Một phương pháp hỗ trợ xử lý tri thức không nhất quán trong tiến hoá Ontology
Các ontology biểu diễn tri thức cho một lĩnh vực cụ thể tương ứng với thế giới
thực thường có nhu cầu thay đổi theo thời gian để phản ánh đúng với thế giới thực. Quá
trình thay đổi này thường được biết đến trong lĩnh vực kỹ nghệ ontology với tên gọi tiến
hoá ontology. Thách thức quan trọng của quá trình tiến hoá ontology đó là phải bảo đảm
tính nhất quán. Điều này được giải thích bởi, nếu ontology không nhất quán thì mọi tiên
đề đều là hệ quả logic của nó. Nói cách khác ontology không nhất quán làm mất đi ích
lợi biểu diễn và truy vấn thông tin.
Người ta đã đưa ra nhiều giải pháp để đảm bảo tính nhất quán của ontology
trong quá trình tiến hoá. Các giải pháp này tựu trung lại đều được căn cứ trên các quy
tắc [1] nhằm đảm bảo tính hợp lệ về cú pháp của ontology theo ràng buộc ngôn ngữ đã
được xác định (ví dụ ngôn ngữ OWL 2 DL, OWL 2 Full, ) và/hoặc đảm bảo quy tắc
đảm bảo không mâu thuẫn về mặt logic của các tiên đề.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Một phương pháp hỗ trợ xử lý tri thức không nhất quán trong tiến hoá Ontology
h đề 1. Gọi 𝒪 là một ontology. Với mọi khái niệm 𝑐1, 𝑐2 ∈ 𝑁𝐶 , ta có: • 𝛿(𝑐1, 𝑐2) = 𝛿(𝑐2, 𝑐1) • 0 ≤ 𝛿(𝑐1, 𝑐2) ≤ 1 • 𝛿(𝑐1, 𝑐2) = 0 khi 𝑐1 ≡ 𝑐2 • 𝛿(𝑐1, 𝑐2) = 1 khi 𝐿𝐶𝑃𝓞(𝑐1, 𝑐2) = {⊤} hoặc 𝑐1 ≡ ⊥ hoặc 𝑐2 ≡ ⊥ 2.2. Khoảng cách ngữ nghĩa giữa hai hai biểu thức khái niệm bất kỳ Với 𝒪 là một ontology, chúng ta mở rộng khái niệm khoảng cách ngữ nghĩa giữa hai khái niệm trong ontology thành “khoảng cách ngữ nghĩa giữa hai biểu thức khái niệm theo ontology 𝒪” như sau: Khoảng cách ngữ nghĩa giữa hai biểu thức khái niệm 𝐶𝐸1, 𝐶𝐸2 theo ontology 𝒪 được hiểu là khoảng cách ngữ nghĩa của hai biểu thức khái niệm này khi đặt trên cây phân cấp khái niệm của ontology 𝒪. Theo công thức ở Định nghĩa 2, khoảng cách ngữ nghĩa giữa hai khái niệm 𝐶𝐸1, 𝐶𝐸2 theo ontology 𝒪 là: 𝛿𝓞(𝐶𝐸1, 𝐶𝐸2) = min{ 𝜇𝓞(𝐶𝐸1, 𝐶𝐸0) + 𝜇𝓞(𝐶𝐸2, 𝐶𝐸0) 𝜇𝓞(𝐶𝐸1, 𝐶𝐸0) + 𝜇𝓞(𝐶𝐸2, 𝐶𝐸0) + 2. 𝜇𝓞(𝐶𝐸0, ⊤) | 𝐶𝐸0 ∈ 𝐿𝐶𝑃𝒪(𝐶𝐸1, 𝐶𝐸2)} Chúng ta có thể tính số cung nối giữa hai biểu thức khái niệm bất kỳ 𝐶𝐸1và 𝐶𝐸2 dựa theo số cung nối giữa hai khái niệm có tên của ontology 𝒪 theo 3 trường hợp như sau: - Trường hợp 1) ∃𝑐1 ∈ 𝐶𝒪: 𝑐1 ≡ 𝐶𝐸1. Khi đó: 𝜇(𝐶𝐸1, 𝐶𝐸2) = min{ 𝜇𝓞(𝑐1, 𝑐) | 𝑐 ∈ 𝐷𝐶𝒪(𝐶𝐸2)} - Trường hợp 2) ∃𝑐2 ∈ 𝐶𝒪: 𝑐2 ≡ 𝐶𝐸2. Khi đó: 𝜇 𝓞 (𝐶𝐸1, 𝐶𝐸2) = min{ 𝜇𝓞(𝑐, 𝑐2) | 𝑐 ∈ 𝐷𝑃𝒪(𝐶𝐸1)} TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 17, Số 1 (2020) 53 - Trường hợp 3) Không có khái niệm có tên trên 𝒪 tương đương với 𝐶𝐸1 hoặc 𝐶𝐸2. Khi đó: 𝜇 𝓞 (𝐶𝐸1, 𝐶𝐸2) = min{ 2 + 𝜇𝓞(𝑐, 𝑐′) | 𝑐 ∈ 𝐷𝑃𝒪(𝐶𝐸1), 𝑐 ′ ∈ 𝐷𝐶𝒪(𝐶𝐸2)} Như vậy, bằng cách tính sẵn các thông số μ giữa các cặp khái niệm của ontology 𝒪 (có thể dùng thuật toán tìm đường đi ngắn nhất giữa các cặp đỉnh như Floyd [3] chẳng hạn), chúng ta có thể tính nhanh khoảng cách ngữ nghĩa 𝛿 cho cặp biểu thức khái niệm bất kỳ. 2.3. Khoảng cách ngữ nghĩa giữa hai tiên đề Theo tài liệu đặc tả cấu trúc OWL 2, chúng ta luôn xác định được tập biểu thức khái niệm (cũng như tập biểu thức thuộc tính đối tượng, tập biểu thức thuộc tính dữ liệu) của một tiền đề bất kỳ của ontology OWL 2. Điều tương tự cũng có thể thực hiện được với các ngôn ngữ ontology khác. Khoảng cách ngữ nghĩa giữa hai tiên đề theo ontology tham chiếu có thể được tính bằng trung bình cộng của tất cả các khoảng cách ngữ nghĩa giữa hai biểu thức khái niệm có trong hai tiên đề đó. Cụ thể như sau: Định nghĩa 3 (Khoảng cách ngữ nghĩa giữa hai tiên đề). Gọi 𝑂 = là một ontology. Khoảng cách ngữ nghĩa giữa hai tiên đề Φ, 𝜓 ∈ 𝐴, ký hiệu là 𝑑𝒪(Φ, 𝜓), được định nghĩa như sau: 𝑑𝓞(Φ, 𝜓) = ∑ 𝛿𝒪(𝐶𝐸1, 𝐶𝐸2)𝐶𝐸1∈𝑪𝑬(Φ),𝐶𝐸2∈𝑪𝑬(𝜓) 2. 𝑐𝑎𝑟𝑑(𝑪𝑬(Φ)). 𝑐𝑎𝑟𝑑(𝑪𝑬(ψ)) , trong đó: − 𝑪𝑬(Φ) là tập các biểu thức khái niệm xuất hiện trong tiên đề Φ. − 𝑐𝑎𝑟𝑑(𝑿) là lực lượng của tập hợp 𝑿. Khi đã rõ ontology 𝑂, chúng ta có thể viết 𝑑 thay vì 𝑑𝑂. Như vậy, chúng ta luôn luôn xác định được khoảng cách ngữ nghĩa giữa hai tiên đề bằng cách dựa vào số cung nối giữa hai khái niệm bất kỳ của ontology. 3. XÂY DỰNG TẬP TIÊN ĐỀ NHẤT QUÁN TRONG QUÁ TRÌNH TIẾN HOÁ ONTOLOGY Tiến hoá ontology được hiểu là quá trình điều chỉnh (bổ sung, chỉnh sửa, xoá) một hoặc nhiều tiên đề trong ontology để đáp ứng sự thay đổi của thế giới thực mà ontology này biểu diễn. Điều kiện cốt lõi nhất của quá trình tiến hoá ontology là phải giữ cho ontology tính nhất quán. Thao tác chỉnh sửa tiên đề trong quá trình tiến hoá ontology có thể được xem là tổng hợp của hai thao tác tuần tự là xoá và bổ sung tiên đề. Mặt khác, nếu ontology đang Một phương pháp hỗ trợ xử lý tri thức không nhất quán trong tiến hoá ontology 54 là nhất quán thì việc xoá một hoặc nhiều tiên đề khỏi ontology sẽ không làm mất đi tính nhất quán của nó. Như vậy, vấn đề bảo đảm tính nhất quán trong quá trình tiến hoá ontology có thể quy về bài toán “bảo đảm tính nhất quán của ontology khi bổ sung mới một hoặc nhiều tiên đề”. Có thể phát biểu một cách hình thức cho bài toán này như sau: Gọi 𝑂 = là ontology nhất quán (𝐴 là tập tiên đề nhất quán). 𝐴𝑎𝑑𝑑 là tập tiên đề cần bổ sung trong quá trình tiến hoá ontology 𝑂. Trong trường hợp 𝐴 ∪ 𝐴𝑎𝑑𝑑 không nhất quán, hãy tìm ra tập con 𝐴∗ ⊂ 𝐴 ∪ 𝐴𝑎𝑑𝑑 sao cho 𝐴 ∗ là tập tiên đề nhất quán. 3.1. Phân tích yêu cầu tiến hoá Quá trình tiến hoá ontology thường được thực hiện để đảm bảo ontology phản ánh đúng thế giới thực. Theo đó, các tiên đề cần bổ sung vào được xem như có giá trị hơn nhưng tiên đề đã có trong ontology hiện tại. Nói cách khác, chúng ta ưu tiên giữ lại những tiên đề này trong quá trình tiến hoá. Mặt khác, chúng ta cũng giả thiết rằng, tập tiên đề cần bồ sung 𝐴𝑎𝑑𝑑 là không chứa mâu thuẫn. Chiến lược chọn tập tiên đề tiến hoá là xây dựng tập tiên đề 𝐴′ bằng cách xoá một số ít nhất các tiên đề trong 𝐴 sao cho 𝐴′ ∪ 𝐴𝑎𝑑𝑑 là nhất quán. Một ontology là không nhất quán khi trong ontology có tạo ra cá thể của một khái niệm không thoả được (unsatisfiable concept) (hoặc thuộc tính đối tượng không thoả được, hoặc thuộc tính dữ liệu không thoả được). Do sự tương tự của khái niệm và thuộc tính đối tượng, thuộc tính dữ liệu, bài báo này chỉ xét đến việc xử lý tri thức không nhất quán với khái niệm không thoả được. Trên thực tế, với một khái niệm không thoả được trong ontology, người ta có thể tính ra được tập tiên đề nhỏ nhất sao cho khái niệm đó vẫn không thoả được trong tập tiên đề này, gọi là MUPS (Minimal unsatisfiability-preserving sub-ontology) [6]. Bằng cách xoá đi một tiên đề khỏi tập tiên đề MUPS, chúng ta sẽ thu được tập tiên đề nhất quán. Đây chính là ý tưởng của việc xây dựng tập tiên đề nhất quán trong quá trình tiến hoá [4]. Tuy vậy, chọn tiên đề nào để xoá cũng là một vấn đề đang gây khó khăn cho người dùng. Bài báo này đề xuất lựa chọn tiên đề có khoảng cách ngữ nghĩa nhỏ nhất đến tiên đề trong 𝐴𝑎𝑑𝑑 để xoá. Lý do cho lựa chọn này là: Tiên đề có khoảng cách ngữ nghĩa nhỏ nhất đến tập tiên đề muốn thêm vào thì sẽ có “ngữ nghĩa” gần giống với các tiên đề chuẩn bị thêm vào. Do đó, việc xoá nó đi sẽ làm mất ít ngữ nghĩa hơn. 3.2. Chiến lược chọn tập tiên đề cho ontology tiến hoá Gọi 𝑂 = là ontology nhất quán ban đầu. 𝐴𝑎𝑑𝑑 là tập tiên đề cần bổ sung trong quá trình tiến hoá ontology 𝑂. Giả thiết 𝐴 ∪ 𝐴𝑎𝑑𝑑 là không nhất quán, trong đó 𝑐𝑢𝑠 là khái niệm không thoả được trên tập tiên đề 𝐴 ∪ 𝐴𝑎𝑑𝑑. Theo phân tích ở phần trước, chiến lược xây dựng tập tiên đề nhất quán trong quá trình tiến hoá ontology 𝑂 sẽ được thực hiện theo hai giai đoạn: TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 17, Số 1 (2020) 55 Giai đoạn 1: Tìm một tập tiên đề 𝐴𝑚𝑖𝑛 ≔ 𝑀𝑈𝑃𝑆(𝑐𝑢𝑠, 𝐴 ∪ 𝐴𝑎𝑑𝑑) sao cho khái niệm 𝑐𝑢𝑠 là không thoả được trong 𝐴𝑚𝑖𝑛, đồng thời 𝐴𝑚𝑖𝑛 là tối thiểu theo nghĩa: 𝐴𝑚𝑖𝑛 ⊆ 𝐴 ∪ 𝐴𝑎𝑑𝑑 và ∀𝛼 ∈ 𝐴𝑚𝑖𝑛: 𝑐𝑢𝑠 là thoả được trong 𝐴𝑚𝑖𝑛\ {𝛼}. Giai đoạn 2: Tìm tiên đề 𝛼∗ ∈ 𝐴𝑚𝑖𝑛 sao cho khoảng cách từ nó đến các tiên đề cần thêm là cực tiểu: ∀𝛼 ∈ 𝐴𝑚𝑖𝑛, 𝛽 ∈ 𝐴𝑎𝑑𝑑: 𝑑𝑂(𝛼 ∗, 𝛽) ≤ 𝑑𝑂(𝛼, 𝛽) Hiển nhiên rằng, có thể có nhiều khái niệm không thoả trong tập tiên đề 𝐴 ∪ 𝐴𝑎𝑑𝑑. Trong tình huống này, với mỗi khái niệm không thoả, chúng ta áp dụng lần lượt hai giai đoạn xử lý ở trên để thu được tập tiên đề tối ưu. Dưới đây là mô tả mã giả cho toàn bộ quá trình chọn tập tiên đề để thực hiện tiến hoá ontology: Đầu vào: - Ontology 𝑂 =; - Tập tiên đề cần thêm vào: 𝐴𝑎𝑑𝑑 với 𝐴 ∪ 𝐴𝑎𝑑𝑑 là không nhất quán. Đầu ra: Tập tiên đề mới 𝐴′ nhất quán, sao cho 𝐴′ = 𝐴∗ ∪ 𝐴𝑎𝑑𝑑, 𝐴 ∗ ⊂ 𝐴 và |𝐴∗| lớn nhất có thể được. Thủ tục: Xác định: 𝐴∗ ≔ 𝐴; Tính 𝐶𝑈𝑆 ∶= {𝑐𝑢𝑠 ∈ 𝑆 | 𝑐𝑢𝑠 𝑘ℎô𝑛𝑔 𝑡ℎ𝑜ả đượ𝑐 𝑡𝑟𝑜𝑛𝑔 𝐴 ∪ 𝐴𝑎𝑑𝑑}; for 𝑐𝑢𝑠 ∈ 𝐶𝑈𝑆 Tính 𝐴𝑚𝑖𝑛 ≔ 𝑀𝑈𝑃𝑆(𝑐𝑢𝑠, 𝐴 ∗ ∪ 𝐴𝑎𝑑𝑑); Tìm 𝛼∗ ∈ 𝐴∗ sao cho: ∀𝛼 ∈ 𝐴∗, 𝛽 ∈ 𝐴𝑎𝑑𝑑: 𝑑𝑂(𝛼 ∗, 𝛽) ≤ 𝑑𝑂(𝛼, 𝛽) Thực hiện gán 𝐴∗ ≔ 𝐴∗ \ {𝛼∗}. Nếu 𝐴∗ ∪ 𝐴𝑎𝑑𝑑 không còn chứa khái niệm không thoả được thì chấm dứt lặp; Kết luận tập tiên đề tiến hoá 𝐴′ = 𝐴∗ ∪ 𝐴𝑎𝑑𝑑. 3.3. Ví dụ minh hoạ Chúng ta kết thúc phần này bằng một ví dụ minh hoạ cách làm việc theo chiến lược chọn tập tiên đề tiến hoá dựa vào khoảng cách ngữ nghĩa. Chẳng hạn, cho ontology 𝑂 với tập tiên đề 𝐴 = {𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒 ⊑ 𝑃𝑒𝑟𝑠𝑜𝑛, 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 ⊑ 𝑃𝑒𝑟𝑠𝑜𝑛, 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡 ⊑ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑆𝑡𝑎𝑓𝑓 ⊑ 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒, 𝑆𝑡𝑎𝑓𝑓 ⊓ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 = ⊥, 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡(𝑋)}. Tập tiên đề 𝐴 hiện tại không chứa mâu thuẫn. Giả sử, trong quá trình tiến hoá, người ta muốn bổ sung thêm Một phương pháp hỗ trợ xử lý tri thức không nhất quán trong tiến hoá ontology 56 tiên đề 𝛼 = 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡 ⊑ 𝑆𝑡𝑎𝑓𝑓. Hiển nhiên rằng 𝐴 ∪ {𝛼} có chứa mâu thuẫn. Áp dụng chiến lược đã nêu ở Phần 3.2, chúng ta tìm cách loại ra khỏi 𝐴 một số tiên đề để việc bổ sung 𝛼 tạo nên tập tiên đề nhất quán như dưới đây. Trước hết, xác định 𝐴∗ = 𝐴. Khái niệm không thoả xuất hiện trong tập tiên đề 𝐴 ∪ {𝛼} là 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡. Tập tiên đề MUPS cho khái niệm này chính là { 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡 ⊑ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝛼, 𝑆𝑡𝑎𝑓𝑓 ⊑ 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒, 𝑆𝑡𝑎𝑓𝑓 ⊓ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 = ⊥}. Cần phải tìm ra một trong ba tiên đề khác 𝛼 trong MUPS để loại trừ. Tiêu chí để lựa chọn là khoảng cách ngữ nghĩa giữa các tiên đề này với 𝛼. Ta có: 𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑆𝑡𝑢𝑑𝑒𝑛𝑡) = 1 1 + 2 × 2 = 1 5 𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑆𝑡𝑎𝑓𝑓) = 1 1 + 2 × 3 = 1 7 𝛿(𝑆𝑡𝑎𝑓𝑓, 𝑆𝑡𝑢𝑑𝑒𝑛𝑡) = 1 + 2 1 + 2 + 2 × 1 = 3 5 𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒) = 2 + 1 2 + 1 + 2 × 1 = 3 5 𝛿(𝑆𝑡𝑎𝑓𝑓, 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒) = 1 1 + 2 × 2 = 1 5 Như vậy: 𝑑(𝛼, 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡 ⊆ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡) = 1 4 × (𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑆𝑡𝑢𝑑𝑒𝑛𝑡) + 𝛿(𝑆𝑡𝑎𝑓𝑓, 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡) + 𝛿(𝑆𝑡𝑎𝑓𝑓, 𝑆𝑡𝑢𝑑𝑒𝑛𝑡)) = 1 4 × ( 1 5 + 1 7 + 3 5 ) = 1 4 × 33 35 𝑑(𝛼, 𝑆𝑡𝑎𝑓𝑓 ⊑ 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒) = 1 4 × (𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑆𝑡𝑎𝑓𝑓) + 𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒) + 𝛿(𝑆𝑡𝑎𝑓𝑓, 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒)) = 1 4 × ( 1 7 + 3 5 + 1 5 ) = 1 4 × 33 35 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 17, Số 1 (2020) 57 𝑑(𝛼, 𝑆𝑡𝑎𝑓𝑓 ⊓ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 = ⊥) = 1 4 × (𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑆𝑡𝑎𝑓𝑓) + 𝛿(𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑆𝑡𝑢𝑑𝑒𝑛𝑡) + 𝛿(𝑆𝑡𝑎𝑓𝑡𝑡, 𝑆𝑡𝑢𝑑𝑒𝑛𝑡)) = 1 4 × ( 1 7 + 3 5 + 3 5 ) = 1 4 × 47 35 Vậy cần phải loại bỏ tiên đề 𝑃ℎ𝐷𝑆𝑡𝑢𝑑𝑒𝑛𝑡 ⊆ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 hoặc tiên đề 𝑆𝑡𝑎𝑓𝑓 ⊑ 𝐸𝑚𝑝𝑙𝑜𝑦𝑒𝑒 ra khỏi 𝐴 trước khi bổ sung tiên đề 𝛼 trong quá trình tiến hoá. 4. KẾT LUẬN Bài báo trình bày phương pháp sử dụng khoảng cách ngữ nghĩa để xây dựng tập tiên đề trong quá trình tiến hoá. Đây là đóng góp có ý nghĩa bởi nó sẽ giúp người dùng có được tiêu chí định lượng cụ thể khi xét duyệt các tiên đề. Trong một số trường hợp, việc dựa trên khoảng cách ngữ nghĩa cũng không định ra được duy nhất tiên đề cần loại bỏ. Hướng phát triển tiếp theo của bài báo là xét thêm một số tiêu chí nữa, chẳng hạn quy tắc được đề xuất bởi [1] để thu gọn lại tập hợp tiên đề gợi ý loại bỏ. TÀI LIỆU THAM KHẢO [1] Leila Bayoudhi, Najla Sassi, and Wassim Jaziri. Overview and Reflexion on OWL 2 DL Ontology Consistency Rules. In Proceedings of the Second International Conference on Internet of Things, Data and Cloud Computing, ICC ’17, pages 133:1—-133:8, New York, NY, USA, 2017 ACM. [2] Tim Berners-Lee, James Hendler, and Ora Lassila. The semantic web. Scientific American, 284(5):34–43, 2001. [3] Robert W Floyd. Algorithm 97: shortest path. Communications of the ACM1, 5(6):345, 1962. [4] Peter Haase, Frank Van Harmelen, Zhisheng Huang, Heiner Stuckenschmidt, and York Sure. A framework for handling inconsistency in changing ontologies. In The Semantic Web - SWC 2005, volume 3729 LNCS, pages 353–367. Springer, 2005. [5] Markus Kr¨otzsch, Frantisek Simancik, and Ian Horrocks. A Description Logic Primer. arXiv preprint arXiv:1201.4089, pages 1–17, jan 2012. [6] Stefan Schlobach and Ronald Cornet. Non-standard reasoning services for the debugging of description logic terminologies. In IJCAI Interna tional Joint Conference on Artificial Intelligence, volume 3, pages 355–360. Morgan Kaufmann, 2003. Một phương pháp hỗ trợ xử lý tri thức không nhất quán trong tiến hoá ontology 58 A NOVEL METHOD TO RESOLVE INCONSISTENCY IN ONTOLOGY EVOLUTION Nguyen Van Trung1*, Nguyen Thi Bich Loc1*, Tran Dinh Son2 1 Faculty of Information Technology, University of Sciences, Hue University 2College of Information Technology, The University of Danang *Email: nvtrung@hueuni.edu.vn ABSTRACT Ontology captures domain knowledge and play an important role in Semantic Web applications. When domain knowledge change, ontology should adapt to change by adding, editing or deleting its axioms. The big challenge of this process – which called as ontology evolution – is how to guarantee the consistency state of the ontology. This paper proposes a novel method based on semantic distance to formulate consistent set of axioms in ontology evolution process. Keywords: inconsistency handling, ontology evolution, , semantic distance TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 17, Số 1 (2020) 59 Nguyễn Văn Trung sinh ngày 25/10/1981 tại Thừa Thiên Huế. Năm 2003, ông tốt nghiệp cử nhân Tin học; năm 2006, ông nhận bằng thạc sĩ chuyên ngành Công nghệ Thông tin; năm 2018, ông nhận học vị Tiến sĩ chuyên ngành Khoa học Máy tính tại trường Đại học Khoa học, Đại học Huế. Từ năm 2004 đến nay ông giảng dạy tại trường Đại học Khoa học, Đại học Huế. Lĩnh vực nghiên cứu: Các hệ thống thông tin, Quản lý và biểu diễn tri thức, Web ngữ nghĩa, Linked Data, Công nghệ phần mềm. Nguyễn Thị Bích Lộc sinh ngày 25/05/1979 tại Thừa Thiên Huế. Năm 2004, bà tốt nghiệp kỹ sư chuyên ngành Đảm bảo Toán học cho tin học tại trường Đại học kỹ thuật Taganrog. Năm 2007 bà nhận bằng thạc sĩ chuyên ngành Khoa học Máy tính tại trường Đại học Khoa học, Đại học Huế. Từ năm 2004 đến nay bà giảng dạy tại trường Đại học Khoa học, Đại học Huế. Lĩnh vực nghiên cứu: Logic mô tả. Quản lý và biểu diễn tri thức. Lý thuyết đồ thị. Độ phức tạp tính toán Trần Đình Sơn sinh ngày 08/11/1974 tại Hải Phòng. Năm 1996, ông tốt nghiệp đại học chuyên ngành ngành Toán – Tin tại Trường Đại học Khoa học, Đại học Huế. Năm 2003, ông tốt nghiệp thạc sĩ chuyên ngành Công nghệ thông tin tại Đại học Đà Nẵng. Từ năm 1996 đến nay, ông giảng dạy tại Trường Đại học Bách khoa và Trường Cao đẳng Công nghệ Thông tin, Đại học Đà Nẵng. Lĩnh vực nghiên cứu: Trí tuệ nhân tạo, Toán rời rạc, Đồ họa và Xử lý ảnh. Một phương pháp hỗ trợ xử lý tri thức không nhất quán trong tiến hoá ontology 60
File đính kèm:
- mot_phuong_phap_ho_tro_xu_ly_tri_thuc_khong_nhat_quan_trong.pdf