedza semantyczna 4 Semantic Web 5 Inżynieria ontologii Joanna Kołodziejczyk Systemy ekspertowe 2016 3 / 63 Współczynniki cf Współczynnik wiarygodności Alternatywa dla niepewności probabilistycznej czy też opartej na logice. MYCIN – system, w którym wprowadzono współczynniki wiarygodności Zastosowanie, gdy brak spójnych danych statystycznych. Naśladują procesy myślowe przy wnioskowaniu prowadzonym przez eksperta - człowieka. Joanna Kołodziejczyk Systemy ekspertowe 2016 4 / 63 Współczynniki cf Współczynnik wiarygodności Współczynnik wiarygodności cf jest miarą przekonań eksperta. Ma wartość z przedziału −1(całkowity fałsz) do 1(całkowita prawda). Wartości >0 są miarą przekonania o hipotezie. Wartości <0 są miarą braku przekonania o hipotezie. Joanna Kołodziejczyk Systemy ekspertowe 2016 5 / 63 Współczynniki cf Współczynnik wiarygodności Joanna Kołodziejczyk Systemy ekspertowe 2016 6 / 63 Współczynniki cf Konstrukcja reguł Budowa reguły IF D <dowód> THEN H<hipoteza {cf} Interpretacja cf jest miarą ufności w hipotezę H, gdy dany jest dowód D. Joanna Kołodziejczyk Systemy ekspertowe 2016 7 / 63 Współczynniki cf Na czym oparty jest cf Wykorzystuje się dwie funkcje oceny (dają wartości z przedziału [0, 1]): 1 MB — measure of belief — miara przekonania o hipotezie H w jej definicji wykorzystuje się prawdopodobieństwa 2 MD — measure of disbelief — miara braku przekonania w hipotezę H w jej definicji wykorzystuje się prawdopodobieństwa Joanna Kołodziejczyk Systemy ekspertowe 2016 8 / 63 Współczynniki cf Measure of belief ( MB(H, D) = 1 P(H|D)−P(H) 1−P(H) if P(H) = 1 wpp Ekspert ocenia jak bardzo przedstawiony dowód D redukuje jego wątpliwości w wypadku braku dowodu (1 − p(H)). Jeżeli dowód jest słaby, to p(H|D) − p(H) jest bliskie 0 i jego wątpliwości nie ulegną zmianie. Joanna Kołodziejczyk Systemy ekspertowe 2016 9 / 63 Współczynniki cf Measure of disbelief ( MD(H, D) = 1 P(H)−P(H|D) P(H) if P(H) = 0 wpp Ekspert ocenia jak bardzo przedstawiony dowód D redukuje jego przekonanie o hipotezie p(H). p(H) prawdopodobieństwo a priori, że H jest prawdziwe. Joanna Kołodziejczyk Systemy ekspertowe 2016 10 / 63 Współczynniki cf Jak wyrazić całkowite przekonanie o hipotezie? Używa się do tego współczynnika cf wyrażonego przez funkcje MB i MD. cf = MB(H, D) − MD(H, D) 1 − min[MB(H, D), MD(H, D)] cf ma wartości z zakresu [−1, 1], które oznacza całkowite przekonanie o hipotezie H Ekspert zazwyczaj potrafi oszacować cf skojarzony z każdą wartością B gdy dane jest A = X IF A is X THEN B is Y {cf 0.7} B is Z {cf 0.2} Joanna Kołodziejczyk Systemy ekspertowe 2016 11 / 63 Współczynniki cf Interpretacja cf 1 W przypadku przedstawionej reguły: gdy dane jest, że A ma wartość X , to B będzie równe Y w 70% przypadków i Z w 20% przypadków. 2 10% przypadków może mieć dowolną wartość. 3 Przekonanie przypisane do reguły jest propagowane w trakcie wnioskowania. Joanna Kołodziejczyk Systemy ekspertowe 2016 12 / 63 Współczynniki cf cf dla reguły z jedną przełanką cf (H, D) dla reguły z jednym dowodem (jedną przesłanką) cf oblicza się jako mnożenie cf (D) dowodu i cf reguły: cf (H, D) = cf (D) · cf Przykład: IF niebo czyste THEN prognozujemy słońce {cf 0.8} cf (D) dla czyste niebo to 0.5 zatem cf (H, D) = 0.5 ∗ 0.8 = 0.4 co czytamy, że „może być słonecznie”. Joanna Kołodziejczyk Systemy ekspertowe 2016 13 / 63 Współczynniki cf Obliczanie cf przy koniunkcji wielu dowodów Ogólna budowa reguły IF <dowód D1> AND <dowód D2> ... AND <dowód Dn> THEN <hipoteza> {cf} Obliczanie cf cf (H, D1 ∧ D2 ∧ · · · ∧ Dn ) = min[cf (D1 ), cf (D2 ) . . . cf (Dn )] · cf Joanna Kołodziejczyk Systemy ekspertowe 2016 14 / 63 Współczynniki cf Obliczanie cf przy koniunkcji wielu dowodów Przykład: IF niebo czyste AND prognozujemy słońce THEN noś okulary {cf 0.8} cf (D1 ) = 0, 9 i cf (D2 ) = 0.7 zatem cf (H, D1 ∧ D2 ) = min[0.9, 0.7] ∗ 0.8 = 0.56 co czytamy „dziś, prawdopodobnie dobrym pomysłem będzie noszenie okularów przeciwsłonecznych”. Joanna Kołodziejczyk Systemy ekspertowe 2016 15 / 63 Współczynniki cf Obliczanie cf przy dysjunkcji wielu dowodów Ogólna budowa reguły IF <dowód D1> OR <dowód D2> ... OR <dowód Dn> THEN <hipoteza> {cf} Obliczanie cf cf (H, D1 ∨ D2 ∨ · · · ∨ Dn ) = max[cf (D1 ), cf (D2 ) . . . cf (Dn )] · cf Joanna Kołodziejczyk Systemy ekspertowe 2016 16 / 63 Współczynniki cf Obliczanie cf przy dysjunkcji wielu dowodów Przykład: IF niebo zachmurzone OR prognozujemy deszcz THEN weź parasol {cf 0.9} cf (D1 ) = 0, 6 i cf (D2 ) = 0.8 zatem cf (H, D1 ∨ D2 ) = max[0.6, 0.8] ∗ 0.9 = 0.72 co czytamy „dziś, prawie na pewno powinna zostać zabrana parasolka”. Joanna Kołodziejczyk Systemy ekspertowe 2016 17 / 63 Współczynniki cf Obliczanie cf , gdy wiele zdarzeń wypływa na tą samą hipotezę Ogólna budowa reguły IF A jest X THEN B is Y {cf1} IF A jest X THEN B is Y {cf2} Obliczanie cf cf (cf1 , cf2 ) = cf1 + cf2 (1 − cf1 ) cf1 +cf2 1−min[|cf1 |,|cf2 |] Joanna Kołodziejczyk cf1 + cf2 (1 + cf1 ) Systemy ekspertowe if cf1 > 0 ∧ cf2 > 0 if cf1 > 0 ∨ cf2 > 0 if cf1 < 0 ∧ cf2 < 0 2016 18 / 63 Współczynniki cf Analiza wzoru Jeżeli oba zdarzenia wzmacniają przekonanie o hipotezie przekonanie wzrasta przy złożeniu obu warunków. Jeżeli jedno zdarzenie wzmacnia, a drugie osłabia przekonanie o hipotezie to całkowity współczynnik wiarygodności zmniejszy się. Jeżeli oba zdarzenia osłabiają hipotezę to ich złożenie da bardziej osłabiający współczynnik wiarygodności. Joanna Kołodziejczyk Systemy ekspertowe 2016 19 / 63 Współczynniki cf Obliczanie cf , gdy wiele zdarzeń wypływa na tą samą hipotezę Przykład: IF A jest X THEN B is Y {cf1 0.8} IF A jest X THEN B is Y {cf2 0.6} cf (D1 ) = cf (D2 ) = 1 zatem cf (H, D1 ) = cf1 · cf (D1 ) = 0.8 cf (H, D2 ) = cf2 ∗ cf (D2 ) = 0.6 Wspólny cf cf = cf1 (H, D1 ) + cf2 (H, D2 ) · (1 − cf1 (H, D1 )) = 0.8 + 0.6 · (1 − 0.8) = 0.92 Zatem przekonanie o hipotezie wzrosło. Joanna Kołodziejczyk Systemy ekspertowe 2016 20 / 63 Współczynniki cf Prognozowanie pogody Zadanie: Określić czy będzie, lub czy nie będzie padał deszcz następnego dnia. Zamiast współczynników LS i LN zastosowane zostaną cf . Dane: minimalna temperatura w ciągu dnia maksymalna temperatura w ciągu dnia, opady w mm aktualny stan: pada lub nie pada itd... Joanna Kołodziejczyk Systemy ekspertowe 2016 21 / 63 Współczynniki cf Reguły 1 IF dziś pada THEN jutro pada {cf 0.5} 2 IF dziś nie pada THEN jutro nie pada {cf 0.5} 3 IF dziś pada AND wilgotność jest niska THEN jutro nie pada {cf 0.6} 4 IF dziś pada AND wilgotność jest niska AND temperatura jest niska THEN jutro nie pada {cf 0.7} 5 IF dziś nie pada AND temperatura jest wysoka THEN jutro pada {cf 0.65} 6 IF dziś nie pada AND temperatura jest wysoka AND niebo jest pochmurne THEN jutro pada {cf 0.65} Joanna Kołodziejczyk Systemy ekspertowe 2016 22 / 63 Współczynniki cf Działanie SE d.1 Pytanie: Jaka jest dziś pogoda? Odp: PADA Pytanie: Podaj swoje przekonanie [-1,1] Odp: 1 Obliczenia na podstawie reguły 1 cf (jp, dp) = 1 · 0.5 = 0.5 przekonanie, że jutro pada. Wniosek: jutro: pada [0.5] Joanna Kołodziejczyk Systemy ekspertowe 2016 23 / 63 Współczynniki cf Działanie SE d.2 Pytanie: Jaka jest dziś wilgotność? Odp: NISKA Pytanie: Jaki jest stopień wilgotności [-1,1]? Odp: 0.8 Obliczenia: na podstawie reguły 3: cf (jnp, dp ∧ nw ) = min[cf (dp), cf (nw )] · cf = min[1, 0.8] · 0.6 = 0.48 Wniosek: jutro: pada [0.5], nie pada [0.48] Joanna Kołodziejczyk Systemy ekspertowe 2016 24 / 63 Współczynniki cf Działanie SE d.3 Pytanie: Jaka jest dziś temperatura? Odp: NISKA Pytanie: Podaj swoje przekonanie [-1,1] Odp: 0.9 Obliczenia: na podstawie reguły 4: cf (jnp, dp ∧ nw ∧ nt) = min[cf (dp), cf (nw ), cf (nt)] · cf = = min[1, 0.8, 0.9] · 0.7 = 0.56 Złożenie reguł 3 i 4 w ocenie hipotezy nie pada: cf (cfR3 , cfR4 ) = cfR3 +cfR4 ·(1−cfR3 ) = 0.48+0.56·(1−0.48) = 0.77 Wniosek: jutro: pada [0,5], nie pada [0,77] Joanna Kołodziejczyk Systemy ekspertowe 2016 25 / 63 Współczynniki cf Cechy systemów z cf Zastosowanie: planowanie, prognozowanie, tam gdzie brak danych statystycznych Brak matematycznej poprawności. Dane pochodzą z ocen ekspertów z dziedziny. Propagowanie przekonań wzrasta wykładniczo, dlatego nie nadaje się dla bardzo dużych baz wiedzy. Problemem jest znalezienie właściwej metody określania prawdopodobieństw i współczynników, ponieważ ludzie są tendencyjni w ocenach. Joanna Kołodziejczyk Systemy ekspertowe 2016 26 / 63 Ontologie Plan wykładu 1 Współczynniki cf 2 Ontologie 3 Wiedza semantyczna 4 Semantic Web 5 Inżynieria ontologii Joanna Kołodziejczyk Systemy ekspertowe 2016 27 / 63 Ontologie Jak zaprezentować różnorodność świata Czy można stworzyć ogólny model, który można rozwijać przez opisywanie wiedzy o poszczególnych elementach modelu. Głównym celem jest stworzenie kategorii, do których należą będą różne obiekty. Taki ogólny zarys konceptów nazywa się Ontologiami nadrzędnymi upper ontology. Joanna Kołodziejczyk Systemy ekspertowe 2016 28 / 63 Ontologie Przykłady ontologii nadrzędnych http://www.cyc.com/cycdoc/upperont-diagram.html Joanna Kołodziejczyk Systemy ekspertowe 2016 29 / 63 Ontologie Cechy ontologii nadrzędnych Ontologia nadrzędna jest ograniczona do pojęć ogólnych, meta, abstrakcyjnych i filozoficznych i dlatego jest na tyle ogólna, by opisać szeroką gamę dziedzin z różnych obszarów. Nie uwzględnia się w niej pojęć specyficznych dla dziedziny, choć pokazuje struktury i zbiory pojęć ogólnych nad dziedzinami, w których ontologia specyficzna można być budowana. Cechy odróżniające ontologię nadrzędną od specyficznych dla dziedziny: Przeznaczenie ogólne: w jej ramach można ująć wiedzę na temat kilku dziedzin bez pomijania jakichkolwiek jej aspektów. Różne aspekty wiedzy muszą być ujednolicone, gdyż wnioskowanie na danych zazwyczaj wymaga równoległego działania w różnych dziedzinach. np. systemy powinny równie dobrze funkcjonować we wszystkich jednostkach miar. Joanna Kołodziejczyk Systemy ekspertowe 2016 30 / 63 Ontologie Co to jest ontologia Ontologia jest to jawny opis (słownik) pewnej dziedziny, który zawiera: pojęcia własności i atrybuty pojęć, relacje, aksjomaty instancje (niekoniecznie). Ontologia wprowadza: jednolitą terminologią, jednolitą interpretację (definicję) pojęć. Joanna Kołodziejczyk Systemy ekspertowe 2016 31 / 63 Wiedza semantyczna Plan wykładu 1 Współczynniki cf 2 Ontologie 3 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy 4 Semantic Web 5 Inżynieria ontologii Joanna Kołodziejczyk Systemy ekspertowe 2016 32 / 63 Wiedza semantyczna Pozyskiwanie wiedzy z Internetu Wiedza w Internecie ma bardzo zróżnicowany charakter: różne formaty plików wielkość danych różna struktura A może uda się tą wiedzę okiełznać? Podać w precyzyjnym i możliwym do przetwarzania formacie. Joanna Kołodziejczyk Systemy ekspertowe 2016 33 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Ramy (FRAMES) Twórca Marvin Minsky 1975. Według Minskiego, każdy element świata może być reprezentowany w postaci bytu zwanego ramą. Nazwał on ramą strukturę danych opisującą pewien obiekt, w którym umieszcza się wszystkie typowe i oczekiwane informacje, ale również przypuszczenie o tym obiekcie. Koncepcja Minskiego oparta jest na obserwacji człowieka w nowej sytuacji i otoczeniu mającego jednak o dziedzinie pewne wcześniejsze wyobrażenia. Człowiek wydobywa wówczas z pamięci określoną ramę i konfrontuje sytuację z wiedzą zawartą w ramie. Gdy natomiast natykamy się na nowy obiekt staramy się o nim zapamiętać jak najwięcej informacji, co jest równoważne z tworzeniem nowej ramy. Joanna Kołodziejczyk Systemy ekspertowe 2016 34 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Wiedza „w ramach” Ramy dają możliwość reprezentacji wiedzy deklaratywnej i proceduralnej. Pozwalają na wyraźne oddzielenie reguł w danej dziedzinie od reguł niezbędnych do poprawnego działania systemu ekspertowego. Potrafią grupować informacje dotyczące wybranego fragmentu wiedzy w postaci jednej ramy, co upraszcza weryfikację i modyfikację bazy wiedzy. Idea ram poszerzona o aspekty behawioralne stała się podstawą do obiektowych języków programowania. Joanna Kołodziejczyk Systemy ekspertowe 2016 35 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Struktura ramy Rama jest strukturą opisującą obiekt i składa się z podstruktur: klatek (slots). Każdy slot reprezentuje: własność cechę opisywanego obiektu. Opisują zatem wiedzę wg schematu (<obiekt><atrybut><wartość>) Klatka dzieli się na fasety, które opisują ograniczenia dla wartości slotów. Joanna Kołodziejczyk Systemy ekspertowe 2016 36 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Przykład Joanna Kołodziejczyk Systemy ekspertowe 2016 37 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Przykład http://kio.eti.pg.gda.pl/kmg/publications/papers/Studia_Informatica.pdf Joanna Kołodziejczyk Systemy ekspertowe 2016 38 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Przykład — opis OWN: sloty własne. Template: sloty-szablony. Metaklasa: jej sloty-szablony stają się własnymi klas. Klasa: zawiera własne sloty szablonowe (klasy dziedziczą po sobie sloty K3 po K1). Obiekt nie zawiera slotów-szablonów a jego własne sloty pochodzą z szablonowych slotów klasy, którą reprezentuje. Joanna Kołodziejczyk Systemy ekspertowe 2016 39 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Zalety i wady można określać domyślne wartości dla slotów można podawać ograniczenia można opisać procedury na slotach nadmierna ogólność brak formalnej definicji Joanna Kołodziejczyk Systemy ekspertowe 2016 40 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Sieci semantyczne (semantic networks) Opracowane prze Quillana w 1968r. Założeniem było stworzenie modelu pamięci ludzkiej. Model okazał się przydatny do reprezentacji wiedzy. Posługując się pojęciami możemy stworzyć sieć stwierdzeń jako pewien graf, którego węzłami są stwierdzenia, a gałęziami relacje. Węzłom i gałęziom można przypisać wagi określające stopień przekonania o słuszności stwierdzeń. Sieć semantyczna jest pewnego rodzaju logiką, gdzie relacje między obiektami są przedstawione w postaci rysunku. Wnioskowanie to poruszanie się po grafie. Joanna Kołodziejczyk Systemy ekspertowe 2016 41 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Przykład http://kio.eti.pg.gda.pl/kmg/publications/papers/Studia_Informatica.pdf Joanna Kołodziejczyk Systemy ekspertowe 2016 42 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Opis przykładu relacje: hierarchia abstrakcji (strzałka blokowa) hierarchia własności (strzałka zwykła) klasy, obiekty (pogrubione kółko) wartości (kółko) Joanna Kołodziejczyk Systemy ekspertowe 2016 43 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Przykład (jakie zdarzenie opisuje?) http://www.cse.unsw.edu.au/ billw/cs9414/notes/kr/frames/frames.html Joanna Kołodziejczyk Systemy ekspertowe 2016 44 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Logika deskrypcyjna - Description Logic Logika opisowa jest formalizmem będącym rozstrzygalnym podzbiorem rachunku predykatów pierwszego rzędu. Z tego też względu nadaje się do algorytmizacji i przetwarzania komputerowego. Reprezentacja wiedzy o świecie w formie ontologii opartych na logice opisowej (w skrócie: ontologii DL) bazuje na następujących założeniach: istnieje pewne uniwersum (zwane też dziedziną zainteresowań), które chcemy opisać w formie ontologii elementy tego uniwersum, zwane osobnikami, są wystąpieniami pojęć pojęcia są ze sobą powiązane binarnymi relacjami zwanymi rolami Joanna Kołodziejczyk Systemy ekspertowe 2016 45 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Budowa DL TBox: terminologia ontologii, w skład której wchodzą: 1 zbiór konceptów, 2 zbiór ról 3 zbiór aksjomatów definiujących ograniczenia nałożone na koncepty i role ABox: opis świata. Joanna Kołodziejczyk Systemy ekspertowe 2016 46 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Języki opisu ontologii oparte o DL Każdy język z licznej rodziny języków logiki opisowej zawiera pewne podstawowe elementy składowe: 1 koncepty atomowe, w tym koncept uniwersalny > (Top), reprezentujący uniwersum, oraz koncept pusty ⊥ (Bottom), reprezentujący koncept, który nie może mieć żadnych wystąpień; 2 role atomowe; 3 konstruktory służące do tworzenia złożonych konceptów i ról. Joanna Kołodziejczyk Systemy ekspertowe 2016 47 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Intuicyjna semantyka Pojęcia reprezentują klasy, czyli zbiory obiektów. Role reprezentują relacje między parami obiektów. Pojęcia atomowe są nazwami elementarnych (niedefiniowanych) pojęć, a konstrukcje reprezentują obiekty złożone. Dzięki temu można użyć kilku własności (tzn. pojęć nadrzędnych lub ograniczeń atrybutów) równocześnie w definicji pojęcia. Joanna Kołodziejczyk Systemy ekspertowe 2016 48 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Logika (język) ALC Konstruktor ¬C C uD C tD ∃R.C ∀R.C Joanna Kołodziejczyk Znaczenie negacja pojęcia część wspólna pojęć suma pojęć Kwantyfikacja egzystencjalna: zbiór takich osobników, które są powiązane przynajmniej jeden raz rolą R z osobnikiem należącym do konceptu C Kwantyfikacja ogólna: zbiór takich osobników, których wszystkie istniejące powiązania rolą R dotyczą osobników należących do konceptu C (obejmuje także takie osobniki, które nie są powiązane rolą R z żadnymi osobnikami) Systemy ekspertowe 2016 49 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Przykład Ontologia zawiera pojęcia: Osoba, Mężczyzna, Kobieta i Rodzic oraz rolą maDziecko. Tbox Mężczyzna v Osoba Kobieta v Osoba Kobieta u Mężczyzna ≡ ⊥ Rodzic ≡ Osoba u∃maDziecko.Osoba Ojciec ≡ Mężczyzna u Rodzic Matka ≡ Kobieta u Rodzic Joanna Kołodziejczyk ABox Kobieta (Anna) Kobieta (Joanna) Mężczyzna (Karol) maDziecko (Anna, Joanna) maDziecko (Anna, Karol) Systemy ekspertowe 2016 50 / 63 Wiedza semantyczna Semantyczne metody reprezentacji wiedzy Inne zdania Rozszerzamy ontologię o rolą maSyna, wówczas prawdziwy jest aksjomat: maSynavmaDziecko syn zawsze jest Mężczyzną ∃maSyna.¬Mężczyzna ≡ ⊥. tylko Rodzice mogą mieć synów ∃maSyna.> v Rodzic wprowadzamy asercję: maSyna(Karol, Jan) i pytamy: types(Jan) (czyli podaj wszystkie pojęcia z terminologii z wystąpieniem Jan) odp: Mężczyzna, Osoba a następnie: types(Karol) odp: Rodzic, Mężczyzna, Osoba Joanna Kołodziejczyk Systemy ekspertowe 2016 51 / 63 Semantic Web Plan wykładu 1 Współczynniki cf 2 Ontologie 3 Wiedza semantyczna 4 Semantic Web Struktura sieci semantycznej 5 Inżynieria ontologii Joanna Kołodziejczyk Systemy ekspertowe 2016 52 / 63 Semantic Web Czym jest sieć semantyczna? Sieć Semantyczna jest to rozszerzenie istniejącej sieci WWW o mechanizmy semantyczne, tak aby informacje dostępne w tej sieci były dobrze zdefiniowane i umożliwiały lepszą współpracę komputerom i ludziom. Idea budowy Sieci Semantycznej została podjęta jako odpowiedź na gwałtowne rozrastanie się Internetu, a w szczególności tych zasobów informacyjnych, które nazywamy Word Wide Web (WWW). Wiedza w sieci jest nieuporządkowana, porozrzucana po różnych zakątkach i nie jest skatalogowana. Joanna Kołodziejczyk Systemy ekspertowe 2016 53 / 63 Semantic Web Struktura sieci semantycznej Warstwy sieci semantycznej Joanna Kołodziejczyk Systemy ekspertowe 2016 54 / 63 Semantic Web Struktura sieci semantycznej Warstwy w podejściu semantycznym - opis Element URI UNICODE XML RDF Znaczenie adresowanie zasobów sieci (pod jednym URI wiele zasobów) binarne kodowanie znaków dowolnego alfabetu definiowanie typów dokumentów; możliwość definiowania przestrzeni nazw (name spaces NS), co pozwala na unikanie konfliktów w sytuacji, gdy w różnych miejscach Sieci pod tymi samymi nazwami rozumie się różne pojęcia. Pozwala wyrażać treść dokumentów, strukturalizowaą w formy drzewiaste. (Resource Description Framework), wyraża proste ontologie w postaci trójek RDF <obiekt, właściwość, wartość>. <rdf:resource rdf:about="http://pg#JK"pg:nazwisko=”Kowalski” > <pg:stronaDomowa rdf:resource="http://www.pg/page.html"/> </rdf:resource> Joanna Kołodziejczyk Systemy ekspertowe 2016 55 / 63 Semantic Web Element RDFS OWL RIF SPARQL Logic and Proof Trust Joanna Kołodziejczyk Struktura sieci semantycznej Znaczenie RDF Schemata opisuje cechy i klasy źródeł opartych na RDF język ontologii oparty na trójkach RDF, ALC i kilku rozwinięciach (Rule Interchange Format), określa reguły jak uzyskiwać nowe informacje z ontologii, jak je łączyć i inne formy manipulacji obiektami. protokół i język zapytań dla sieci semantycznych ontologie rozszerzane są o reguły dedukcyjne i proceduralne, zapisane na przykład w języku RuleML lub podobnym stosowanie podpisu cyfrowego i związanej z nim odpowiedniej infrastruktury bezpieczeństwa Systemy ekspertowe 2016 56 / 63 Semantic Web Struktura sieci semantycznej Agenty w Sieci Semnatycznej http://infolab.stanford.edu/pub/gio/2000/FoodChain.htm Joanna Kołodziejczyk Systemy ekspertowe 2016 57 / 63 Inżynieria ontologii Plan wykładu 1 Współczynniki cf 2 Ontologie 3 Wiedza semantyczna 4 Semantic Web 5 Inżynieria ontologii Joanna Kołodziejczyk Systemy ekspertowe 2016 58 / 63 Inżynieria ontologii Poprawność ontologii Ontologia jest poprawna, jeśli poprawnie realizuje stawiane jej wymagania. Model formalny świata zapisany w ontologii musi odpowiadać rzeczywistej dziedzinie, dla której dana ontologia została stworzona. Metody tworzenia potrzebnych ontologi: integrowanie ontologii (ontology integration) poprzez tworzenie nowej ontologii z wykorzystaniem ontologii już istniejących, łączenie ontologii (ontology merging) w jedną ontologię ujednolicającą wszystkie łączone ontologie, budowanie ontologii (ontology building) na nowo. Joanna Kołodziejczyk Systemy ekspertowe 2016 59 / 63 Inżynieria ontologii Integrowanie i łączenie ontologii Joanna Kołodziejczyk Systemy ekspertowe 2016 60 / 63 Inżynieria ontologii Integrowanie ontologii Proces integrowania ontologii polega na tworzeniu nowej ontologii z ontologii istniejących (ontologii integrowanych) w taki sposób, że: ontologie integrowane są dostosowywane do konkretnych potrzeb, a następnie ontologie te są wzbogacane Specjalizacja ontologii: terminy w ontologii są zbyt ogólne np. ProduktyZbożowe, a potrzebne jest pojecie Pieczywo. Wzbogacenie ontologii: terminy w ontologii są zbyt szczególne np. Pieczywo i dodaje się Produkty Zbożowe. Mogą być też definiowane dodatkowe role, atrybuty i pojęcia. Joanna Kołodziejczyk Systemy ekspertowe 2016 61 / 63 Inżynieria ontologii łączenie ontologii łączenie ontologii jest w rzeczywistości szczególnym przypadkiem integrowania ontologii. łączone ontologie nie są dostosowywane do konkretnych potrzeb, ontologia wynikowa nie definiuje żadnych nowych terminów. W rzeczywistości łączenie ontologii jest procesem znajdowania wspólnych terminów pomiędzy różnymi ontologiami i wywiedzenie z nich nowej ontologii wynikowej, która umożliwia współpracę systemów komputerowych opartych na ontologiach łączonych. Joanna Kołodziejczyk Systemy ekspertowe 2016 62 / 63 Inżynieria ontologii Tworzenie ontologii Po zdefiniowaniu celu budowania nowej ontologii i analizie istniejących ontologii należy zidentyfikować pojęcia, relacje pomiędzy pojęciami, określić atrybuty i role oraz ostatecznie zapisać ontologię w formalnym języku, np. OWL. Formalny opis modelowanego świata zazwyczaj powstaje z półformalnego opisu rzeczywistości. Na podstawie opisu półformalnego inżynierowie wiedzy formułują taksonomię konceptów. Taka taksonomia wzbogacana jest o dodatkowe zależności między pojęciami, inne niż relacja zawierania, oraz odpowiednie role i atrybuty, będące binarnymi relacjami między pojęciami oraz pomiędzy pojęciami a dziedzinami konkretnymi. Joanna Kołodziejczyk Systemy ekspertowe 2016 63 / 63