Fuzzy Ontology – Ontology Mờ

Thứ hai , 15/05/2017, 07:40 GMT+7
     

 

Bài trước chúng ta đã đi qua vấn đề:

                                                               Bài 1: Phương pháp xây dựng Ontology

                                                               Bài 2: Mạng xã hội và Ontology Foaf

                                                               Bài 3: Xây dựng Ontology cho diễn đàn

1.     Định nghĩa

Định nghĩa về Ontology sau đây dựa trên góc nhìn của Sematic Web, nơi mà tri thức được diễn tả trong DL-based Ontology (Description Logic – based Ontology). Do đó, một Ontologoy mờ được định nghĩa để tương xứng với cơ sở tri thức DL.

Định nghĩa 1 : Một Fuzzy Ontology được định nghĩa là một tập OF = { I,C, R, F,A }

            Trong đó

·        Ilà tập hơpnhững cá thể, còn gọi là các thể hiện của các định nghĩa.

·        Clà tập hợp các định nghĩa. Mỗi định nghĩa c  C là một tập mờ trong miền tri thứ quan tâm . Tập các thể thiện của Ontology mờ sẽ được chỉ ra bởi

·        Rlà tập chứa các quan hệ. Mỗi r  R là một quan hệ mờ n-ary trong miền của các thể hiện, . Một vai trò đặc biệt được giữ bởi quan hệ phân loại , cái mà xác định quan hệ xếp gộp mờ giữa những thể hiện.

·        Flà tập các quan hệ mờ trên tập các thể hiện E và một miền xác định chứa trong D = {integer, string, ...}. Chi tiết hơn, chúng là các hàm n-ary sao cho mỗi phần từ  là một quan hệ .

·        Alà tập các tiên đề được diễn tả bởi một ngôn ngữ logic nhằm đảm bảo tính chính xác, trong đó, các vị từ ràng buộc ý nghĩa của các định nghĩa, các thể, quan hệ và hàm.

Chú ý : Tất cả các định nghĩa và quan hệ đều là mờ. Đặc biệt, quan hệ phân loại T(i,j) chỉ ra rằng child j là một sự đặc tả khái niệm của parent i với một mức độ nhất định. Ví dụ, trong Ontology về “Animals”, một chuyên gia có nhiều câu hỏi về việc làm cách nào để thêm thể hiện “platypus” (thú mỏ vịt), vì nó là một phần của “ammal” (động vật có vú) và là một phần của “oviparous” (lớp động đẻ trứng). Sử dụng Fuzzy quan hệ xếp gộp T(Mammal, platypus) = x and T(oviparous, platypus) = y, trong đó x, y là hai giá trị tùy ý nào đó, do đó, ta hoàn toàn có thể định nghĩa quan hệ “là một phần” để có thể đặc tả tốt hơn tri thức của Ontology.

Dĩ nhiên, vì các tập mờ là sự mở rộng của tập boolean truyền thống với hai giá trị true (1) và false (0), ta vẫn có thể định nghĩa các khái niệm, quan hệ chính xác (non-fuzzy) bằng cách chỉ sử dụng các giá trị trong tập {0, 1}.

2.     Những lợi thế của Fuzzy Ontology

Nhiều vấn đề phát sinh từ việc sử dụng Ontology. Bao  gồm cả những khó khăn liên quan đến giao tiếp giữa các Ontology và sự cần thiết phải duy trì số lượng lớn các Ontology. Các fuzzy Ontology được đề nghị sử dụng để tạo ra một chuẩn chung, hoặc Ontology cơ bản đồng nhất, với các giá trị thành viên khác nhau liên kết với các nhóm và người dùng khác nhau. Cần lưu ý rằng bởi vì các phương pháp học tập có liên quan hâu hết là kiểu quan hệ “is-a” đang được sử dụng nhiều dựa trên hệ thống phân cấp MeSH hện có. Điều này là do không có sự khác biệt giữa việc học tập của các loại hình quan hệ khác nhau.

Một ưu điểm khác của phương pháp này là tính toàn diện. Thay vì áp đặt một tiêu chuẩn tùy ý về tầm quan trọng của một vùng đặc biệt nào đó trong Ontology, đây thực sự cần thiết trong một Ontology rõ nét (crisp Ontology) để tránh có quá nhiều ví dụ về một mục xuất hiện trong Ontology, mục hay đối tượng có thể được đặt tại tất cả các vùng có liên quan.

Quan trọng nhất để tìm kiếm các quy trình, việc sử dụng một fuzzy Ontology cho việc ánh xạ các mục tìm kiếm cho thấy trọng số tương đối của từng mục trong đầu phải được tính toán. Bằng cách cho phép các trọng số đó được tính toán chính xác, nó  đã loại bỏ được sự thiên vị trong liên kết với nhiều mục khác nhau đang được sử dụng trong quá trình tìm kiếm. Nếu một mục được đặt tại nhiều vùng khác nhau trong một Ontology rõ nét và được sử dụng cho mục đích mở rộng truy vấn thì sự nguy hiểm là sẽ có số lượng khá lớn các mục mở rộng có giá trị không liên quan nhiều hơn những giá trị có liên quan.

Đặc biệt, việc sử dụng một phương pháp tiếp cận fuzzy Ontology cho phép biểu diễn các mối liên hệ thuận tiện hơn và chính xác hơn theo một cái nhìn cụ thể mà không bị mất tính tương đồng so với các quan điểm khác; ontology framework phát triển gân như nhau, chỉ có các giá trị thành viên là khác nhau.

Cuối cùng, phương pháp tiếp cận này đưa ra khả năng các biểu diễn của một Ontology rất lớn chó thể được nén lại. Nếu có những khu vực quan hệ không cần thiết, ta có thể chỉnh thiết lập về 0. Những cấp trung gian không mong muốn cũng có thể được gỡ bỏ, với các mục cấp thấp chỉ giao tiếp trực tiếp với các cấp cao hơn. Cách làm này loại bỏ việc tạo ra các nhóm giả tạo để tránh những mục chỉ đứng một mình. Theo một gới hạn fuzzy Ontology, với các giá trị thành viên thiết lập để 0 hoặc 1, sẽ có từng mục hoặc đối tượng chỉ có một mối quan hệ. Nếu mỗi mục chỉ có một mối quan hệ thì một cấu trúc B-tree là hoàn toàn có thể biểu diễn được với mỗi mục chỉ liên quan đến các mục cha của nó, tuy nhiên, sự sắp xếp này gọi là một hệ thống cấp bậc thì đúng hơn. Bảng sau tóm tắt một số khác biệt giữa Ontology rõ nét và Ontology mờ :

Aspect

Fuzzy Ontology

Crisp Ontology

Multiple-Located terms

Does not occur

Issue for disambiguation

Query expansion

Depends on membership value

Requires new Ontology and/or Ontology sharing

Customisation

Simple, based on modifiacation membership values

Requires new ontology and/or ontology sharing

Storage required

Depends on the number of term in the Ontology and the membership values of the relations, can be smaller or larger than crisp

Depends on number of terms in the Ontology

Knowledge representation

Related to use

Related to structure

 

Bảng. Phân biệt sự khác nhau giữa Fuzzy Ontology và Crisp Ontology

3.     Cơ sở tri thức trong Ontology mờ

Ontology mờ được xem như là một cơ sở tri thức trên một miền nào đó, trong đó các khái niệm, phương thức được định nghĩa như là những tập mờ. Trong Ontology mờ, các khái niệm và phương thức được gán cho một độ thuộc

Cơ sở tri thức của một Ontology mở bao  gồm hai thành phần TBox mờ và Abox mờ. Một TBox mờ bao gồm định nghĩa về các khái niệm, tiên đề và các quan hệ gộp mờ giữa các khái niệm và phương thức đó.

Cho C, D là các khái niệm, R, S là các phương thức. Một TBox mờ bao gồm các khái niệm mờ và phương thức mờ, khái niệm C (hoặc phương thức R) có thể có một độ thuộc n  Một tiên đề mờ có dạng , hoặc là . Một dienx giải I thỏa mãn quan hệ gộp ,() khi và chỉ khi , (tương tự ). Điều này cũng đúng cho các khái niệm và quan hệ tương đương.

Trong TBox mờ, chúng ta có thể có các khái niệm mờ hoặc các khái niệm chính xác. Cần chú ý rằng, các khái niệm chính xác là các khái niệm đặc biejt của khái niệm mờ (khi độ thuộc  và khái niệm nguyên thủy là một khái niệm chính xác. Một cách cơ bản, khái niệm mở được định nghĩa như là một thuộc tính mờ hoặc là số giới hạn mờ.

Liên quan đến số lượng giới hạn độ thuộc của một cá thể bắt nguồn từ số lượng giới hạn. Tham số n được sử dụng như là số Lượng giới hạn (, trong đó n là một con số mờ (ví dụ ). Số Lượng giới hạn mờ có thể được định nghiax một cách chính xác như sau :

N có thể là một số nguyên chính xác hoặc có thể là một số mờ ví dụ như (khoảng 20) chúng ta có thể định nghĩa một cách tường minh quan hê nhị phân của toán từ  và toán tử  như sau :

Hàm  (tương tự ) cho ra kết quả là một giá trị nằm trong đoạn [0,1] có ý ngĩa rằng : Giá trị mờ của n lớn hơn hoặc bằng giá trị mờ của m.

Một Abox mờ chứa khẳng định có dạng . Các khẳng định này có nghĩa : các thể a là một trường hợp của khái niệm A đến mức độ n. (tương tự một quan hệ mờ R). Sự đúng đắn đó được gọi là “độ thỏa mãn” của khẳng định a:A (tương tự (a,b):R) trong cơ sở tri thức. Một diễn giải I thỏa mãn một khẳng định mờ (tương tự <(a,b):R n>) khi chỉ khi 

ai nang cao uit Fuzzy Ontology Ontology Mờ tri tue nhan tao do an ai nang cao