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