Approach to the building intelligent decision support systems on the basis of ontology

Problems in programming 2013; 4: 43-52

Збережено в:

Бібліографічні деталі
Дата:	2025
Автор:	Lytvyn, V.V.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	PROBLEMS IN PROGRAMMING 2025
Теми:	UDC 004.89
Онлайн доступ:	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/746
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Problems in programming
Завантажити файл:

Репозитарії

Problems in programming

id	pp_isofts_kiev_ua-article-746
record_format	ojs
resource_txt_mv	ppisoftskievua/28/a2e9abd54848b7a7295e997fa3813028.pdf
spelling	pp_isofts_kiev_ua-article-7462025-04-16T13:52:57Z Approach to the building intelligent decision support systems on the basis of ontology Підхід до побудови інтелектуальних систем підтримки прийняття рішень на основі онтологій Lytvyn, V.V. UDC 004.89 УДК 004.89 Problems in programming 2013; 4: 43-52 Розглядається підхід до розроблення інтелектуальних систем підтримки прийняття рішень з використанням онтологій у складі баз знань таких систем. Здійснено класифікацію таких систем з погляду їх функціонування на основі онтологій. Розроблено математичне забезпечення функціонування інтелектуальних систем підтримки прийняття рішень, яке ґрунтується на онтологіях. Для цього введено поняття адаптивної онтології. Модель адаптивної онтології визначено як розвиток класичної моделі додаванням ваг важливості понять та відношень, які зберігаються в онтології.Problems in programming 2013; 4: 43-52 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2025-04-16 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/746 PROBLEMS IN PROGRAMMING; No 4 (2013); 43-52 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 4 (2013); 43-52 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 4 (2013); 43-52 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/746/798 Copyright (c) 2025 PROBLEMS IN PROGRAMMING
institution	Problems in programming
baseUrl_str	https://pp.isofts.kiev.ua/index.php/ojs1/oai
datestamp_date	2025-04-16T13:52:57Z
collection	OJS
language	Ukrainian
topic	UDC 004.89
spellingShingle	UDC 004.89 Lytvyn, V.V. Approach to the building intelligent decision support systems on the basis of ontology
topic_facet	UDC 004.89 УДК 004.89
format	Article
author	Lytvyn, V.V.
author_facet	Lytvyn, V.V.
author_sort	Lytvyn, V.V.
title	Approach to the building intelligent decision support systems on the basis of ontology
title_short	Approach to the building intelligent decision support systems on the basis of ontology
title_full	Approach to the building intelligent decision support systems on the basis of ontology
title_fullStr	Approach to the building intelligent decision support systems on the basis of ontology
title_full_unstemmed	Approach to the building intelligent decision support systems on the basis of ontology
title_sort	approach to the building intelligent decision support systems on the basis of ontology
title_alt	Підхід до побудови інтелектуальних систем підтримки прийняття рішень на основі онтологій
description	Problems in programming 2013; 4: 43-52
publisher	PROBLEMS IN PROGRAMMING
publishDate	2025
url	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/746
work_keys_str_mv	AT lytvynvv approachtothebuildingintelligentdecisionsupportsystemsonthebasisofontology AT lytvynvv pídhíddopobudoviíntelektualʹnihsistempídtrimkiprijnâttâríšenʹnaosnovíontologíj
first_indexed	2025-07-17T09:58:36Z
last_indexed	2025-07-17T09:58:36Z
_version_	1850410431884034048
fulltext	Експертні та інтелектуальні інформаційні системи © В.В. Литвин, 2013 ISSN 1727-4907. Проблеми програмування. 2013. № 4 43 УДК 004.89 В.В. Литвин ПІДХІД ДО ПОБУДОВИ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ НА ОСНОВІ ОНТОЛОГІЙ Розглядається підхід до розроблення інтелектуальних систем підтримки прийняття рішень з викори- станням онтологій у складі баз знань таких систем. Здійснено класифікацію таких систем з погляду їх функціонування на основі онтологій. Розроблено математичне забезпечення функціонування інтелек- туальних систем підтримки прийняття рішень, яке ґрунтується на онтологіях. Для цього введено понят- тя адаптивної онтології. Модель адаптивної онтології визначено як розвиток класичної моделі додаван- ням ваг важливості понять та відношень, які зберігаються в онтології. Вступ Наукові дослідження в галузі роз- роблення і запровадження інтелектуальних систем підтримки прийняття рішень (ІСППР) полягають у створенні математи- чних моделей, методів та засобів побудови автоматизованих інформаційних систем, які орієнтовані на ті сфери діяльності лю- дини, що вимагають логічного міркування, певної майстерності та досвіду, тобто ба- зуються на знаннях. На думку фахівців з розроблення інформаційних програмних комплексів, клас прикладних задач, для розв’язування яких необхідні такі системи, є наймасовішим. До них належать задачі прийняття рішення у таких предметних областях (ПО), як діагностування захво- рювань та технічних неполадок; плануван- ня та моніторинг діяльності; прогнозуван- ня та класифікація явищ; опрацювання природномовних текстів (квазіреферуван- ня, квазіанотування) тощо. Основною компонентою ІСППР є база знань (БЗ), що формується відповідно до ПО на яку зорієнтоване функціонування цієї системи. Традиційні методи інженерії знань (отримання знань від експерта, інте- лектуальний аналіз даних, машинне на- вчання тощо) не ґрунтуються на системі вивірених та загальноприйнятих стандар- тів, тому побудовані на їхній основі БЗ з часом втрачають свою функціональність через низьку ефективність їх функціону- вання. Як стандарт інженерії знань вико- ристовують онтологічний інжиніринг, у результаті застосування якого отримують онтологію бази знань. Онтологія – це дета- льна формалізація деякої області знань по- дана за допомогою концептуальної схеми. Така схема складається з ієрархічної стру- ктури понять, зв’язків між ними, теорем та обмежень, які є прийняті у певній ПО. Використання онтологій у складі БЗ ІСППР допомагає вирішити низку проблем методологічного та технологічного харак- теру, які виникають під час розроблення таких систем. Зокрема, для України харак- терні проблеми полягають у відсутності концептуальної цілісності й узгодженос- ті окремих прийомів та методів інжене- рії знань; нестачі кваліфікованих фахів- ців у цій галузі; жорсткості розроблених програмних засобів та їх низькій адаптив- ній здатності; складності впровадження ІСППР, що зумовлено психологічними ас- пектами. Все це свідчить та підтверджує актуальність проблематики досліджень використання онтологій у процесі побудо- ви ІСППР. Аналіз останніх досліджень та публікацій Наукові дослідження в напрямі ви- користання онтологій під час розроблення та функціонування інформаційних систем, зокрема ІСППР, почалися в кінці минулого століття та інтенсивно розвиваються. Ос- новні теоретичні засади формальних мате- матичних моделей онтологій розроблено у роботах Т. Грубера [1], який запропонував онтологію розглядати як тривимірний кор- теж; у працях Н. Гуаріно [2] наведено ме- Експертні та інтелектуальні інформаційні системи 44 тодики побудови онтологій та їх можливі шляхи розвитку; Дж. Сова ввів поняття концептуального графа [3], а М. Монтес- Гомес використав його для подання онто- логій [4]. Аналізуючи роботи загалом, мо- жна зробити висновок, що наукові дослі- дження в галузі розроблення та викорис- тання онтологій під час побудови прикла- дних інформаційних систем активно роз- виваються. Ці факти свідчать про актуаль- ність проблематики побудови ІСППР на основі онтологій як предмету наукових досліджень. Аналіз основних підходів, методів та засобів побудови ІСППР і напрямів дос- ліджень використання онтологій показує, що у складі таких систем використовують- ся не всі можливості онтологій, особливо під час моделювання функціональності таких систем, хоча переваги використання онтологій порівняно з іншими методами побудови БЗ очевидні, оскільки саме онто- логії відображають об’єктивні знання та слугують стандартом інженерії знань. Зок- рема, не вирішеними є такі завдання: мо- делювання процесів прийняття рішень та виведення нових знань на основі онтоло- гій; критерії наповнення онтологій; оцінка новизни знань онтологій тощо. Ціль роботи Тут розв’язується задача розроб- лення та запровадження уніфікованих ме- тодів побудови ІСППР з використанням онтологічного підходу з метою підвищен- ня ефективності як БЗ, так і процесів фун- кціонування таких систем. Напрями розвитку інтелектуальних систем підтримки прийняття рішень ІСППР – програмний комплекс, призначений для допомоги користувачу приймати рішення щодо розв’язування за- дач у певній ПО на підставі знань про цю область. ІСППР має характерні риси, які є важливими з точки зору моделювання процесу функціонування: містить систему знань про ПО, яка подана у вигляді її мо- делі; володіє механізмами міркувань, яки- ми є метапроцедури, що використовують знання з метою вироблення рішень; воло- діє процедурами інтелектуального аналізу даних, тобто можливістю машинного на- вчання. Функціонування ІСППР – це пос- тійний процес прийняття рішень на основі аналізу поточних ситуацій. Типова схема функціонування ІСППР складається з та- ких трьох кроків: 1) планування цілеспрямованих дій та прийняття рішень, тобто аналіз можли- вих дій і вибір тієї дії, яка найкраще узго- джується з метою системи; 2) зворотна інтерпретація прийня- того рішення, тобто формування робочого алгоритму для отримання реакції системи; 3) реалізація реакції системи, нас- лідком чого є зміна зовнішньої ситуації та внутрішнього стану системи. Основна компонента ІСППР – БЗ, призначення якої полягає у зберіганні, впорядкуванні та керуванні інформацією про ПО та задачі, які в ній виникають. Найважливіший параметр БЗ – якість та повнота знань про ПО, яку вона задає. Якість БЗ залежить від структури та фор- мату знань, способу їх подання. Для широ- кого впровадження будь-якої технології чи методики необхідний чіткий і аргументо- ваний стандарт. У галузі розроблення БЗ таким стандартом стають онтології, як спосіб формального подання знань. Онто- логія – це знання, формально відображені на основі концептуалізації. Формально он- тологія складається з понять (термінів, концептів), організованих у таксономію, відношень між поняттями, а також пов’язаних з ними аксіом і правил виве- дення. Враховуючи вище наведене, під формальною моделлю онтології О розумі- ють: , ,O C R F , (1) де С – скінченна множина понять (концеп- тів, термінів) ПО, яку задає онтологія О; :R C C – скінченна множина відношень між поняттями (термінами, концептами) заданої ПО; F – скінченна множина функ- цій інтерпретації (аксіоматизація, обме- Експертні та інтелектуальні інформаційні системи 45 ження), заданих на поняттях чи відношен- нях онтології O. Для побудови онтологій використо- вують відомі чотири моделі подання знань: фрейми для подання понять, семантичні мережі для подання відношень, логіка пре- дикатів другого порядку для подання аксі- ом та продукційні правила для побудови правил виведення. Семантичну мережу фреймів (концептів) називають концептуа- льним графом (КГ). Модель онтології (1) задає лише експліцитні знання. З теорії ІСППР відомо, що ефективність ІСППР напряму залежить від поєднання експліцитних та імпліцит- них знань. Отже цю модель необхідно роз- винути з метою відображення в ній неяв- них (імпліцитних) знань, якими володіє експерт або користувач системи. У свою чергу такий розвиток моделі забезпечить якісне функціонування ІСППР, оскільки ядром такої БЗ є онтологія. Для процесу прийняття рішень розробляють мову запи- тів до онтології, наприклад SPARQL. Од- нак онтології містять кілька десятків тисяч понять і пам’ятати їх всіх фізично немож- ливо. Альтернативою до мови запитів є метрики. Запропоновано будувати такі ме- трики на основі онтологій. Сучасні дослідження побудови ІСППР ведуться у двох напрямах: 1) ІСППР класифікації (виведення за прецедентами, англ. Case-Based Reasoning); 2) ІСППР планування діяльності (пошук стану мети у просторі станів). Вибір ІСППР залежить від типу за- дачі. Метод виведення за прецедентами ефективний, коли основним джерелом знань про задачу є досвід, а не теорія; рі- шення не є унікальними для конкретної ситуації, а можуть використовуватись в інших випадках; мета розв’язування задачі  отримати не гарантований правильний розв’язок, а найкращий серед можливих. Виведення, основане на прецедентах, є методом побудови ІСППР, які прийма- ють рішення щодо проблеми або ситуації за результатами пошуку аналогій, що збе- рігаються в базі класів. З математичного погляду поточна ситуація S належить до класу Classk серед множини N класів Class={Class1, Class2,…, ClassN}, якщо ві- дстань від S до цього класу є найменшою, тобто arg min ( , ), 1, .k i i Class d Class S i N  (2) ІСППР планування діяльності має досягти стану мети. Насамперед потрібно розробити план досягнення цього стану всіма можливими альтернативними спосо- бами. Процес планування ґрунтується на принципі декомпозиції. Задача планування ZP містить три складові: множину станів St, множину дій A, множину станів мети Goal, тобто ZP , ,St A Goal . (3) Для ефективного планування діяль- ності ІСППР повинна вміти оцінювати стани та дії. Як бачимо, для обох типів ІСППР необхідна метрика. У першому ви- падку для оцінювання близькості класу, у другому – для визначення релевантності станів та дій. Від способу побудови цієї метрики безпосередньо залежить ефектив- ність функціонування ІСППР [5]. Проаналізувавши типи задач, для яких використовують онтології, робимо висновок, що всі задачі можна поділити на два підтипи. Перший тип задач, для яких суттєво, які значення приймають властивості понять. Сюди належать задачі діагностики захворювань, розпізнавання образів, класифікації явищ на підставі зіб- раних даних тощо. Такі задачі назвемо ознаковими. Для іншого типу задач не є істотним значення понять, швидше їх семантика або частотність вживання по- нять у тексті і т. д. До таких задач можна зарахувати кластеризацію інформаційних ресурсів, класифікацію текстів згідно з УДК, інтелектуальні пошукові системи, квазіреферування та квазіанотування текс- тових документів. Задачі такого типу на- звемо семантичними. Внаслідок отримає- мо поділ ІСППР за двома вимірами (на- прямом розвитку та простором функціо- нування), як зображено на рис 1. У кож- ній чверті перераховано задачі, які пот- рапляють у відповідний тип. Для ефективного функціонування ІСППР необхідно побудувати метрику, Експертні та інтелектуальні інформаційні системи 46 на основі якої можна визначати реле- вантність станів чи класів. Побудова такої метрики прямо залежить від типу задач: семантичні вони чи ознакові. Отже, зага- лом виділяють чотири різні типи задач, які розв’язують за допомогою ІСППР. Зріз за напрямом досліджень потребує двох різних функціональних моделей (пошук класу та планування діяльності), зріз за типом задачі – використання різ- ного роду метрик для їх розв’язування та оцінювання якості отриманих ро- зв’язків. Розглянемо всі ці типи задач, на- самперед ввівши поняття адаптивної онто- логії (АО). Класифікація Планування П р о ст ір о зн а к С ем а н т и ч н и й п р о ст ір Діагностика захворювань, моніторинг явищ, прогнозування спортивних подій, ... Інтелектуальна пошукова система, класифікація текстових документів, ... Планування діяльності підприємств та установ, ігри (шахи, шашки, …), гра на біржі, ... Квазіреферування та квазіанотування текстових документів, ... Рис.1. Типи задач, для розв’язування яких використовують ІСППР Ефективність адаптації онтології БЗ до особливостей ПО визначають елеме- нти її структури та механізми її адаптації через самонавчання під час експлуатації. Одним з підходів до реалізації таких ме- ханізмів є автоматизоване зважування по- нять БЗ та семантичних зв’язків між ними під час самонавчання. Цю роль викону- ють ваги важливості понять та зв’язків. Вага важливості поняття (зв’язку) – це чи- слова міра, котра характеризує значущість певного поняття (зв’язку) у конкретній ПО і динамічно змінюється за певними прави- лами під час експлуатації системи. Запро- поновано розширити модель онтології (1), ввівши в її формальний опис ваги важли- вості понять та відношень [6, 7]. Таку он- тологію визначено як: ˆ ˆ ˆ, ,O C R F , (4) де ˆ ,C C W , ˆ ,R R L , своєю чергою W – вага важливості понять C, L – вага важ- ливості відношень R. Визначену у такий спосіб онтологію названо адаптивною, тобто такою, що ада- птується до ПО за модифікації допомогою задання ваг важливості понять та зв’язків між ними. Така онтологія однозначно по- дається у вигляді зваженого КГ. Тому мет- рику побудовано на таких графах. Переваги моделі (4) над (1) поляга- ють у: 1) можливістю будувати метрики на основі онтології; 2) можливістю адаптувати базу знань ІСППР до потреб користувача; 3) можливістю задати важливість знань з точки зору експерта ПО; 4) АО на відміну від звичайної он- тології відображає не лише експліцитні (явні) знання, а й імпліцитні (неявні, при- ховані); 5) методи інтелектуального аналізу даних (дерева рішень, байєсівські мережі, k-найближчих сусідів) є окремим випад- ком АО в залежності від правил задання ваг важливості понять та відношень. З точки зору побудови БЗ ІСППР отримуємо такий підхід – експерту або ко- ристувачу системи надається готова БЗ, ядром якої є онтологія, а їх задача зво- диться лише у налаштуванні цієї БЗ під себе шляхом задання ваг важливості її елементів. Метрики на основі адаптивних онтологій Процес функціонування ІСППР для задач класифікації полягає у тому, що де- яку поточну ситуацію S відносять до кла- су ZClass: ClassS  . Для цього знаходять відстані між поточною ситуацією та окре- мими класами  ,Classi id d S . Ситуація S належить до того класу, відстань до якого є найменшою. Пропонується виконувати те рішення, яке відповідає цьому класу. Здебільшого методи класифікації зводять- ся до індукції дерев рішень (ДР) або до Експертні та інтелектуальні інформаційні системи 47 алгоритму найближчого сусіда, доповне- ного, можливо, знаннями про ПО. Що сто- сується адаптації і використання знайдено- го розв’язку, ця задача все ще залишається недостатньо формалізованою й істотно за- лежною від ПО. Запропоновано для кла- сифікації використовувати АО, тобто про- ектувати класи та поточну ситуацію на он- тологію ПО; ввести в межах онтології ПО метрику, за допомогою якої шукати необ- хідну відстань [5, 8]. Для семантичних задач запропоно- вано визначати відстань між класом і ситу- ацією як відстань між «найважливішим» поняттям класу та поточної ситуації. Оскі- льки АО подається у вигляді зваженого КГ, то таке поняття названо центром ваг відповідного зваженого КГ. Якщо j classC – центр ваг класу, k sC – центр ваг поточної ситуації, то відстань між таким класом та поточною ситуацією визначається як  ( , ) , j k sclassd Class S d C C . З математичного погляду: центром ваг КГ є поняття, середня відстань від яко- го до всіх інших понять найменша. Очеви- дно, що визначена у такий спосіб відстань залежатиме від того, як ми задамо відстань між двома суміжними вершинами КГ. За- пропоновано визначати відстань між вер- шинами, що з’єднані зв’язком, як   ij ij i j Q d L W W   , (5) де iW та jW – ваги важливості вершин iC та jC відповідно; ijL – вага важливості зв’язку між вершинами; Q – константа, яка залежить від конкретної онтології. Прийнято, що ijL = ∞, тоді 0iid  . Надалі знайдено центри ваг відпо- відних КГ. Центр ваг  це вершина КГ, для якої середня відстань id найменша: min ii i d d  . Середня відстань id для вер- шини iC обчислюється за формулою: 1, 1 n ij j j i i d d n       , (6) де n – кількість вершин графа; ijd – най- коротший шлях між вершинами iC та jC , який знаходять за допомогою відомих ал- горитмів, наприклад, Флойда-Уоршалла, Форда, Дейкстри. Пропонована відстань задовольняє три аксіоми метрики. Далі побудовано метрику для за- дач класифікації в просторі ознак. Нехай множина класів  1 2, ,Class Class Class , NClass описується характеристиками (властивостями)  1 2, , , MХ x x x  . iD – домен властивості ix ; li w – вага важливос- ті властивості li x класу iClass . Значення властивості ix позначатимемо  i iz z x . Отже,   1 1 2 2 , ,..., , k ki i i i i i i iClass X x z x z x z     де j ji iz D . Тоді відстань між класом iClass та поточною ситуацією S визнача- ється як:  , l l l i S i i i i I d z z    , (7) де li z – значення властивості li x класу iClass ; j S iz – значення властивості li x по- точної ситуації S; iI – множина індексів найважливіших властивостей класу iClass , 1 2 ... ii i i iNI I I I    , iN – кількість вла- стивостей, які треба розглянути, щоб при- йняти рішення стосовно належності S до класу iClass , 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           , … Функцією  ,   можна вибрати будь-яку відому метрику (наприклад, евклідову, манхет- тенську, Лемінга, Журавльова тощо) в ме- жах розв’язання окремої задачі, залежно від того, які дані використовуються (кіль- кісні, якісні, змішані) [9]. Для ІСППР планування діяльності отримано наступну модель. Нехай Експертні та інтелектуальні інформаційні системи 48   v St i оцінка стану  St i . k ija – перехід із стану  St i у стан  St j , з використан- ням альтернативи k ;  k ijv a – оцінка дії k ija . Стан мети Goal визначається тим, що деяка підмножина ознак X має досягати певних значень  ,z x Goal x X  . Будь-який стан  St i задається пев- ною множиною ознак iY , які набувають значень   ,z y St i iy Y  . Для оцінюван- ня стану  St i необхідно здійснити відо- браження  множини ознак та їх значень стану  St i в множину ознак та значень стану Goal за допомогою правил онтології БЗ (SWRL), тобто : O iY X  . Тоді оці- нка стану   v St i обчислюється               , , , , , Wx X v St i d St i Goal z x St i z x Goal       де WX – множина ознак з найбільшими вагами в АО, функція  така сама, як у (7). Очевидно, що чим менша оцінка стану, тим стан кращий. Потужність множини WX визначає користувач системи. Для вибору дій ІСППР спиратиме- мось на раціональність поведінки користу- вача, тобто на прагненні мінімізувати ви- трати ресурсів для досягнення стану мети. Кожна дія k ija визначається витратами ре- сурсів k ijg (ціна переходу зі стану в стан), де 1,2,..., ik n . in – кількість альтернатив k для здійснення переходу ija . Напри- клад, в задачі модернізації трубопроводів кожна з альтернатив характеризується ви- тратами ресурсів та терміном експлуатації. Інформація про альтернативи та витрати ресурсів зберігається в онтології. Відомос- ті про значення ознак та виграш від пере- ходу в стан (терміни експлуатування тощо) містяться в базі даних. Очевидно, що мо- жуть з’являтися нові альтернативи, тому ІСППР містить модуль поповнення онто- логії. Оцінка дії прямо пропорційна до витрати ресурсів, тобто  k k ij ijv a E g  , де E – скалярна величина. Загалом рішення сто- совно вибору дії на основі альтернатив ви- конуємо згідно з формулою:        ,k k i ij ijo a v a v St j . Після оцінки дій та станів задача вибору шляху в просторі станів зводиться до задачі динамічного програмування:     , iSt j a St i o ,   0 , max(min)St o  . Використовуючи методи, придатні для розв’язування таких задач, знаходимо розв’язок у вигляді шляху переходу з по- чаткового у кінцевий стан. Для семантичних задач плануван- ня діяльності про стан мети Goal напе- ред щось важко сказати. Наприклад, для задачі квазіреферування текстових доку- ментів станом мети є кінцевий квазіре- ферат, однак ми лише можемо уявляти, як приблизно він має виглядати. Оцінка стану в такій задачі збігається з оцінкою важливості семантичної одиниці (слово, лексема, речення), залежно від задачі. За- пропоновано для таких задач будувати метрику на основі зважування міри TF- IDF онтологією ПО. Тобто    TF-IDFv St W  . Така оцінка має істотні переваги порівняно з іншими, оскільки у ній одно- часно враховується як частотний аналіз вживання термінів у тексті (TF-IDF), так і специфіка ПО, до якої належить тематика цього тексту. Новий стан для задач квазі- реферування полягає в додаванні у квазі- реферат нових речень. Апробація метрик ІСППР складається з таких компо- нент: БЗ, ядром якої є АО; база даних (БД), в якій залежно від типу задачі збе- рігається множина класів та відповідних Експертні та інтелектуальні інформаційні системи 49 до них рішень, ваги важливості понять АО, типи відношень та ваги їх важливос- ті, значення ознак, історія значень ознак (для задач планування); модуль керування розв’язуванням задачі (використовує по- будовану метрику залежно від типу зада- чі); модуль поповнення знань (розбудо- вує, навчає та оптимізує онтологію). Для реалізації цих компонент обрано такі про- грамні засоби: для побудови онтології – редактор онтологій Protégé OWL API; для записування правил бази знань – SWRL, який входить як окремий модуль Protégé; для побудови БД – система ке- рування БД MySQL; для побудови мо- дуля керування розв’язуванням задачі та модуля поповнення знань використано мови програмування РНР, Python, Java, C#, залежно від призначення ІСППР. Розроблено ІСППР для семантич- них задач, а саме інтелектуальну пошуко- ву систему (ІПС) та ІСППР класифікації текстових документів. Пошукову систему називають інтелектуальною, якщо вона здійснює пошук на основі контексту. Таку систему можна вважати ІСППР класифіка- ції. Справді, текстова одиниця, згідно з якою ведеться пошук (речення, фраза, словосполучення тощо), є поточною си- туацією, яку називатимемо еталоном. Знайдені текстові документи будуть кла- сами, які рангуються згідно до відстані до еталона. За ваги, які використовуються під час знаходження відстані, беруть ваги понять онтології, що стосуються темати- ки, до якої належить еталон. Ефективність такого функціонування ІПС покажемо на прикладі аналізу анотацій наукових ста- тей. Розглянемо дві анотації статей із журналу «Фізико-хімічна механіка мате- ріалів». 1. The correlation between dif- ractometric inverstigations and calculations, based on the model of rigid spheres, allowed us to make prediction of the change of the surface tension and to evaluate the steel wettability by extremum of a continuous function of structural melt factor. The influence of stainless steel elements laser doped into the surface on structural factors of melts Pb and Li Pb was investigated. 2. The damaging of power plant equipment, made of stainless austenitic steels is considered. It has been found that initia- tion of intergranular stress corrosion cracks in the weld region of the welded joints made of this steel is caused by interaction of 3 factors – the determined degree of basic metal sensitization, high service stress, that is higher than the material yield strength and the increased oxygen concentration in the heat carrier. Значення ваг понять та зв’язків взя- то із розробленої онтології матеріалознав- ства на основі частотного методу. Корис- туючись формулою (5), в якій прийнято, що Q=50, отримаємо зважені КГ цих ано- тацій, які показано на рис. 2. 1 inverstigation 2 calculation 8 steel 5 factors 7 melt 6 function 4 sphere 3 model 8,33 5,7 5,2 4,5 4,8 7,7 4,5 3,1 3,1 1 crack 2 steel 11 oxygen 6 factor 7 concentration 8 sensitization 4 damaging3 corrosion 5 stress 9 material 10 metal 1 1,2 4,5 2,2 3,3 3,6 1,6 1,4 5,2 3,9 10 Рис. 2. Зважені концептуальні графи двох анотацій Зверху понять наведено їх індекси. Використовуючи алгоритм Флойда- Уоршалла та формулу (6), отримаємо, що центрами ваг відповідних КГ є:    1 3 'model'C   для якого 3 7,37d  та Експертні та інтелектуальні інформаційні системи 50    2 5 'stress'C   для якого 5 5,8d  . Не- хай пошук здійснюємо за словом ‘corrosion’, тобто це поняття вважаємо центром ваг поточної ситуації, а знайде- ні центри ваг анотацій – центрами ваг від- повідних класів. Оскільки поняття ‘corrosion’ входить у 2-гу анотацію, то відстань до цієї анотації дорівнює відс- тані між ‘corrosion’ та центром ваг цієї анотації:    3 5 2Pr , , 2,2d S d C C  . Для першої анотації відстань необ- хідно шукати за онтологією. Згідно онто- логії матеріалознавства, шлях від ‘corrosion’ до ‘model’ такий: ‘corrosion’- ‘physical_process’-‘process’-‘model’. Враховуючи ваги понять та ваги зв’язків (перші два ієрархічні, третій фун- кціональний), отримаємо:  1Pr , 4,6d S  . Аналогічно можна знайти відстані до інших анотацій від ключового слова ‘corrosion’. Розроблений метод не є альтерна- тивою пошуку релевантної інформації за ключовими словами, а його доповненням. Якщо пошук за ключовими словами не дає бажаних рішень, то тоді використовуємо розроблений пошук за контекстом на ос- нові онтології ПО. Оскільки онтологія за- дає наукові знання, то такий пошук має сенс лише для наукової інформації. Так у нашому випадку результатом пошуку за ключовим словом ‘corrosion’ була б лише друга анотація. Використовуючи розроб- лений метод, пропонуємо користувачу та- кож переглянути статтю, якій відповідає перша анотація. Відстань до наведеної першої анотації є найменшою серед всіх анотацій розглянутого номеру журналу. Для ознакових задач розроблено ІСППР планування діяльності діагностики та модернізації трубопроводу. Нехай ІСППР перебуває в стані  0St , наявний деякий матеріальний ресурс G. Перед ІСППР стоїть завдання Р – перейти у де- який цільовий стан Goal, використовуючи цей ресурс та знання ПО, що зберігаються в її онтології:   , : 0 G O P St Goal . Для оцінювання станів використано термін експлуатації трубопроводу (r), а для дій – витрату ресурсів g на перехід зі стану в стан. Тоді формула (9) для вибору альте- рнатив спрощується, а саме:   k jk ij k ij r o a g  , де k ijg – витрати ресурсів на перехід зі ста- ну  St i в стан  St j , використовуючи альтернативу k , k jr – термін експлуатації в стані  St j , за альтернативою k . Так для обробки труби необхідно розв’язати три підзадачі (підготовка, покриття, за- хист), першу з яких ділять ще на чотири підзадачі (розкриття поверхні труби, зняття захисного покриття, знежирення, ґрунтування). Для розв’язування кожної підзадачі використовують альтернативні рішення. Для підзадачі зняття захисного покриття можна вибрати одну із трьох альтернатив: механічне, хімічне, термічне. Вся ця інформація зберігається в онтології матеріалознавства [10]. Раціональність планування діяльно- сті формулюється так: як при мінімальних затратах максимально продовжити ресурс трубопроводу, беручи до уваги, що: 1) основним обмежувальним ре- сурс-фактором слугує електрохімічна ко- розія труби; 2) заданий орієнтовний економіч- ний ефект, який отримує користувач ІСППР від експлуатації трубопроводу та можливі втрати від припинення експлуа- тації; 3) затрати на протикорозійний за- хист відомі і визначаються технологією такого захисту; 4) орієнтовні терміни безаварійної експлуатації трубопроводу за відомих (за- даних) вжитих заходів з його проти- корозійного захисту відомі з експертних Експертні та інтелектуальні інформаційні системи 51 оцінок, нормативів, даних неруйнівного контролю та технічної діагностики. Так для підзадачі покриття використано таке правило: ЯКЩО ((Настав термін віднов- лення покриття) АБО (Настала подія пош- кодження покриття) АБО (Вимірювані па- раметри перевищують встановлений рані- ше допустимий поріг)) І (Наявні ресурси для оновлення покриття) ТО (Виконати заміну покриття). База знань деталізує це правило через систему уточнювальних продукційних правил, побудовану відпові- дно до Рете алгоритму. Для ІСППР важли- вою є інформація, яка дає змогу досягнути успіху у вирішенні цієї проблеми, тобто: інформація про нові види протикорозійно- го захисту, що дають подовжені терміни безаварійної експлуатації; інформація про уточнену оцінку ресурсу трубопроводу; інформація про ефективніші технології на- несення покриттів. Для пошуку цієї інфо- рмації проаналізовано анотації наукових статей журналу «Фізика-хімічна механіка матеріалів» за останні десять років. Окремі анотації записані в розробленій онтології за допомогою SWRL-правил. Загалом отримано таку модель задачі:   1 0 1 0 max, , , N k i ij i e N k ij i o a r r g G                  (8) де min j j r r , er  бажаний термін експлу- атації. Задачу (8) можна розв’язати мето- дом функціональних рівнянь, який прида- тний для розв’язування задач динамічного програмування. Використання АО в складі БЗ ІСППР, дає змогу звести задачу плану- вання діяльності до задачі динамічного програмування. Висновки Отже у роботі розроблено метод побудови інтелектуальних систем підтри- мки прийняття рішень з використанням онтологічного підходу та підвищення ефективності таких систем, якого досяг- нуто завдяки застосуванню розробленого математичного та програмного забезпе- чення, що ґрунтується на використанні онтологій у цих системах, адаптацією он- тологій до специфіки задач предметної області. Модифіковано структуру тради- ційних онтологій шляхом введення в їх структуру ваг важливості понять та від- ношень. Це дало змогу, завдяки налашту- ванню цих ваг, адаптувати онтологію до специфіки задач предметної області та до потреб користувача системи. Така модель онтології задає не лише експліцитні, а й імпліцитні знання. Розроблено математи- чне забезпечення функціонування інтеле- ктуальних систем підтримки прийняття рішень на основі адаптивної онтології, що дало змогу формалізувати процес при- йняття рішень такою системою. Побудо- вана семантична метрика на основі адап- тивної онтології, на відміну від інших метрик, враховує причинно-наслідкові за- лежності між поняттями, а не лише їх таксономію. Для ознакових задач розроб- лене математичне забезпечення ґрунту- ється на автоматизованому визначенні множини властивостей понять, згідно до значень яких здійснюється процес підтри- мки прийняття рішень. Розроблено про- грамне забезпечення функціонування ін- телектуальних систем підтримки прийн- яття рішень, яке ґрунтується на побудо- ваних моделях, методах та алгоритмах, що дало можливість реалізувати окремі компоненти та функціональні модулі ін- телектуальних систем підтримки прийн- яття рішень, ядром баз знань яких є он- тологія. 1. Gruber T. A translation approach to portable ontologies // Knowledge Acquisition. – 1993. – N 5 (2). – P. 199–220. 2. Guarino N. Formal Ontology, Conceptual Analysis and Knowledge Representation // In- ternational Journal of Human-Computer Stud- ies. – 1995. – N 43(5-6). – Р. 625–640. 3. Sowa J. Conceptual Graphs as a universal knowledge representation // In: Semantic Networks in Artificial Intelligence, Spec. Is- sue of An International Journal Computers & Mathematics with Applications. (Ed. F. Leh- mann).  1992. – Vol. 23, N 2–5.  P. 75–95. Експертні та інтелектуальні інформаційні системи 52 4. Montes-y-Gómez M., Gelbukh A., López- López A. Comparison of Conceptual Graphs [Електронний ресурс] // Lecture Notes in Artificial Intelligence Vol. 1793. – Springer- Verlag. – 2000. – Режим доступу до журналу: http://ccc.inaoep.mx/~mmontesg/publicacione s/ 2000/ComparisonCG. 5. Литвин В.В. Бази знань інтелектуальних систем підтримки прийняття рішень: монографія // Міністерство освіти і науки, молоді та спорту України, Національний університет «Львівська політехніка». – Львів: Видавництво Львівської політех- ніки, 2011. – 240 с. 6. Литвин В.В. Мультиагентні системи підтримки прийняття рішень, що базуються на прецедентах та використовують адаптивні онтології // Радіоелектроніка, інформатика, управ- ління: наук. журн. / Запорізький національний технічний університет. – 2009. – № 2(21). – С. 120–126. 7. Литвин В.В. Інтелектуальні агенти пошуку релевантних прецедентів на основі адап- тивних онтологій // Математичні машини і системи: наук. журн. / Національна акаде- мія наук України; Інститут проблем мате- матичних машин і систем. – 2011. – № 3. – С. 66–72. 8. Литвин В.В., Даревич Р.Р., Досин Д.Г. По- шук релевантних прецедентів на основі адаптивних онтологій // Штучний інтелект: наук.-техн. журн. / Національна академія наук України; Інститут проблем штучного інтелекту. – Донецьк. – 2011. – № 3. – С. 388–395. 9. Shakhovska N., Medykovskyj M., Lytvyn V. Dataspace Class Algebraic System for Mod- eling Integrated Processes // Journal of ap- plied computer science. – 2012.– Vol. 20, N 1. – P. 69–80. 10. Dosyn D., Lytvyn V., Yatsenko A. DP- optimization of steel corrosion protection techniques in the intelligent diagnostic system // Physicochemical Mechanics of Materials. – Львів, 2012. – N 9. – P. 329–333. Одержано 12.03.2013 Про автора: Литвин Василь Володимирович, доктор технічних наук, доцент, доцент кафедри інформаційних систем та мереж Місце роботи автора: Національний університет «Львівська політехніка», 79013, м. Львів, вул. Бандери, 12. Тел.: (032)258 2538. E-mail: vasyl17.lytvyn@gmail.com mailto:vasyl17.lytvyn@gmail.com

Approach to the building intelligent decision support systems on the basis of ontology

Репозитарії

Схожі ресурси