Пошук релевантних прецедентів на основі адаптивних онтологій
У цій статті розглядається загальний підхід до функціонування інтелектуальних систем підтримки прийняття рішень на основі адаптивних онтологій, які використовують прецеденти. Розроблено математичний апарат для таких систем, який апробовано у задачі діагностування ревматологічних захворювань. В стать...
Збережено в:
| Опубліковано в: : | Штучний інтелект |
|---|---|
| Дата: | 2011 |
| Автори: | , , , , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/58840 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Пошук релевантних прецедентів на основі адаптивних онтологій / В.В. Литвин, Р.Р. Даревич, Д.Г. Досин, А.С. Мельник, А.О. Мазур // Штучний інтелект. — 2011. — № 2. — С. 35-44. — Бібліогр.: 9 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859789121319337984 |
|---|---|
| author | Литвин, В.В. Даревич, Р.Р. Досин, Д.Г. Мельник, А.С. Мазур, А.О. |
| author_facet | Литвин, В.В. Даревич, Р.Р. Досин, Д.Г. Мельник, А.С. Мазур, А.О. |
| citation_txt | Пошук релевантних прецедентів на основі адаптивних онтологій / В.В. Литвин, Р.Р. Даревич, Д.Г. Досин, А.С. Мельник, А.О. Мазур // Штучний інтелект. — 2011. — № 2. — С. 35-44. — Бібліогр.: 9 назв. — укр. |
| collection | DSpace DC |
| container_title | Штучний інтелект |
| description | У цій статті розглядається загальний підхід до функціонування інтелектуальних систем підтримки прийняття рішень на основі адаптивних онтологій, які використовують прецеденти. Розроблено математичний апарат для таких систем, який апробовано у задачі діагностування ревматологічних захворювань.
В статье рассматривается общий подход к функционированию интеллектуальных систем поддержки принятия решений, базирующихся на адаптивных онтологиях, использующие прецеденты. Разработан математический аппарат для таких систем, апробирован в задаче диагностирования ревматологических заболеваний.
In this article the general approach to the functioning of intelligent decision support systems based on adaptive ontologies using precedents is described. A mathematical formalism for such systems was tested in the task of diagnosing rheumatologic diseases.
|
| first_indexed | 2025-12-02T11:17:42Z |
| format | Article |
| fulltext |
«Штучний інтелект» 2’2011 35
1Л
УДК 004.89
В.В. Литвин, Р.Р. Даревич, Д.Г. Досин, А.С. Мельник, А.О. Мазур
Національний університет «Львівська політехніка», м. Львів, Україна
Фізико-механічний інститут ім. Г.В. Карпенка НАН України, м. Львів, Україна
vasyll@ukr.net, darevych@ipm.lviv.ua, dmytro.dosyn@gmail.com, ania@ipm.lviv.ua
Пошук релевантних прецедентів
на основі адаптивних онтологій
У цій статті розглядається загальний підхід до функціонування інтелектуальних систем підтримки прийняття
рішень на основі адаптивних онтологій, які використовують прецеденти. Розроблено математичний апарат
для таких систем, який апробовано у задачі діагностування ревматологічних захворювань.
Вступ. Постановка проблеми у загальному вигляді
Технологія інтелектуальних систем підтримки прийняття рішень (ІСППР) є одним
із найрозвинутіших напрямків штучного інтелекту. Дослідження у цій галузі полягають
у розробці автоматизованих інформаційних систем, які застосовуються у тих сферах
діяльності людини, які вимагають логічного міркування, певної майстерності та досвіду.
Cучасний рівень розвитку ІСППР відбувається у двох напрямках розроблення ін-
телектуальних агентів (ІА) [1]:
ІА, засновані на прецедентах (англійською – Case-Based Reasoning, або CBR);
ІА планування діяльності (пошук у просторі станів).
Практично всі ранні ІСППР моделювали хід ухвалення рішення експертом як де-
дуктивний процес з використанням логічного виведення, заснованого на правилах. Проте
з часом було усвідомлено, що дедуктивна модель моделює один з найбільш рідкісних
підходів, який використовує експерт під час вирішення проблеми. Існує багато слабо-
формалізованих завдань, для яких, можливо, будуть знайдені рішення. Крім того, існує
ряд завдань, для яких ніколи не буде знайдено формального рішення (судочинство, меди-
цина). Актуальність проблеми обумовлена і чисельністю таких завдань і практичною по-
требою знайти хоча б одне яке-небудь відповідне рішення там, де через відсутність
строгого формалізованого методу не можна знайти всі або найоптимальніші рішення.
Насправді, замість того, щоб вирішувати кожну задачу, виходячи з первинних
принципів, експерт часто аналізує ситуацію в цілому і згадує, які рішення ухвалювалися
раніше в подібних ситуаціях. Потім він або безпосередньо використовує ці рішення,
або, за необхідності, адаптує їх до обставин, що змінилися для конкретної проблеми.
Моделювання такого підходу до вирішення проблем, заснованого на досвіді мину-
лих ситуацій, привело до появи технології логічного виведення, заснованого на преце-
дентах, і надалі – до створення програмних продуктів, що реалізовують цю технологію.
Метод виведення за прецедентами ефективний, коли основним джерелом знань про
задачу є досвід, а не теорія; рішення не є унікальними для конкретної ситуації, а можуть
бути використані в інших випадках; метою розв’язування задачі є отримати не гаранто-
ваний правильний розв’язок, а кращий з можливих. Виведення, засноване на прецеден-
тах, є методом побудови ІСППР, які приймають рішення щодо даної проблеми або
Литвин В.В., Даревич Р.Р., Досин Д.Г. та ін.
«Искусственный интеллект» 2’2011 36
1Л
ситуації за наслідками пошуку аналогій, що зберігаються в базі прецедентів [2]. Такий
прецедент називають релевантним. З математичної точки зору серед елементів мно-
жини прецедентів Pr = {Pr1, Pr2,…, PrN} релевантним Prk є прецедент, для якого відстань
до поточної ситуації S є найменшою, тобто
Pr arg min (Pr , )k i
i
d S .
Задачу пошуку релевантних прецедентів можна вважати задачею класифікації,
де класами є прецеденти. А поточну ситуацію необхідно віднести до певного класу.
Аналіз останніх досліджень та публікацій
Виведення на основі прецедентів – це метод прийняття рішень, в якому вико-
ристовуються знання про попередні ситуації або випадки (прецеденти). Під час роз-
гляду нової проблеми (поточного випадку) відшукується схожий прецедент як аналог.
Прецедент – це опис проблеми або ситуації в сукупності з докладним вказанням дій, що
виконуються в певній ситуації або для вирішення певної проблеми. Опис проблеми по-
винен містити всю інформацію, необхідну для досягнення мети виведення (вибору най-
більш відповідного рішення). Наприклад, якщо мета полягає в діагностиці захворювань,
то описова інформація повинна містити симптоми хворого, результати лабораторних
досліджень.
Після того, як прецеденти знайдені, треба вибрати «найбільш відповідний» з них.
Це визначається порівнянням ознак поточного випадку і вибраних прецедентів. Визна-
чення методу, на якому ґрунтуватиметься знаходження міри схожості прецедентів, ви-
рішується під час створення системи її розробниками. Найбільш популярним і часто
використовуваним є метод «найближчого сусіда» (nearest neighbour). У його основі ле-
жить той чи інший спосіб вимірювання ступеня близькості прецедента і поточного ви-
падку за кожною ознакою (чи це текстова, числова або булева), яку користувач визнає
корисною для досягнення мети.
Кажучи строгіше, вводиться метрика на просторі всіх ознак. У цьому просторі ви-
значається точка, відповідна поточному випадку, і в рамках цієї метрики знаходиться
найближча до неї точка серед точок, що відображають прецеденти. Зазвичай прогноз
робиться на основі декількох найближчих точок, а не одної (K-nearest neighbours). Такий
метод стійкіший, оскільки дозволяє згладити окремі випадки, випадковий шум, який
завжди присутній в даних.
Кожній ознаці призначають вагу, що враховує її відносну цінність. Повністю
ступінь близькості прецеденту за всіма ознаками можна обчислити, використовуючи
узагальнену формулу вигляду:
,k ki kj
k
w sim x x , 1k
k
w ,
де wk – вага k-ї ознаки, sim – функція подібності (метрика), xki і xkj – значення ознаки
xk для поточного випадку і та j-го прецеденту, відповідно. Після обчислення ступенів
близькості всі прецеденти ранґуються.
Вибір метрики (або міри близькості) вважається центральним моментом, від якого
вирішальним чином залежить пошук релевантних прецедентів. У кожній конкретній за-
дачі цей вибір відбувається по-своєму, з урахуванням головних цілей дослідження,
фізичної і статистичної природи використовуваної інформації тощо. Як методи роз-
в’язання таких задач використовуються алгоритми типу Lazy-Learning [3], зокрема
відомі алгоритми найближчого сусіда і k-ближніх сусідів, нейронні мережі, генетичні
алгоритми, байєсівські мережі [4], дерева рішень [5].
Пошук релевантних прецедентів на основі адаптивних онтологій
«Штучний інтелект» 2’2011 37
1Л
Основним недоліком нейромережної парадигми є необхідність мати дуже ве-
ликий об’єм навчальної вибірки. Інший істотний недолік полягає в тому, що навіть
натремована нейронна мережа є чорним ящиком. Знання, зафіксовані як ваги декель-
кох сотень міжнейронних зв’язків, абсолютно не піддаються аналізу й інтерпретації
людиною, а відомі спроби дати інтерпретацію структурі налаштованої нейромережі
виглядають непереконливими.
Популярність дерев рішень пов’язана з наочністю і зрозумілістю. Але для них
дуже гостро стоїть проблема значущості. Річ у тому, що окремим вузлам на кожному
новому побудованому рівні дерева відповідає все менша і менша кількість записів да-
них – дерево дробить дані на велику кількість окремих випадків. Чим їх більше, тим
менше навчальних прикладів потрапляє в кожний такий окремий випадок, тим менш
правильною буде їх класифікація. Якщо побудоване дерево дуже «кущисте» – скла-
дається з невиправдано великої кількості дрібних гілочок, – воно не даватиме статистично
обґрунтованих відповідей. Як показує практика, в більшості систем, що використовують
дерева рішень, ця проблема не знаходить задовільного рішення. Крім того, загально-
відомо, і це легко показати, що дерева рішень дають корисні результати тільки у разі
незалежних ознак. Інакше вони лише створюють ілюзію логічного виведення.
Генетичні алгоритми теж мають ряд недоліків. Критерій відбору хромосом і ви-
користовувані процедури є евристичними і далеко не ґарантують знаходження «кра-
щого» рішення. Як і в реальному житті, еволюцію може «заклинити» на якій-небудь
непродуктивній гілці. І, навпаки, можна навести приклади, як двоє неперспективних
батьків, які будуть виключені з еволюції генетичним алгоритмом, виявляються здат-
ними породити високоефективного нащадка. Це особливо стає помітним при вирішен-
ні високорозмірних завдань зі складними внутрішніми зв’язками. Сама постановка
завдання в термінах генетичних алгоритмів не дає можливості проаналізувати стати-
стичну значущість отримуваного за їх допомогою рішення. Крім того, ефективно сфор-
мулювати завдання, визначити критерій відбору хромосом під силу тільки фахівцеві.
Через ці чинники сьогодні генетичні алгоритми треба розглядати швидше як інструмент
наукового дослідження, ніж як засіб аналізу даних для практичного застосування.
На нашу думку, позбутися ряд у вищенаведених недоліків дозволяють онтології
предметної області та онтології задач.
Формування цілей. Розробити підхід для оцінювання релевантності прецедентів
на основі онтологій. Побудувати метрику для здійснення такої оцінки. Апробувати цю
метрику під час функціонування прикладної ІСППР.
Поняття адаптивної онтології
Формально онтологія складається з термінів (понять, концептів), організованих в та-
ксономію, їх визначень і атрибутів, а також пов’язаних з ними аксіом і правил виведення.
Тому під моделлю онтології О розуміють трійку вигляду:
, ,O C R F ,
де С – поняття, R – відношення між поняттями, F – інтерпретація понять та відношень
(аксіоми). Аксіоми встановлюють семантичні обмеження для системи понять та відно-
шень.
Для того, щоб можна було на онтологіях будувати метрику, нами запропоновано
розширити цю модель за рахунок введення двох скалярних величин – ваги важливості
понять та зв’язків [6], [7]. Коефіцієнт важливості поняття (зв’язку) – це чисельна міра,
котра характеризує значущість певного поняття (зв’язку) у конкретній предметній
області і динамічно змінюється за певними правилами у процесі експлуатації системи.
Литвин В.В., Даревич Р.Р., Досин Д.Г. та ін.
«Искусственный интеллект» 2’2011 38
1Л
Отже,
, , , ,O C R F W L ,
де W – важливість понять C, L – важливість відношень R.
Визначену таким чином онтологію будемо називати адаптивною, тобто такою, що
адаптується до предметної області (ПО) за рахунок модифікації понять та коефіцієнтів
важливості цих понять і зв’язків між ними. Така онтологія однозначно представляється
у вигляді зваженого концептуального графа (КГ) [8].
Побудова метрики для прецедентів у просторі ознак
Очевидно, що залежно від прецеденту ваги понять різні. Тобто насправді W –
вектор вимірності кількості прецедентів W = (W1,W2,…,WN). Надалі будемо розглядати
лише один прецедент, тобто нижній індекс у вазі понять опускатимемо.
Побудуємо метрику для пошуку релевантних прецедентів на основі адаптивних
онтологій. Нехай множина прецедентів Pr = {Pr1,Pr2,…,PrN} описується характеристи-
ками (властивостями) Х={x1,x2,…,xM}. Di – домен властивості xi,
li
w – коефіцієнт важли-
вості властивості
li
x прецедента Pri. Значення властивості xi позначатимемо i iz z x .
Отже,
1 1 2 2
Pr , ,...,
k ki i i i i i i iX x z x z x z , де j ji iz D .
Позначимо
iI – множину індексів властивостей прецедента Pri. Тоді відстань між
прецедентом Pri та поточною ситуацією S визначається як:
,
l l
l i
S
i i i
i I
d z z
,
(1)
де
li
z – значення властивості
li
x прецедента Pri, j
S
iz – значення властивості
li
x
поточної ситуації S, iI – множина індексів важливих властивостей прецедента Pri,
1 2 ...
ii i i iNI I I I ,
iN – кількість властивостей, які необхідно розглянути, щоб
прийняти рішення стосовно прецедента Pri. Тобто
1 1 1 arg max
l
l i
i s s i
i I
I i i w
, 1
2 2 2
/
argmax
l
l i s
i s s i
i I i
I i i w
, 1 2
3 3 3
/ /
arg max
l
l i s s
i s s i
i I i i
I i i w
,…
Розглянемо функцію , . Очевидно, що може бути діапазоном, тобто
нечіткою підмножиною D , де D – універсальна множина; числовим значенням або
нечисловим значенням. Залежно від цього , визначається по своєму, а саме:
1 , нечітка множина,
, , , числові значення,
1 , , , нечислові значення,
(2)
де – коефіцієнт впевненості того, що належить нечіткій підмножині ; –
числова величина, яка залежить від ПО, щоб добуток 0,1 (розмірність вели-
чини обернено-пропорційна до розмірності величин та , тобто, якщо та є
маса і вимірюється в кг, то вимірюється в кг-1); , 0,1 – нечітка величина по-
дібності значень та . Наприклад , 1 , якщо , , 0,9 , якщо ,
, 0 , якщо .
Пошук релевантних прецедентів на основі адаптивних онтологій
«Штучний інтелект» 2’2011 39
1Л
Тепер постає задача – як визначити ваги понять та відношень. Для цього нами
пропонується використовувати методи інтелектуального аналізу даних (ІАД), наведені
вище в аналізі останніх досліджень, наприклад дерева рішень. Нами пропонується вико-
ристовувати методи ІАД для визначення ваг деякої підмножини понять. Такі ваги
називатимемо базовими. Потім на основі онтології ПО розвинути отримані ваги на всю
онтологію. Цю процедуру здійснити для кожного прецедента. Тоді для пошуку реле-
вантного прецедента використовувати значення тих
iN понять, які для відповідного
прецедента мають найбільші ваги. Що стосується ваг важливості відношень, то нами
пропонується задати їх такими, як це наведено у табл. 1. Групи відношень взяті із [9].
Вважаємо, що вага вертикальних зв’язків (ієрархія, агрегація) рівна 1,2 (чим конкрет-
ніше, тим краще). Квантатативні відношення не розглядаються, оскільки синонімія та
королювання ніяк не впливають на значення ознак. Відразу вважається, що це одна і та
ж ознака.
Таблиця 1 – Ваги важливості відношень
Група відношень Відношення Значення ваг
важливості L
Ієрархія Рідвид 1,2
Ознаказначення ознаки 1,2
Інваріантваріант 1,2
Агрегація Цілечастина 1,2
Об’єктпростір реалізації
(локалізації) об’єкта
1,2
Об’єктвластивість/ознака 1,2
рівеньодиниця рівня 1,2
Функціональні Об’єкт діїдіясуб’єкт ді
ї
1
причинанаслідок 0,9
умовадія 0,9
явищедія 0,9
стандія 0,9
явищестан 0,9
інструментдія 0,9
данідія 0,9
данівеличини 0,9
Семіотичні Термінспосіб вираження 0,2
Термінспосіб подання 0,2
Термінметазнак терміну 0,2
Отже, нами пропонується загальний підхід для знаходження релевантних пре-
цедентів, який складається із 3 кроків:
Задати базові ваги важливості понять на основі ІАД.
Розповсюдити ці ваги на всю онтологію.
Використовуючи (1) – (2), визначити релевантні прецеденти.
Розглянемо перші два кроки детальніше. Нехай для розв’язування задачі класи-
фікації нами побудовано дерево рішень (ДР). Вершини (ознаки) цієї гілки знаходять-
ся на k рівнях. Очевидно, що чим вищий рівень, тим більш значуща ознака, яка на
цьому рівні знаходиться. Ця евристична думка має бути відображена в значеннях ваг
Литвин В.В., Даревич Р.Р., Досин Д.Г. та ін.
«Искусственный интеллект» 2’2011 40
1Л
цих ознак. Крім того, пропонується ці ваги нормувати, тобто щоб їх сума для кож-
ного прецедента (гілки) була рівна 1.
Розглянемо два способи визначення ваг базових ознак, які задовольняють вище–
описані два припущення.
1. Арифметичний спосіб. Визначаються як відношення різниці (k+1) рівня дерева
та рівня, на якому знаходиться ознака до суми всіх рівнів гілки, тобто базуються на сумі
арифметичної прогресії:
1
1 1
1
2
i k
j
k i k i
w
k k
j
.
2. Геометричний спосіб. Базуються на сумі геометричної прогресії. Ваги
понять, які лежать на і-му рівні ДР, визначаються таким чином:
2
2 1
k i
i k
w
.
Отриману множину базових ваг позначимо BW . Тепер необхідно їх розвинути
на всю онтологію ПО, використовуючи таксономію понять онтології, відношення
між поняттями та їх інтерпретацію. Математично (формально) цей процес запишемо
у вигляді:
O
BW W . (3)
Для ознак, які беруть участь у ДР, до ваг важливості понять відповідного пре-
цедента додаємо вагу, отриману на основі ДР. Потім розглядаємо функціональні та
семіотичні зв’язки, якщо вони визначені в онтології. Квалітативні функціональні відно-
шення діляться на симетричні SR (деяка підмножина горизонтальних зв’язків) та неси-
метричні NR (вертикальні зв’язки, інша підмножина горизонтальних зв’язків). Те, що
елементи містять між собою симетричний зв’язок, позначатимемо подвійною стрілкою
i jC C , несиметричний – одинарною від області визначення в множину значень
i jC C .
Очевидно, що елементи, які беруть участь у симетричних зв’язках, є рівносильними.
Тому ваги L симетричних відношень рівні одиниці. Таким симетричним зв’язком є
«Об’єкт діїдіясуб’єкт дії», який належить до групи функціональних зв’язків. Всі інші
функціональні зв’язки є близькими до симетричних, тому їх ваги рівні 0,9. Отже, якщо
відома вага
iW терміну
iC і цей термін має симетричний зв’язок із терміном jC , вага
якого невідома, то j iW L W . Для несиметричних зв’язків i jC C отримаємо аналогічне
співвідношення
j iW L W , (4)
якщо відомо вагу iC , і
j
i
W
W
L
, (5)
якщо відомо вагу jC . Семіотичні відношення мають вагу 0,2.
ІСППР діагностування ревматологічних захворювань
Розглянемо приклад функціонування ІСППР у галузі медицини, а саме ревма-
тології. Як прецеденти нами було розглянуто сім захворювань: Pr = {‘Ревматоїдний
Пошук релевантних прецедентів на основі адаптивних онтологій
«Штучний інтелект» 2’2011 41
1Л
артрит (РА)’, ‘Деформуючий остеоартроз (ДО)’, ‘Системний червоний вовчак (СЧВ)’,
‘Анкілозуючий спондиліт (АС)’, ‘Гостра ревматична лихоманка (ГРЛ)’, ‘Подагричний
артрит (ПА)’, ‘Системна склеродермія (СС)’}. Нами виділено 27 ознак, які впливають
на ці захворювання. Наведемо деякі з них: X = {Симетричний поліартрит дрібних
суглобів кистей рук, Звуження суглобової щілини, Остеофіти, Біль у суглобах при
фізичному навантаженні, Феномен Рейно, Експресія HLA-D27 антигену, Виявлення LE-
клітини у крові}. Очевидно, що не всі ознаки присутні в окремо взятому захворюванні.
Тому залежно від прецеденту важливість цих ознак різна. Саме таку вагу важливості
нам необхідно визначити, щоб для діагнозу використати формулу (1). Детальніше до-
мени ознак розглянемо, коли визначатимемо вагу їх важливості.
Використовуючи різні ревматологічні довідники, ми побудували онтологію
ревматології. В онтології відображено взаємозв’язок між ознаками, їх вплив на захво-
рювання залежно від значення ознаки. Використовуючи цю онтологію, визначимо вагу
важливості цих ознак залежно від захворювання. Насамперед обчислимо початкові
вагові коефіцієнти. Для цього побудуємо дерево рішень (ДР) на основі архіву даних
про захворювання колишніх пацієнтів. Отримане ДР наведено на рис. 1. Щоб спро-
стити виклад, присвоїмо кожній ознаці індекс, який відповідає її коду в базі даних.
На рис. 2 наведено структуру БД, деякі дані беруться із онтології та дерева рішень.
Для задання ваг базових ознак прецедентів скористаємось арифметичним способом
їх визначення. Для РА отримаємо такі значення:
0
12
1
2
W
,
0
1
1
3
W
,
0
7
1
6
W
. Верхній
індекс (0) вказує, що ваги є початковими. До уваги беруться лише ознаки, які є
наявними у цьому захворюванні. Тому, наприклад для АС, глибина ДР рівна двом і
ми отримуємо початкові ваги лише для ознак «Біль у суглобах в спокої» (код в БД 14)
та «Сакроілеїт» (код – 5). Їх ваги для АС будуть
0
14
2
3
W та
0
5
1
3
W . Для ПА та СС
взагалі лише одна базова ознака. Так для ПА – це «Тонуси» (код – 27), а для СС –
«Феномен Рейно» (код – 17). Початкові ваги цих ознак для відповідних прецедентів
рівні одиниці.
Рисунок 1 – Дерево рішень, отримане на основі аналізу даних ревматологічних
захворювань
Розглянемо процес розвинення ваг базових ознак на всю онтологію ревматології,
використовуючи (4) та (5). Для цього проаналізуємо нашу онтологію. Онтологія реалі-
зована в редакторі Protégé-OWL_4.1. На верхньому рівні ієрархії онтології знаходяться
ознаки та прецеденти (рис. 3 а, б). Ієрархію відношень представимо у вигляді, розгля–
нутому в 3-му розділі. Отже, в онтології ревматології існує 6 типів відношень (рис. 3 а).
Перші два типи (ієрархія, агрегація), як правило, задаються у вигляді ієрархії понять,
однак можливі випадки, що існуватиме множинне наслідування, або деяке поняття буде
Литвин В.В., Даревич Р.Р., Досин Д.Г. та ін.
«Искусственный интеллект» 2’2011 42
1Л
складовим кількох інших понять. Тоді ці відношення необхідно визначити в закладці
Object Properties.
Рисунок 2 – Структура бази даних ІСППР діагностування
ревматологічних захворювань
а)
б)
Рисунок 3 – Ієрархія понять онтології ревматології
Однак основними для перерахунку ваг важливості понять онтології є функціональні
та кореляційні відношення. Окремі з них наведено на рис. 4 а) – в). В обидвох відношеннях
доменом є ознака «Ерозивний артрит» (ключ 6 в БД). Множиною значень у першому ви-
падку є «Ранкова скутість у суглобах» (ключ 12 в БД) та «Довколосуглобовий остеопороз»
(ключ 7 в БД). Обидва відношення є функціональні, транзитивні та симетричні.
а) б) в)
Рисунок 4 – Види відношень онтології ревматології
Пошук релевантних прецедентів на основі адаптивних онтологій
«Штучний інтелект» 2’2011 43
1Л
Перерахувавши ваги важливості понять згідно з формулами (4) – (5) отримаємо
такі ознаки для різних захворювань, які необхідно використати під час обчислення
відстаней за формулою (1) (табл. 2). Ми взяли не більше як три ознаки для кожного
прецедента. У випадку, якщо вага 2-го або 3-го поняття була менша за 0,5, то відповідно
до розгляду бралась одна або дві ознаки (так як у випадку ПА та СС). Окрім того,
використання такої властивості, як Disjoint (тобто заперечення) в онтології ревматології
привело до того, що відсутність ознаки також має значну вагу (такий результат ми
отримали у випадку ГРЛ, коли відсутній «Ерозивний артрит»).
Таблиця 2 – Залежність захворювань від ознак
Прецедент Ознака 1 Ознака 2 Ознака 3
Ревматоїдний
артрит (РА)
Поліартрит
суглобів кистей
рук
Ерозивний артрит Довколосуглобовий
остеопороз
Деформуючий
остеоартроз (ДО)
Остеофіти Субкортикальні
кісти без ерозій
Біль у суглобах
при фізичному
навантаженні
Системний
червоний вовчак
(СЧВ)
Біль у суглобах
у спокої
Антитіла до
двоспіральної ДНК
у сироватці крові
Поліартрит
суглобів кистей рук
Анкілозуючий
спондиліт (АС)
Сакроілеїт Біль у суглобах
у спокої
Експресія HLA-
D27 антигену
Гостра
ревматична
лихоманка (ГРЛ)
Моно-олігоартрит
великих суглобів
Мігруючий
характер артриту
Ерозивний артрит
(відсутність)
Подагричний
артрит (ПА)
Тофуси Сечова кислота
Системна
склеродермія (СС)
Феномен Рейно
Аналіз табл. 2 порівняно з ДР, яке наведене на рис. 1, показує, що для ПА та СС
ознаки практично не змінились. Для інших захворювань помінялись в одній або двох
позиціях. Перевірка реальних захворювань показала, що використання ДР правильно
класифікує захворювання в 64% випадках, а класифікація отримана згідно з онтологією
ревматології в 79% випадках.
Висновки
Розроблено математичну модель функціонування інтелектуальних систем під-
тримки прийняття рішень на основі адаптивних онтологій для пошуку релевантних
прецедентів. Ця модель базується на метриці. Для побудови такої метрики використано
адаптивну онтологію. З цією метою у загальноприйнятий триелементний кортеж, який
задає онтологію (множина понять, відношень та їх інтерпретація), нами додано дві ска-
лярні величини (важливість понять та відношень), які використовуються для обчислення
необхідних відстаней. Розглянуто способи задання початкових коефіцієнтів важливості
понять та зв’язків на основі інтелектуального аналізу даних та їх розповсюдження на всю
онтологію. Розроблено загальний підхід функціонування ІСППР, які використовують
розроблену модель, який складається із трьох кроків. Розглянуто приклад функціону-
вання такої системи для діагностики ревматологічних захворювань. Отримані результати
показують ефективність розробленої моделі порівняно з деревами рішень.
Литвин В.В., Даревич Р.Р., Досин Д.Г. та ін.
«Искусственный интеллект» 2’2011 44
1Л
Література
1. Каменнова М.С. Корпоративные информационные системы: технологии и решения / М.С. Каменнова //
Системы Управления Базами Данных. – 1995. – № 3. – С. 88-99.
2. Funk P. Advances in Case-Based Reasoning / P. Funk, P.A. González-Calero // 7th European Conference,
ECCBR 2004. – Madrid, Spain. – P. 375-380.
3. Wettschereck D. A Review and Empirical Evaluation of Feature Weighting Methods for a Class of Lazy
Learning Algorithms / D. Wettschereck D. Aha, T. Mohri // Artificial Intelligence Review. – № 11. – P. 273-
314.
4. Рассел С. Искусственный интеллект / С. Рассел, П. Норвиг. – М. ; С.-П. ; К. : Вильямс, 2006. – 1408 с.
5. Цветков А.М. Разработка алгоритмов индуктивного вывода с использованием деревьев решений /
А.М. Цветков // Кибернетика и системный анализ. – № 1. – 1993. – С. 174-178.
6. Інтелектуальні системи, базовані на онтологіях / Д.Г. Досин, В.В. Литвин, Ю.В. Нікольський,
В.В. Пасічник. – Львів : Цивілізація, 2009. – 414 с.
7. Даревич Р. Р. Підвищення ефективності інтелектуального аналізу тексту шляхом зважування понять в
моделі онтології / Д.Г. Досин, В.В. Литвин, З.Т. Назарчук // Искуственный интеллект. –2006. – № 3. –
С. 500-509.
8. Sowa J. Conceptual graphs for a database interface / J. Sowa // IBM Journal of Research and Development. –
1976. – Vol. 20, № 4. – Р. 336-357.
9. Найханова Л.В. Технология создания методов автоматического построения онтологий с применением
генетического и автоматного программирования / Л.В. Найханова. – Улан-Удэ : Издательство БНЦ
СО РАН, 2008. – 244 c.
Literatura
1. Kamennova M.S. Database Management Systems. № 3. 1995. P. 88-99.
2. Funk P. 7th European Conference, ECCBR. Madrid. 2004. P. 375-380.
3. Wettschereck D. Artificial Intelligence Review. № 11.P. 273-314.
4. Russell S. Moscow-S.-Ptb.: Williams. 2006. 1408 p.
5. Tsvetkov A.M. Cybernetics and System Analysis. № 1. 1993. P. 174-178.
6. Dosin D.G. Lviv: Tsivіlіzatsіya. 2009. 414 p.
7. Dosin D.G. Artificial Intelligence. ІPAІ “Nauka i Osvita” 2006.Issue. 3. P. 500-509.
8. Sowa J. IBM Journal of Research and Development. Vol. 20. № 4. 1976. P. 336-357.
9. Naykhanova L.V. Ulan-Ude: BSC SB RAS Publisher. 2008. 244c.
В.В. Литвын, Р.Р. Даревыч, Д.Г. Досын, А.С. Мельнык, А.О. Мазур
Поиск релевантных прецедентов на основе адаптивных онтологий
В статье рассматривается общий подход к функционированию интеллектуальных систем поддержки
принятия решений, базирующихся на адаптивных онтологиях, использующие прецеденты. Разработан
математический аппарат для таких систем, апробирован в задаче диагностирования ревматологических
заболеваний.
V.V. Lytvyn, R.R. Darevych, D.G. Dosyn, A.S. Melnyk, A.A. Mazur
Searching for Relevant Precedent Based on Adaptive Ontology
In this article the general approach to the functioning of intelligent decision support systems based on
adaptive ontologies using precedents is described. A mathematical formalism for such systems was tested in
the task of diagnosing rheumatologic diseases.
Стаття надійшла до редакції 07.04.2011.
|
| id | nasplib_isofts_kiev_ua-123456789-58840 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Ukrainian |
| last_indexed | 2025-12-02T11:17:42Z |
| publishDate | 2011 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Литвин, В.В. Даревич, Р.Р. Досин, Д.Г. Мельник, А.С. Мазур, А.О. 2014-03-31T12:19:02Z 2014-03-31T12:19:02Z 2011 Пошук релевантних прецедентів на основі адаптивних онтологій / В.В. Литвин, Р.Р. Даревич, Д.Г. Досин, А.С. Мельник, А.О. Мазур // Штучний інтелект. — 2011. — № 2. — С. 35-44. — Бібліогр.: 9 назв. — укр. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/58840 004.89 У цій статті розглядається загальний підхід до функціонування інтелектуальних систем підтримки прийняття рішень на основі адаптивних онтологій, які використовують прецеденти. Розроблено математичний апарат для таких систем, який апробовано у задачі діагностування ревматологічних захворювань. В статье рассматривается общий подход к функционированию интеллектуальных систем поддержки принятия решений, базирующихся на адаптивных онтологиях, использующие прецеденты. Разработан математический аппарат для таких систем, апробирован в задаче диагностирования ревматологических заболеваний. In this article the general approach to the functioning of intelligent decision support systems based on adaptive ontologies using precedents is described. A mathematical formalism for such systems was tested in the task of diagnosing rheumatologic diseases. uk Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Системы и методы искусственного интеллекта Пошук релевантних прецедентів на основі адаптивних онтологій Поиск релевантных прецедентов на основе адаптивных онтологий Searching for Relevant Precedent Based on Adaptive Ontology Article published earlier |
| spellingShingle | Пошук релевантних прецедентів на основі адаптивних онтологій Литвин, В.В. Даревич, Р.Р. Досин, Д.Г. Мельник, А.С. Мазур, А.О. Системы и методы искусственного интеллекта |
| title | Пошук релевантних прецедентів на основі адаптивних онтологій |
| title_alt | Поиск релевантных прецедентов на основе адаптивных онтологий Searching for Relevant Precedent Based on Adaptive Ontology |
| title_full | Пошук релевантних прецедентів на основі адаптивних онтологій |
| title_fullStr | Пошук релевантних прецедентів на основі адаптивних онтологій |
| title_full_unstemmed | Пошук релевантних прецедентів на основі адаптивних онтологій |
| title_short | Пошук релевантних прецедентів на основі адаптивних онтологій |
| title_sort | пошук релевантних прецедентів на основі адаптивних онтологій |
| topic | Системы и методы искусственного интеллекта |
| topic_facet | Системы и методы искусственного интеллекта |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/58840 |
| work_keys_str_mv | AT litvinvv pošukrelevantnihprecedentívnaosnovíadaptivnihontologíi AT darevičrr pošukrelevantnihprecedentívnaosnovíadaptivnihontologíi AT dosindg pošukrelevantnihprecedentívnaosnovíadaptivnihontologíi AT melʹnikas pošukrelevantnihprecedentívnaosnovíadaptivnihontologíi AT mazurao pošukrelevantnihprecedentívnaosnovíadaptivnihontologíi AT litvinvv poiskrelevantnyhprecedentovnaosnoveadaptivnyhontologii AT darevičrr poiskrelevantnyhprecedentovnaosnoveadaptivnyhontologii AT dosindg poiskrelevantnyhprecedentovnaosnoveadaptivnyhontologii AT melʹnikas poiskrelevantnyhprecedentovnaosnoveadaptivnyhontologii AT mazurao poiskrelevantnyhprecedentovnaosnoveadaptivnyhontologii AT litvinvv searchingforrelevantprecedentbasedonadaptiveontology AT darevičrr searchingforrelevantprecedentbasedonadaptiveontology AT dosindg searchingforrelevantprecedentbasedonadaptiveontology AT melʹnikas searchingforrelevantprecedentbasedonadaptiveontology AT mazurao searchingforrelevantprecedentbasedonadaptiveontology |