Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій
У статті розглянуто функціонування інтелектуальних агентів на основі адаптивних онтологій, які використовують прецеденти. Розроблено математичне забезпечення діяльності таких агентів. В статье рассмотрено функционирование интеллектуальных агентов на основе адаптивных онтологий, использующих прецеден...
Збережено в:
| Опубліковано в: : | Математичні машини і системи |
|---|---|
| Дата: | 2011 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут проблем математичних машин і систем НАН України
2011
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/83611 |
| 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: | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій / В.В. Литвин // Мат. машини і системи. — 2011. — № 3. — С. 66-72. — Бібліогр.: 7 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860182587764375552 |
|---|---|
| author | Литвин, В.В. |
| author_facet | Литвин, В.В. |
| citation_txt | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій / В.В. Литвин // Мат. машини і системи. — 2011. — № 3. — С. 66-72. — Бібліогр.: 7 назв. — укр. |
| collection | DSpace DC |
| container_title | Математичні машини і системи |
| description | У статті розглянуто функціонування інтелектуальних агентів на основі адаптивних онтологій, які використовують прецеденти. Розроблено математичне забезпечення діяльності таких агентів.
В статье рассмотрено функционирование интеллектуальных агентов на основе адаптивных онтологий, использующих прецеденты. Разработано математическое обеспечение деятельности таких агентов.
The paper reviews the functioning of intelligent agents based on adaptive ontologies using precedents. A mathematical support of such agents is developed.
|
| first_indexed | 2025-12-07T18:02:37Z |
| format | Article |
| fulltext |
66 © Литвин В.В., 2011
ISSN 1028-9763. Математичні машини і системи, 2011, № 3
УДК 004.89
В.В. ЛИТВИН
ІНТЕЛЕКТУАЛЬНІ АГЕНТИ ПОШУКУ РЕЛЕВАНТНИХ ПРЕЦЕДЕНТІВ
НА ОСНОВІ АДАПТИВНИХ ОНТОЛОГІЙ
Анотація. У статті розглянуто функціонування інтелектуальних агентів на основі адаптивних
онтологій, які використовують прецеденти. Розроблено математичне забезпечення діяльності
таких агентів.
Ключові слова: інтелектуальний агент, онтологія, прецедент.
Аннотация. В статье рассмотрено функционирование интеллектуальных агентов на основе ада-
птивных онтологий, использующих прецеденты. Разработано математическое обеспечение дея-
тельности таких агентов.
Ключевые слова: интеллектуальный агент, онтологія, прецедент.
Abstract. The paper reviews the functioning of intelligent agents based on adaptive ontologies using
precedents. A mathematical support of such agents is developed.
Keywords: intelligent agents, onology, precedent.
1. Вступ
Інтелектуальні агенти (ІА), засновані на прецедентах (Case-Based Reasoning, або CBR),
широко використовуються для розв’язування слабоформалізованих задач. Виведення, за-
сноване на прецедентах, є методом побудови ІА, які приймають рішення щодо поточної
проблеми за наслідками пошуку аналогій, що зберігаються в базі прецедентів [1]. Такий
аналог називають релевантним прецедентом. З математичної точки зору це означає, що
серед елементів множини прецедентів { }NrPrPrPrP ,...,, 21= релевантним
krP є преце-
дент, для якого відстань d до поточної ситуації S є найменшою, тобто
arg min ( , )k i
i
Pr d Pr S= .
Задачу пошуку релевантних прецедентів можна вважати задачею класифікації, де
класами є прецеденти. Тоді задача полягає у віднесенні поточної ситуації до певного кла-
су.
Тобто, вводиться метрика на просторі ознак. У цьому просторі визначається точка,
відповідна поточному випадку, і в рамках цієї метрики знаходиться найближча до неї точ-
ка серед точок, що відображають прецеденти. Кожній ознаці призначають вагу, що врахо-
вує 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
kw – вага k -ої ознаки, sim – функція подібності (метрика),
kix і
kjx – значення ознаки
kx для поточного випадку i та j -го прецеденту, відповідно. Після обчислення ступенів
близькості всі прецеденти ранґуються. Поточна ситуація відноситься до прецеденту із най-
вищим рангом.
2. Аналіз літературних джерел
Вибір метрики (або міри близькості) вважається центральним моментом, від якого зале-
ISSN 1028-9763. Математичні машини і системи, 2011, № 3 67
жить пошук релевантних прецедентів. У кожній конкретній задачі цей вибір відбувається
по-своєму, з урахуванням головних цілей дослідження, фізичної і статистичної природи
інформації, що використовується, тощо. Як методи розв’язання таких задач використову-
ються алгоритми типу Lazy-Learning [2], зокрема, відомі алгоритми найближчого сусіда і
k -ближніх сусідів, нейронні мережі, генетичні алгоритми, байєсівські мережі [3], дерева
рішень [4].
Основним недоліком нейромережевої парадигми є необхідність мати дуже великий
об’єм навчальної вибірки. Інший істотний недолік полягає в тому, що ваги декількох со-
тень міжнейронних зв’язків абсолютно не піддаються аналізу й інтерпретації людиною.
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 даних – дерево
дробить дані на велику кількість окремих випадків, тому воно не даватиме статистично
обґрунтованих відповідей. Як показує практика, в більшості систем, що використовують
дерева рішень, ця проблема не знаходить задовільного рішення. Крім того, загальновідомо,
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 вико-
ристовувані процедури є евристичними і не ґарантують знаходження «кращого» рішення.
Крім того, ефективно сформулювати 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 ряду вище наведених недоліків дозволяють онтології
предметної області та онтології задач.
Постановка задачі
Розробити підхід для оцінювання релевантності прецедентів на основі онтологій. Побуду-
вати метрику для здійснення такої оцінки. Апробувати цю метрику під час функціонуван-
ня ІА у прикладній предметній області (ПО).
3. Основний матеріал
3.1. Розроблення метрики пошуку релевантних прецедентів на основі адаптивних он-
тологій
Формально онтологія складається з термінів (понять, концептів), організованих в так-
сономію, їх визначень і атрибутів, а також пов’язаних з ними аксіом і правил виведення.
Тому під моделлю онтології O розуміють трійку вигляду
, ,O C R F= ,
де C – 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 по-
нять та зв’язків [5, 6]. Коефіцієнт важливості поняття (зв’язку) – це чисельна міра, яка ха-
рактеризує значущість певного поняття (зв’язку) у конкретній предметній області і дина-
мічно змінюється за певними правилами у процесі експлуатації системи. Отже:
, , , ,O C R F W L= ,
68 ISSN 1028-9763. Математичні машини і системи, 2011, № 3
де W – важливість понять LC, – важливість відношень R .
Визначену таким чином онтологію будемо називати адаптивною, тобто такою, що
адаптується до ПО за рахунок модифікації понять та коефіцієнтів важливості цих понять і
зв’язків між ними. Очевидно, що в залежності від прецеденту ваги понять різні. Тобто, на-
справді W – вектор вимірності кількості прецедентів ( )NWWWW ,...,, 21= . Надалі будемо
розглядати лише один прецедент, тобто, нижній індекс у вазі понять опускатимемо.
Побудуємо метрику для пошуку релевантних прецедентів на основі адаптивних он-
тологій. Нехай множина прецедентів { }NrPrPrPrP ,...,, 21= описується ознаками
{ }MxxxX ,...,, 21= .
iD – домен ознаки
ix ,
li
w – коефіцієнт важливості ознаки
li
x прецеден-
ту
irP . Значення властивості
ix позначатимемо ( )i iz z x= . Отже
{ }
1 1 2 2
, ,...,
k ki i i i i i i iPr X x z x z x z↔ = = = = , де
j ji iz D∈ .
Позначимо iI – множину індексів властивостей прецеденту
irP . Тоді відстань між
прецедентом
irP та поточною ситуацією S визначається як
( ),
l l
l i
S
i i i
i I
d z zϕ
∈
=∑ , (1)
де
li
z – значення властивості
li
x прецеденту
irP ,
j
S
iz значення властивості
li
x поточної си-
туації S , i iI I⊂ – підмножина індексів важливих властивостей прецеденту
irP ,
1 2 ...
ii i i iNI I I I= ∪ ∪ ∪ , iN – кількість властивостей, які необхідно розглянути для прийняття
рішення стосовно прецеденту
irP . Тобто,
1 1 1 arg max
l
l i
i s s i
i I
I i i w
∈
= =
,
1
2 2 2
/
arg max
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 ( ),ϕ ξ η . Очевидно, що ξ може бути діапазоном, тобто, нечіт-
кою підмножиною Dξ ⊆ , де D – універсальна множина, числовим значенням або нечис-
ловим. У залежності від цього ( ),ϕ ξ η визначається по-своєму, а саме:
( )
( )
( )
1 , нечітка множина,
, , , числові значення,
1 , , , нечислові значення,
ξµ η ξ
ϕ ξ η λ ξ η ξ η
µ ξ η ξ η
− −
= ⋅ − −
− −
(2)
де ( )ξµ η – коефіцієнт впевненості того, що η належить нечіткій підмножині ξ ; λ – чис-
лова величина, яка залежить від ПО, щоб добуток [ ]0,1λ ξ η⋅ − ∈ (розмірність величини λ
обернено-пропорційна до розмірності величин ξ та η , тобто, якщо ξ та η є маса і вимі-
рюється в кг, то λ вимірюється в кг-1); ( ) [ ], 0,1µ ξ η ∈ – нечітка величина подібності зна-
чень ξ та η .
3.2. Розвинення ваг важливості понять на всю онтологію
Для визначення важливості ваг понять та відношень пропонується використовувати мето-
ди інтелектуального аналізу даних (ІАД), наприклад, дерева рішень. Використовуючи ІАД,
ми визначимо ваги деякої підмножини понять, які називатимемо базовими. Потім, на ос-
нові онтології ПО, розвинемо отримані ваги на всю онтологію. Цю процедуру здійснимо
для кожного прецеденту. Тоді для пошуку релевантного прецеденту використовуватимемо
ISSN 1028-9763. Математичні машини і системи, 2011, № 3 69
значення тих iN понять, які для відповідного прецеденту мають найбільші ваги. Що стосу-
ється ваг важливості відношень, то нами пропонується задати їх такими, як це наведено у
табл. 1. Групи відношень взяті із [7]. Вважаємо, що вага вертикальних зв’язків (ієрархія,
агрегація) рівна 1,2 (чим конкретніше, тим краще). Квантатативні відношення не розгля-
даються, 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 від-
ношень
Відношення Значення
ваг важли-
вості, L
Група
відно-
шень
Відношення Значення
ваг важли-
вості, L
Ієрархія Рід↔вид 1,2 Функці-
ональні
Об’єкт
дії↔дія↔
суб’єкт дії
1
Ознака↔значення
ознаки
1,2 Причи-
на↔наслідок
0,9
Інваріант↔варіант 1,2 Умова↔дія 0,9
Агрегація Ціле↔частина 1,2 Явище↔дія 0,9
Об’єкт↔простір реалі-
зації (локалізації)
об’єкта
1,2 Стан↔дія 0,9
Об’єкт↔властивість/
ознака
1,2 Явище↔стан 0,9
рівень↔одиниця рівня 1,2 Інструмент↔дія 0,9
Семіотичні Термін↔спосіб
вираження
0,2 Дані↔дія 0,9
Термін↔спосіб
подання
0,2 Дані↔величини 0,9
Термін↔метазнак
терміну
0,2
Загальний підхід, який пропонується для знаходження релевантних прецедентів, на-
ведено на рис. 1. Він складається із трьох кроків.
Розглянемо перші два кроки детальніше. Нехай для розв’язування задачі класифіка-
ції побудовано дерево рішень (ДР). Вершини (ознаки) цієї гілки знаходяться на k рівнях.
Очевидно, що, чим вищий рівень, тим значуща ознака, яка на цьому рівні знаходиться. Ця
евристична думка має бути відображена в значеннях ваг цих ознак. Крім того, пропонуєть-
ся ці ваги нормувати, тобто, щоб їх сума для кожного прецеденту (гілки) була рівна 1. Для
визначення ваг базових ознак, які задовольняють вище описані два припущення, пропону-
ється один із двох способів.
1. Арифметичний спосіб. Визначаються як відношення різниці ( )1+k 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 i -му рівні ДР, визначаються таким чином:
2
2 1
k i
i k
w
−
=
−
.
70 ISSN 1028-9763. Математичні машини і системи, 2011, № 3
Рис. 1. Кроки функціонування ІА пошуку релевантних
прецедентів на основі адаптивних онтологій
Тепер необхідно ці ваги
розвинути на всю онтологію
ПО. Для ознак, які приймають
участь у ДР, до ваг важливості
понять відповідного прецеденту
додаємо вагу, отриману на ос-
нові ДР. Потім розглядаємо фу-
нкціональні та семіотичні
зв’язки, якщо вони визначені в
онтології. Функціональні від-
ношення діляться на си-
метричні SR (деяка підмножина
горизонтальних зв’язків) та не-
симетричні NR (вертикальні
зв’язки, інша підмножина гори-
зонтальних зв’язків). Очевидно,
що елементи, які приймають
участь у симетричних зв’язках,
є рівносильними. Тому ваги L
симетричних відношень рівні одиниці. Таким симетричним зв’язком є „Об’єкт
дії↔дія↔суб’єкт дії”, який належить до групи функціональних зв’язків. Усі інші функціо-
нальні зв’язки є близькими до симетричних, тому їх ваги рівні 0,9. Отже, якщо відома вага
iW терміна iC і цей термін має симетричний зв’язок із терміном jC , вага якого невідома, то
j iW L W= ⋅ . Для несиметричних зв’язків отримаємо аналогічне співвідношення:
j iW L W= ⋅ , (3)
якщо відомо вагу терміна iC , і
j
i
W
W
L
= , (4)
якщо відомо вагу терміна jC .
3.5. Приклад функціонування інтелектуального агента діагностування ревматологіч-
них захворювань
Розглянемо приклад функціонування ІА в області медицини, а саме ревматології. Як пре-
цеденти було розглянуто сім захворювань: Pr={‘Ревматоїдний артрит (РА)’, ‘Деформую-
чий остеоартроз (ДО)’, ‘Системний червоний вовчак (СЧВ)’, ‘Анкілозуючий спондиліт
(АС)’, ‘Гостра ревматична лихоманка (ГРЛ)’, ‘Подагричний артрит (ПА)’, ‘Системна скле-
родермія (СС)’}. Нами виділено 27 ознак, які впливають на ці захворювання. Очевидно, що
не всі ознаки присутні в окремому взятому захворюванні. Тому, в залежності від прецеде-
нту, важливість цих ознак різна. Саме таку вагу важливості нам необхідно визначити, щоб
для діагностування використати формулу (1). При використанні різних ревматологічних
довідників було побудовано онтологію ревматології. В онтології відображено взає-
мозв’язок між ознаками, їх вплив на захворювання в залежності від значення ознаки.
Насамперед обчислимо початкові вагові коефіцієнти. Для цього побудуємо дерево
рішень (ДР) на основі архіву даних про захворювання колишніх пацієнтів. Отримане ДР
наведено на рис. 2. Для задання ваг базових ознак прецедентів скористаємось арифметич-
ним способом їх визначення. Так, для РА отримаємо такі значення: 0
12
1
2
W = , 0
1
1
3
W = ,
ISSN 1028-9763. Математичні машини і системи, 2011, № 3 71
0
7
1
6
W = . Верхній індекс (0) вказує, що ваги є початковими, нижній індекс – ключ ознаки в
базі даних (БД). Аналогічно визначаємо ваги ознак для інших захворювань.
Рис. 2. Дерево рішень, отримане на основі аналізу даних ревматологічних захворювань
Основними для перерахунку ваг важливості понять онтології є функціональні та ко-
реляційні відношення. Окремі з них наведено на рис. 3а-в. У двох відношеннях доменом є
ознака „Ерозивний артрит” (ключ 6 у БД). Множиною значень у першому випадку є „Ран-
кова скутість у суглобах” (ключ 12 у БД) та „Довколосуглобовий остеопороз” (ключ 7 у
БД). Обидва відношення є функціональні та симетричні.
а)
б)
в)
Рис. 3. Види відношень онтології ревматології
Перерахувавши ваги важливості понять згідно з формулами (3)–(4), 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 прецеденту. У ви-
падку, якщо вага 2-го або 3-го поняття була менша за 0,5, то, відповідно до розгляду, бра-
лась одна або дві ознаки (так як у випадку ПА та СС). Окрім того, використання такої вла-
стивості, як Disjoint в редакторі онтологій Protégé-OWL (тобто, заперечення), привело до
того, що відсутність ознаки також має значну вагу. Такий результат ми отримали у випад-
ку ГРЛ, коли відсутній „Ерозивний артрит”.
Аналіз табл. 2 в порівнянні з ДР, яке наведене на рис. 2, показує, що для ПА та СС
ознаки практично не змінились. Для інших захворювань помінялись в одній або двох по-
зиціях. Перевірка реальних захворювань показала, що використання ДР правильно класи-
фікує захворювання в 64% випадків, а класифікація, отримана згідно з онтологією ревма-
тології, в 79% випадків.
72 ISSN 1028-9763. Математичні машини і системи, 2011, № 3
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 двохспі-
ральної ДНК у сиро-
ватці крові
Поліартрит суглобів
кистей рук
Анкілозуючий
спондиліт (АС)
Сакроілеїт Біль у суглобах
у спокої
Експресія HLA-D27
антигену
Гостра ревматична
лихоманка (ГРЛ)
Моноолігоартрит
великих суглобів
Мігруючий характер
артриту
Ерозивний артрит
(відсутність)
Подагричний артрит
(ПА)
Тофуси Сечова кислота
Системна
склеродермія (СС)
Феномен Рейно
4. Висновки
Розроблено математичну модель функціонування інтелектуальних агентів на основі адап-
тивних онтологій для пошуку релевантних прецедентів. Ця модель базується на метриці.
Для побудови такої метрики використано адаптивну онтологію. З цією метою у загальноп-
рийнятий трьохелементний кортеж, який задає онтологію (множина понять, відношень та
їх інтерпретація), нами додано дві скалярні величини (важливість понять та відношень), які
використовуються для обчислення відстаней. Розглянуто способи задання початкових ко-
ефіцієнтів важливості понять та відношень на основі інтелектуального аналізу даних та їх
розповсюдження на всю онтологію. Розроблено загальний підхід для функціонування ін-
телектуальних агентів, які використовують розроблену модель, що складається із трьох
кроків. Розглянуто приклад функціонування такої системи для діагностики ревматологіч-
них захворювань. Отримані результати показують вищу ефективність розробленого мето-
ду в порівнянні з деревами рішень.
СПИСОК ЛІТЕРАТУРИ
1. Funk P. Advances in Case-Based Reasoning / P. Funk, P.A. González-Calero // 7th European
Conference, ECCBR 2004. – Madrid, Spain, 2004. – P. 375 – 380.
2. 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. – 2008.
– N 11. – Р. 273 – 314.
3. Рассел С. Искусственный интеллект / С. Рассел, П. Норвиг. – М.,С.-П.,К.: Вильямс, 2006. –
1408 с.
4. Цветков А.М. Разработка алгоритмов индуктивного вывода с использованием деревьев решений
/ А.М. Цветков // Кибернетика и системный анализ. – 1993. – № 1. – С. 174 – 178.
5. Інтелектуальні системи, базовані на онтологіях / Д.Г. Досин, В.В. Литвин, Ю.В. Нікольський,
В.В. Пасічник. – Львів: Цивілізація, 2009. – 414 с.
6. Литвин В.В. Мультиагентні системи підтримки прийняття рішень, що базуються на прецедентах
та використовують адаптивні онтології / В.В. Литвин // Радіоелектроніка. Інформатика. Управлін-
ня. – 2009. – № 2 (21). – С. 120 – 126.
7. Найханова Л.В. Технология создания методов автоматического построения онтологий с приме-
нением генетического и автоматного программирования / Найханова Л.В. – Улан-Удэ: Издательст-
во БНЦ СО РАН, 2008. – 244 c.
Стаття надійшла до редакції 29.03.2011
|
| id | nasplib_isofts_kiev_ua-123456789-83611 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1028-9763 |
| language | Ukrainian |
| last_indexed | 2025-12-07T18:02:37Z |
| publishDate | 2011 |
| publisher | Інститут проблем математичних машин і систем НАН України |
| record_format | dspace |
| spelling | Литвин, В.В. 2015-06-20T20:13:35Z 2015-06-20T20:13:35Z 2011 Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій / В.В. Литвин // Мат. машини і системи. — 2011. — № 3. — С. 66-72. — Бібліогр.: 7 назв. — укр. 1028-9763 https://nasplib.isofts.kiev.ua/handle/123456789/83611 004.89 У статті розглянуто функціонування інтелектуальних агентів на основі адаптивних онтологій, які використовують прецеденти. Розроблено математичне забезпечення діяльності таких агентів. В статье рассмотрено функционирование интеллектуальных агентов на основе адаптивных онтологий, использующих прецеденты. Разработано математическое обеспечение деятельности таких агентов. The paper reviews the functioning of intelligent agents based on adaptive ontologies using precedents. A mathematical support of such agents is developed. uk Інститут проблем математичних машин і систем НАН України Математичні машини і системи Нові інформаційні і телекомунікаційні технології Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій Интеллектуальные агенты поиска релевантных прецедентов на основе адаптивных онтологий Intelligent agents find relevant precedent based on adaptive ontology Article published earlier |
| spellingShingle | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій Литвин, В.В. Нові інформаційні і телекомунікаційні технології |
| title | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій |
| title_alt | Интеллектуальные агенты поиска релевантных прецедентов на основе адаптивных онтологий Intelligent agents find relevant precedent based on adaptive ontology |
| title_full | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій |
| title_fullStr | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій |
| title_full_unstemmed | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій |
| title_short | Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій |
| title_sort | інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій |
| topic | Нові інформаційні і телекомунікаційні технології |
| topic_facet | Нові інформаційні і телекомунікаційні технології |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/83611 |
| work_keys_str_mv | AT litvinvv íntelektualʹníagentipošukurelevantnihprecedentívnaosnovíadaptivnihontologíi AT litvinvv intellektualʹnyeagentypoiskarelevantnyhprecedentovnaosnoveadaptivnyhontologii AT litvinvv intelligentagentsfindrelevantprecedentbasedonadaptiveontology |