本体推理（共6篇）
本体推理 篇1
摘要：统一建模语言 (UML) 是一个半形式化的语言, 其语义部分是采用自然语言描述的, 使得它在建模过程中会产生语义不一致等问题。在详细比较UML类图与本体的基础上, 提出了一种UML类图的形式化方法;首先将UML类图转换为相应的本体;然后根据本体提供的推理算法 (Tableau) 对转换得到的本体进行推理, 检测其中的不一致性从而修改UML类图, 最后达到精确UML类图。
关键词：本体,UML类图,形式化,描述逻辑
0 引言
UML[1,2,3]是一种形式化建模语言, 可以对具有静态结构和动态行为的系统进行建模。作为一种通用的建模语言, UML越来越多地用于大型系统的建模, 但复杂系统的建模往往需要进行严格的形式分析和验证以保证其正确性。UML是半形式化的———其语法结构采用了形式化的规约, 但其语义部分则是用自然语言描述的, 缺乏准确的语义[4], 难以对模型进行语义推理验证和检查。
为了提高UML的语义精确性, 许多组织和学者提出了很多形式化UML的方法。如:英国的p UML组 (precise UML group) [5]试图给出一种相对治本的方法, 其目标是运用浅显的数学知识对UML元模型进行形式化, 从而将UML发展为一种精确的 (形式的) 建模语言。此外, 还有研究人员利用形式化语言:Z语言、Object-Z语言、COOZ语言、B语言、PVS、XYZ/E、RAISE等对UML类图进行形式化, 以提高模型的准确性。
本文在详细分析对比领域本体与UML模型之间相似性的基础上, 提出了一种基于本体的UML类图形式化方法, 通过本体的推理实现对UML类图的语义检查。由于本体与UML类图模型有着极为相似之处, 并且, 本体能在语义和知识层次上描述信息系统, 因此, 把UML类图模型转换为本体, 通过对转换后的模型进行推理, 可以检查出模型中存在的语义问题, 从而提高了建模的效率。
1 UML类图与领域本体的对比分析
类是任何面向对象系统的核心, 因此, 类图成了最常用的UML图[3]。系统的结构由一组通常称为对象的部件构成。类描述系统中不同对象的类型, 而类图则显示出这些类以及彼此之间的关系。
一个类图主要包括三部分:类名、属性和操作 (方法) 。并且, 类与类之间还存在着各种各样的关系, 包括:依赖、关联、聚合、组合以及泛化 (继承) , 这些类之间的关系依照顺序依次增强的。两个类之间的依赖, 说明一个类的对象暂时使用另一个类的对象。关联则意味着一个类的对象在一段时间内使用另一个类的对象。关联关系包括关系的方向性、角色以及基数等三个要素。方向性指关联关系是从源类指向目的类, 在不同的关系中源类和目的类具有不同的角色, 并具有1对1或1对n的数量关系。关联关系的语义为源类对象中包含目的类对象或对象引用, 因此只有当两个对象的类之间存在关联关系时, 这两个对象之间才可能会发消息。聚合是整体—部分关系, 聚合关系可以看作特殊的关联关系。组合是比聚合还强的关系 (尽管它们的工作方式非常相近) 。泛化是一种更一般描述和更具体描述之间的分类关系。
本体最早是一个哲学上的概念, 从哲学范畴上讲, 本体是客观存在的一个系统的解释和说明, 关系的是客观现实的抽象本质。在人工智能界, 本体最流行的定义是Gruber给出的即“本体是概念模型的明确的规范说明[6]”。后来, Borst在此基础上给出了本体的另一个定义即本体是共享概念模型的明确的形式化的规范说明。通过分析上述定义, Studer认为其包括四层含义:概念模型、明确、形式化和共享。Perez等人认为本体可以按分类法来组织, 他归纳出本体包含5个基本的建模元语。这些建模元语分别为:类、关系、函数、公理、实例, 通常也把class写成concept。概念的含义很广泛, 可以指任何事物, 如功能、行为、策略等等, 实例代表元素;从语义上讲, 概念就是对象的集合, 实例就是概念;关系代表了在领域中概念的交互作用, 形式定义为n维笛卡尔乘积的子集:R:C1×C2×…×Cn, 关系主要分为四类, part-of (概念之间整体与部分的关系) 、kind-of (概念之间的集成关系) 、instance-of (概念的实例与概念之间的关系) 、attribute-of (概念是另一个概念的属性) ;函数是一类特殊的关系;公理代表永真断言。
通过比较可以容易看出, UML类图与本体两者具有高度的相似性[7], 如:UML类图中的类名对应本体建模元语中的类或概念, 关系对应建模元语中的关系, 对象对应于建模元语中的实例, 属性和操作 (方法) 对应于建模元语中的函数, 但UML类图中的函数和本体建模元语中的函数有些少许差别, 例如, 为证实一个Student (一个Student必须至少选学一门课程) 的身份, 一个方法/函数get_course () 可能被声明或定义。本体中的函数一类特殊的关系。该关系的前n-1个元素可以唯一决定第n个元素。形式化的定义为F:C1×C2×…×Cn-1→Cn。例如mother-of就是一个函数, mother-of (x, y) 表示x是y的母亲。UML类图与本体最大的不同之处在于:本体有公理, 具备推理能力, 可以进行自身推理;而UML类图是形式化语言, 不能进行自身的推理。由于其语义的非形式化特点, 所以, UML类图所描述的系统模型往往会隐藏一些错误, 而自己不能检查出来。因此引入本体以弥补对象模型的缺陷。类图与本体之间的对应关系如表1所示。
2 UML类图与本体的转换
本体与UML类图有着许多相似的特性。基于两者的相似性, 建立UML类图到本体的转换, 将UML的类图模型转换为形式化的本体模型。本体作为一种模型需要使用具体的语言表示, 本文选择描述逻辑作为其描述语言, 同一阶谓词逻辑相比, 描述逻辑具有可判定性, 描述逻辑也已经成为其它本体表示语言 (如OIL、OWL等) 的逻辑基础, 而且, 描述逻辑也可以对象模型进行形式化[8]。最后通过对转换后的本体进行推理, 以检查出UML中存在的语义问题。
定义1一个UML类图模型是一个四元组C= (Cn, Cp, Cr, Cm) , 其中:Cn表示类名, Cp表示类属性, Cr表示类之间的关系, Cm表示多重性。在此只考虑UML类图的静态特性, 由于类的方法属于动态性的知识, 不予考虑。
定义2一个DL (Description Logic) 本体模型是一个二元组O= (N, A) , 其中, N=Concepts∪Properties∪Relationships表示一个有限的标识符 (identifier) 集, A表示一个有限的公理序列, 每个公理由作用于标识符的若干构造算子 (如, ∪, ∩, , , 等) 而实现。
显然, 很容易进行UML类图到DL本体之间的转换, UML类图中的Cn、Cp和Cr可直接转换为DL本体中的N, UML类图中的Cn、Cp、Cr和Cm通过一些构造算子可以构造成为DL本体中的公理。
下面通过一个具体实例来说明两种模型的转换:
根据上述规则, 图1可以转换为DL本体:
N是类、属性和关系的集合, A是包含公理和等价公理的集合。Employee, Name, supervise () 等直接映射为领域本体中的概念, 属性, 关系的集合;通过构造子、∩、∪构造SupervisorEmployee、TeacherEmployee、Supervisor≡Employee∩supervise.Graduate等领域本体中的公理。
3 UML类图语义推理
本文主要借助描述逻辑中的Tableau算法对转换后的本体模型进行推理, Tableau算法通过构造一棵关于概念C的Tableau树来计算C的可满足性。该算法的基本思想是:首先, 将不是NNF (Negation Normal Form) 范式的概念通过使用“德·摩根规则”转换为NNF范式, 初始化树T (T仅包含一个根节点) , 然后反复使用转换规则扩展树T, 直到各分枝出现矛盾或者无规则可用。有关描述逻辑的Tableau的算法详细介绍可参阅文献[9]。目前, 已经出现了很多的本体推理机系统, 其中最新的、应用最广泛的和最具代表性的有:Racer, Pellet, Fa CT。Racer是德国Franz Inc公司开发的一个采用描述逻辑作为理论基础的本体推理机, 不仅可以当作描述逻辑系统使用, 还可以用作语义知识库系统;Pellet是美国马里兰大学MNDSWAP项目组专门针对OWL-DL开发的一个本体推理机, 基于描述逻辑表实现;Fa CT是英国曼彻斯特大学开发的一个描述逻辑分类器, 提供对模式逻辑的可满足性测试。
下面就利用Tableau算法对图1进行推理, 图1中的概念Employee有两个分类, 分别为概念Supervisor和概念Teacher。如果图1能准确地描述现实世界, 那么概念Supervisor和概念Teacher应该是不相交的, 即SupervisorTeacher是可满足的 (satisfiable) 。如果SupervisorTeacher成立, 则Supervisor∩Teacher≠。也就是说, {Employee∩supervise.Graduate}∩{Employee∩supervise. (Bachelor∪Graduate) }是可满足的, 整个推理过程如下:
到此已经不能对树T再使用任何转化规则 (transformation rules) 了, 算法结束。树T的节点和边分别为:
由于C (x1) 含有冲突 (clash) , 所以概念{Employee∩supervise.Graduate}∩{Employee∩supervise. (Bachelor∪Graduate) }是不可满足的, 即Supervisor∩Teacher=, 原假设SupervisorTeacher不成立, 因此图1需要修改, 修改后的图形如图2所示。
归纳总结基于本体的UML类图语义推理的一般过程如下:
(1) 找出类图中的概念、关系、属性等直接转化为对应领域本体中的概念、关系和属性。
(2) 利用⊆, ∪, ∩, ﹁, ∀, Ǝ等构造算子根据类图的概念层次关系和属性构造对应中的公理。
(3) 借助描述逻辑提供的Tableau算法对转换后的本体模型进行推理。初始化树T, 将不是NNF范式的概念通过使用“德·摩根规则”转换为NNF范式。
(4) 反复利用上述规则扩展树T, 直到各分支出现矛盾或无规则可用为止, 修改类图。
4 结论
UML作为一种图形化建模语言, 其语义描述是非形式化的, 且缺乏推理能力, 不能对其所建模系统进行语义检查, 使得所建立的模型存在不一致等问题, 影响了建模效率。本文提出了一种基于本体的UML类图的形式化方法, 通过本体提供的推理能力, 对UML类图进行推理, 从而检测出隐藏在UML类图中的不一致等问题, 以达到精确建模的目的, 提高了建模效率。
参考文献
[1]Grady BoochJ, ames Rumbaugh, Ivar Jacobson.The Unified Modeling Language User Guide SECOND EDITION[M].Addison Wesley Pro-fessional, May 19, 2005.
[2]Kim Hamilton, Russell Miles.Learning UML 2.0[M].O'Reilly, A-pril, 2006.
[3]邵维忠, 蒋严冰, 麻志毅.UML现存的问题和发展道路[J].计算机研究与发展2, 003, 40 (4) :509-516.
[4]Evans A, Kent S.Core Meta-modeling Semantics of UML:The pUML Approach[DB].http://www.cs.york.ac.uk/papers/pumlun199.pdf, 2005.
[5]Borst P, Akkermans H.An Ontology Approach to Product Disassembly[C]//EKAW 1997, Sant Feliu De Gu5xols, Spain, October:15-19.
[6]Dencho N Batanov, Waralak Vongdoiwang.Using Ontologies to CreateObject Model for Object-Oriented Software Engineering[M].In:Shar-man, Raj, et al.ONTOLOGIES:A Handbook of Principles, Conceptsand Applications in Information System, Chapter 16.New York:Springer, 2007.
[7]Daniela Berardi.Using DLs to reason on UML class diagrams[C]//Proc.Workshop on Applications of Description Logics.2002.
[8]Franz Baader, Ulrike Sattler.An Overview of Tableau Algorithms forDescription Logics[C]//Proceedings of Tableaux 2000 (Baader and Sattler 2000) .
本体推理 篇2
空间关系是指地理实体之间存在的一些具有空间特征的关系[1],主要包括拓扑关系、方向关系和距离关系3大类。方向关系是在一定的方向参考系统中从一个空间对象到另一个空间对象相对于基本参考方向的指向,描述对象在空间中的某种排序。方向关系可以进行定性描述和定量描述。定量描述方法使用方位角等比率量表精确地给出空间对象间的方向关系值。定性描述方法是用顺序量表概略地描述方向关系,如东南西北等。
空间推理(Spatial Reasoning,SR)是指利用空间理论和人工智能技术对空间对象进行建模、描述和表示,并据此对空间对象间的空间关系进行定量或定性的分析和处理的过程[3,4,5,6,7,8,9]。目前,空间推理被广泛应用于地理信息系统、机器人导航、高级视觉、自然语言理解等方面,受到了国际GIS及相关学术界的高度重视。随着研究的深入,近年来人们逐渐认识到,空间关系本质上是定性的[2],空间推理本质上也是定性的[3]。因此,定性空间推理作为表示和处理空间知识的一种有效方法,近几年受到普遍重视。
定性空间推理的方法主要有基于谓词逻辑的推理[5]、基于代数的推理[6,7,8]、基于产生式规则的推理[9]、组合表推理[4]以及基于语义网的推理等,这些方法在进行空间知识表示和处理时,普遍缺乏空间知识的共享和重用。
在空间知识表示和处理时引入地理本体,研究基于地理本体的空间方向关系定性推理方法,并实现了基于地理本体的空间方向关系定性推理原型系统。
2 地理本体的逻辑结构
本体最早是一个哲学的范畴,是客观现实的一个抽象本质。地理本体是有关地理科学领域中共享概念模型的明确的形式化规范说明。在地理本体概念中,“共享”体现的是共同认可的知识,反映的是地理科学领域中公认的概念集,针对的是团体而不是个体;“概念模型”是通过抽象出客观现实中的相关概念而得到的模型,其表示的含义独立于具体的环境状态;“明确的”是指所使用的概念及使用这些概念的约束都有明确的定义;“形式化规范说明”是指计算机可读的。
地理本体的逻辑结构可以表示七元组:
C表示类(概念),指一组共享某些相同属性的个体。
R表示概念之间的语义关系,诸如概念之间的相交、不相交、等价等关系。
H表示概念之间的层次关系,主要是指父类-子类关系(sub Class Of),也可表示超集-子集关系。
P表示属性,属性分为对象属性(Object Property)和数据属性(Datatype Property)。对象属性把两个个体关联起来,表示个体之间的关系;数据类型属性把一个个体和一个数值关联起来,表示个体到数值之间的关系。比如河流的“汇入”属性、“连接”属性都是对象属性,而河流的“名字”属性,“长度”属性都是数据属性。
PR表示对属性的限制,主要是对属性取值的类型,范围以及最多最少个数等的限制。
PC表示属性的特征,就是属性本身具有什么样的特性。在OWL可以声明属性具有传递性、对称性、函数性(属性只有一个唯一的值)、反函属性或者是其他属性的逆反属性。
I表示个体,个体是类的实例,可以用属性关联起来,比如说长江、黄河、汉江都是河流这个概念的个体。
3 空间方向关系定性推理
3.1 空间方向关系模型
使用投影模型中的井字空间作为方向关系表示模型,并在郭平[4]的D14的基础上进行改进,提出了基于井字空间的方向关系模型D10。
令RE(正东),RS(正南),RW(正西),RN(正北),NW(正西北),SW(正西南),SE(正东南),NE(正东北),SA(同位)为基于井字空间的方向关系,改进的方向关系定义为:
通过目标空间对象与NW、SW、NE、SE、NORTH、EAST、SOUTH、WEST、SA之间的交的结果来描述它与源空间对象之间的方向关系,如果都不匹配则为nil。
3.2 地理本体推理机
由于目前的推理机都是针对一般的信息本体的,无法对地理本体中专有的概念和属性进行解析和推理,也没有专门地地理本体推理工具。想要对地理本体进行推理,只有通过在已有的推理机中加入自定义的地理概念规则,使得推理机可以理解地理概念、属性及其特征,从而支持地理知识的推理。支持自定义规则的本体推理机的典型代表就是Jena。
规则在Jena中被定义为一个Rule对象,它的语法格式如下:
根据空间方向关系D10模型构建了106条规则,分别表示了方向关系中的传递性、互逆性以及相互组合的结果。这些自定义规则与Jena推理机绑定,使之满足空间对象之间方向关系推理的需要。
例如:a在b北边,b在c北边,那么可以推理出a和c的关系是北、东北或西北,可以将其编辑成为以下内容:
3.3 推理过程
按照地理本体的逻辑结构构造地理本体,并将GML数据源中的地图数据无损地转换成符合地理本体要求的应用本体,所进行的推理都是建立在应用本体的基础之上的。
在推理机导入本体的过程中,会将整个应用本体转换成一个等价的RDF图,具体步骤如下所示:
(1)解析本体文件,得到本体模型。
(2)利用RDFS、OWL等推理规则计算第一步得到的本体模型的语义闭包。
(3)在第二步的基础上计算自定义规则的语义闭包。
(4)返回第三步得到的语义闭包。
每一个本体中的对象都对应于图中的一个节点,而对象两两之间的关系就对应于图中节点之间的连线,由于空间关系的特殊性,这个连线是有向的。因此推理的过程,本质上就是结合规则查找从一个节点到另一个节点的路径的过程。如果能够找到,则将连线的值(即关系)返回,如未找到,则表明根据目前本体中已有的信息无法定性获得这两个对象的关系。
经过Reasoner推理,不但能够查询出RDF图模型明确声明的信息,而且根据Ontology中的公理、定理、规则、实例数据可以得到其中隐含的信息。推理产生的RDF图模型只能够保存在内存中,因此隐含关系也只能保存在内存中,供本次的查询推理使用。为了提高系统的相应效率,可以对用户的查询日志进行分析,将经常使用的派生语义关系存储在数据库中以备重复使用。
在推理的过程中,Ontology起到了关键的作用,它提供了领域的知识,明确地表达了领域概念及其之间的关系,使得推理机能够实现语义上的推理。
4 原型系统
基于地理本体的空间方向关系定性推理原型系统的总体框架如图1所示。
基于地理本体的空间方向关系定性推理原型系统的总体框架共分为3层,分别是数据层、处理逻辑层、表示层。
(1)表示层:提供图形用户界面,实现地图基本操作(放大、缩小、漫游、测距)、空间对象选择、推理结果输出展示等功能。
(2)处理逻辑层:是整个系统的核心,实现地图操作、空间方向关系定性推理,主要包括:
数据格式转换:利用XSLT(e Xtensible Stylesheet Language:Transformations)语言编写格式转换程序,将地理标记语言GML描述的地图数据源转换为网络本体语言OWL描述的地理本体,存储在本体库中。
方向关系预写模块:在本体中写入一些空间对象的方向关系,在这些关系的基础上进行定性推理。
自定义规则维护模块:采用基于自定义规则的地理本体推理。
定性推理模块:采用典型的本体推理机Jena进行地理本体推理,将自定义规则与推理机绑定,采用混合推理模型。用户请求查询两个空间对象之间的关系时,推理机首先在应用本体中查找这两个空间对象,如果有任何一个对象并不是本体中的实例,则直接退出,并返回错误提示信息;如果能够找到这两个空间对象,则将这两个空间对象实例化为Jena中的两个Resource对象。
本体修复模块:OWL DL是基于描述逻辑的,因此总能保证推理的可判定性。因此本体修复模块最主要的作用就是对已有的应用本体进行修改,保证应用本体的描述语言是OWL DL。本体修复模块通过对本体文件进行一些简单的修复工作(诸如添加类型声明等),便可以将一些原本属于Full级别的本体文件降为DL级别,从而保证了本体推理的可判定性。然后再将修复过后的本体文件提交给语义推理模块进行推理。
(3)数据服务层:提供地图数据源、本体的存储管理场所。
4.1 地理本体构建
采用斯坦福大学开发的免费、开源、基于Java且提供了可安装插件易扩展环境的本体编辑器Protégé3.1.1来构建地理本体。空间方向关系采用D10模型。
4.2 定性推理
在定性推理模块采用Jena推理机提供的支持自定义规则Generic rule reasoner的混合推理模型,建立Model的部分代码如下:
当用户请求查询两个空间对象之间的关系时,推理机首先在应用本体中查找这两个空间对象,如果有任何一个对象并不是本体中的实例,则直接退出,并返回错误提示信息;如果能够找到这两个空间对象,则将这两个空间对象实例化为Jena中的两个Resource对象。如:
在推理机导入本体的过程中,会将整个应用本体转换成一个等价的RDF图,每一个本体中的对象都对应于图中的一个节点,而对象两两之间的关系就对应于图中节点之间的连线,由于空间方向关系的特殊性,这个连线是有向的。因此推理的过程本质上就是结合规则查找从一个节点到另一个节点的路径的过程。如果能够找到,则将连线的值(即关系)返回,如未找到,则表明根据目前本体中已有的信息无法定性获得这两个对象的关系。
4.3 实验结果
在图2基于地理本体的空间方向关系定性推理原型系统中,选择源空间对象Washington(Province)、目标空间对象180(Major Highway),点击“计算”按钮,系统就会在后台进行计算,将两个对象实例化为Jena中的Resource对象,然后调用Jena推理机进行推理,得出两个对象之间的方向关系为南或东南,而根据常识直观判断可知,目标对象是在源对象的南部,因此推理结果是正确的。
5 结语
目前,已经实现了基于地理本体的空间方向关系定性推理系统原型,但是还仅限于Jena自定义规则Generic rule reasoner的混合推理模型。其他Reasoner类型的推理模型、其他空间关系(如拓扑关系、距离关系)的定性推理是下一步工作的重点
摘要：围绕基于地理本体的空间方向关系定性推理进行研究,给出了定性推理系统总体框架,并对方向关系模型、自定义规则、地理本体、定性推理进行详细探讨。
关键词：方向关系,地理本体,定性推理
参考文献
[1]陈述彭,鲁学军,周成虎.地理信息系统导论[M].北京:科学出版社,1999:26.
[2]NM Gotts,JM Gooday,AG Cohn.A connection based approa-ch to commonsense topological description and reasoning[J].The Monist:An International Journal of General PhilosophicalInquiry,79(1).
[3]郭庆胜,杜晓初,闫卫阳.地里空间推理[M].北京:科学出版社,2006.
[4]郭平.定性空间推理技术及应用研究[D].重庆:重庆大学,2004.
[5]D.Randell,Z.Cui and A.Cohn.A spatial logic based on regionsand connection[C].Proceedings of the 3rd InternationalConference on Knowledge Representation and Reasoning,Morgan Kaufmann,1992:165-176.
[6]Allen JF.Maintaining Knowledge about Temporal Intervals[J].Communications of the ACM,26(11),1983:823-843.
[7]Freksa C.Using orientation information for qualitative spatialreasoning[M].Heidelbery:Springer Berlin,1992.
[8]Rohrig R.A theory of Qualitative Spatial Reasoning based onorder relations[C].Proceedings of 12th American Conferenceon AI(AAAI-94),1994:1418-1423.
[9]孙玉国.拓扑空间关系描述与2DT-String空间关系表达[D].武汉:武汉测绘科技大学,1993.
本体推理 篇3
近年来, 人们的饮食日益多样化, 餐桌上的菜品也是荤素搭配, 但是有些食物是不能一起吃的, 这些食物单独进食并没有任何问题, 如果将两种或者两种以上的食物混合起来食用, 则容易出现食物中毒或营养不被吸收等情况。不同食物由于组成的成分不同, 有些食物混在一起食用会在体内产生化学反应, 生成不能被人消化吸收的沉淀, 严重的会引起疾病。因此食物不可以乱搭配, 否则轻则流失营养, 重则有生命危险。
目前国内外对于食品搭配安全的研究基本上是靠专家的经验判断, 缺少系统化和智能化的查询方法或推理方法。本体理论和技术的发展与应用为食品搭配安全查询专项研究提供了一种新的途径。目前国内外对本体在食品领域安全的研究只局限于针对食品的分析和建模, 较少对食品搭配对人们身体所造成的影响进行深入探讨, 没有对食品搭配本体做相应的推理研究。
构建一个智能的食品搭配安全查询系统, 挖掘食品搭配有可能对人身造成影响的信息, 指导人们健康的饮食生活。
2 本体及推理
本体的目标是捕获相关领域的知识, 提供对该领域知识的共同理解, 确定该领域内共同认可的词汇, 并从不同层次的形式化模式上给出这些词汇 (术语) 和词汇间相互关系的明确定义[1,2]。总的来说, 构造本体可以实现某种程度的知识共享和重用, 以及提高系统通讯、互操作、可靠性的能力。
本体推理机可用于推理和查询语义, 属于语义web实现的主要途径之一, 推理是指依据一定的规则从已有事实推出结论的过程。本体推理机主要是针对本体进行推理, 构建一个完善的领域本体是推理的基础。Jena是面向语义Web的应用开发包, 包含的内容比较全面, Jena中的推理引擎是针对具体本体语言的推理机, 针对性强。OWL (Web Ontology Language) 是W3C开发的一种网络本体语言, 用于对本体进行语义描述。其中OWL DL (Description Logic, 描述逻辑) 将可判定推理能力和较强表达能力作为首要目标[3,4,5]。
本文采用OWL语言来描述并构建食品搭配安全领域本体, 根据推理规则构建部分自定义规则, 最后使用JEna推理机对食品搭配对人身所造成的影响进行推理。
3 食品搭配安全查询模型
3.1 模型结构
查询模块要有友好简洁的查询界面, 利于人们方便使用。同时, 为了能实现严密的逻辑推理功能, 必须要有领域本体库和推理规则的支撑。食品搭配安全查询模块框架如图1所示。
具体工作流程为:查询界面接收用户的查询搭配信息, 输送到推理机, 推理机结合领域本体以及推理规则进行相关的逻辑推理, 最后得出结果, 显示到查询界面。
3.2 食品搭配安全领域本体建模
任何一个食品都包含有丰富的元素, 比如, 虾这种食品, 含大量的维生素B12, 同时富含锌、碘、硒、热量和较低的脂肪。同时, 食品搭配进食后会造成相关的元素进行化学作用, 从而产生新的元素。这些新的元素有的是人身体所需的, 有益健康, 有的则是对人身造成有害影响的。根据营养专家的建议, 食品搭配安全领域的本体可以分为以下几类:
3.2.1 源食品本体。
源食品本体定义为进食之前食品的原本状态, 以及所包含的元素。食品的种类繁多, 每一种食品还包括有更细品种的食品, 各个食品也包含有丰富的元素。这些结构和内容都是通过源食品本体来表现出来。比如, 虾这类食品, 虾属节肢动物甲壳类, 种类很多, 包括青虾、河虾、草虾、小龙虾、对虾 (南美白对虾, 南美蓝对虾) 、明虾、基围虾、琵琶虾、龙虾等。其中虾还含有热量、碳水化合物、脂肪、蛋白质、纤维素、钙等元素。对于山楂这类食品, 可以分为酸甜两种山楂。其中, 酸山楂包含糖类、蛋白质、脂肪、维生素C、胡萝卜素、淀粉、苹果酸、鞣酸等元素。
3.2.2 终食品本体。
终食品定义为食品在进入人的身体后最终所存在的状态, 包括进入人身体后所发生的化学反应后产生的最终元素。比如, 虾和山楂同时进入人的身体之后, 原先的钙和鞣酸两种元素会生成新的不溶性结合物, 这种不溶性结合物就属于终食品本体的概念。
3.2.3 影响状况本体。
影响状况本体定义为终食品在人身体内对身体所造成的影响。包括有呕吐、头晕、恶心和腹痛腹泻等不良影响, 也包括补肾壮阳, 通乳抗毒、养血固精、化瘀解毒、益气滋阳、通络止痛、开胃化痰等功效。
根据食品搭配安全领域本体的分类, 采用OWL描述语言构建领域本体相关类之间的关系。
3.3 食品搭配安全领域本体关系经验模型
食品搭配安全领域本体包括有源食品本体、终食品本体、影响状况本体, 三个子本体相互之间存在着明显的关联性。各主要本体之间的关系主要包括有:
3.3.1 生成。
主要用于描述源食品本体和终食品本体之间的关系, 说明源两种或多种食品本体混合最终会生成什么样的终食品本体。例如, 钙和鞣酸两种元素会生成新的不溶性结合物。
3.3.2 产生。
主要用于终食品本体与影响状况本体之间的关系, 说明终食品本体对人身体会造成什么样的影响状况本体。例如, 不溶性结合物会对人体产生呕吐、头晕、恶心和腹痛腹泻等影响。
3.3.3 引发。
主要用于说明影响状况本体相互之间的关系, 说明两种或多种影响状况本体同时或接连发生会引发另外一种影响状况本体。例如, 头晕和呼吸困难会引发暂时性休克影响。
3.4 推理规则
Jena囊括了针对本体的推理规则, 可以检查概念是否满足, 保证不同种类关系以及不同种类的属性不相交[6], 但是从实际运行情况来看, 通用规则是不能满足推理要求以及信息检索的基本要求的。所以要从水利工程建筑安全隐患及各个隐患特点入手, 拟定最适合使用的推理机制, 在满足相关要求的基础下, 对其进行完善。对自定义规则进行推理, 从实例关系以及属性关系等角度入手, 介绍详细的制定过程。
3.4.1 生成反继承规则
若源食品本体a是源食品本体m的子类, 源食品本体b是n的子类, 而源食品a, b搭配会生成终食品本体c, 则源食品m和n搭配也会生成终食品c。
3.4.2 产生的反继承规则
若终食品本体a是终食品本体b的子类, 而终食品本体会产生影响状况本体c, 则终食品本体b也会产生影响状况本体c。
3.4.3 引发反继承规则
若影响状况本体a和b分别是m和n的子类, 而和b会引发另外一个影响状况本体c, 则m和n也会引发c。
3.5 推理过程
本次选用的推理实现平台为netbeans, 而在开发语言方面则使用java来实现, 通过加载jena2API库文件结合自定义程序的方式来实现推理。从Reasoner Registry当中获取OWLReasoner。Reasoner Registry.get OWLReasoner, 并在其标准配置当中直接返回OWL reasoner, 在返回OWL reasoner之后, 将reasoner和其本体相互绑定, 通过reasoner来实现返回, 从本体模型当中创建Inf Model。只要完成原始数据和owl的本体模型创建, 便可以与其余的Model相同处理。创建和查询推理模型部分代码如下:
4 查询效果分析
为了验证模型的查询功能, 构建了一个小型的食品搭配安全领域本体, 其中有小型的子本体包括源食品本体、终食品本体、影响状况本体。通过输入2个食品搭配信息来检验查询效果。
4.1 查询食物搭配为:虾+柿子, 结果显示如图3所示。
4.2 查询食物搭配为:河虾+韭菜, 结果显示如图4所示。
以上实验结果说明了本查询模型系统具有挖掘食品搭配对人体所造成的各种影响的功能, 无论是积极的影响还是消极的影响, 模型系统具有合理性、智能性、有效性的特点。
5 结语
本文将本体理论应用于食品搭配领域, 分析食品领域中的概念以及概念之间的关系, 创建食品搭配领域本体模型, 并采用Jena推理引擎和自定义的规则对其进行推理, 构建基于本体推理的食品搭配安全查询模型, 挖掘食品搭配对人身所造成的影响信息。经实验结果表明, 本模型具有合理性、智能性、有效性等特点。模型不足之处在于, 对食品搭配的量没有考虑, 因为有些食物搭配产生的影响会根据量的多少而有所变化, 这将是下一步研究的方向。
参考文献
[1]付秀东.OWL+DL本体中概念相似度算法研究[D].西南交通大学, 2009.
[2]李玉华, 卢正鼎, 廖振松.基于本体的通用知识网格架构研究[J].华中科技大学学报:自然科学版, 2006, 34 (3) :21-24.
[3]朱姬凤马宗民吕艳辉.OWL本体到关系数据库模式的映射[J].计算机科学, 2008, 35 (8) :165-169.
[4]田飞, 刘鲁.基于语义推理的DSS模型研究与应用[J].计算机工程与应用, 2009, 45 (17) :11-15.
[5]李宏伟, 蔡畅, 李勤超.基于Jena和地理本体的空间查询与推理研究[J].测绘工程, 2009, 18 (5) :5-9.
本体推理 篇4
目前对加工特征识别的研究一般都以特征的静态提取为主,对提取后的特征重新分析、形成可加工的序列的研究较少。本文从定义完整的产品几何本体理论体系入手,通过设计规范的特征数据结构,建立了产品的几何本体的静态特征模型和特征序列过程模型,并最终形成了可指导零件加工的加工序列。
1 产品几何本体模型的定义
本体论是一种概念化的说明,是对客观存在的概念及其关系的一种描述[6]。引入本体目的首先是使术语“标准化”,实现领域知识的规范化及有效的共享知识;其次是实现知识的“可重用性”。在几何建模中,本体的定义可以按照如下方式表达:
引理1:本体的概念化描述:本体是几何特征组合D的概念化描述,它包括两个基本的要素:特征和特征之间的关系,可形式化定义为结构C=
在几何特征建模中,有特征、特征的属性以及特征之间的关系这三种结构需要阐述。引理1中的D、R并不能完整的定义特征的相互关系,为此,引入状态集合W。
引理2:引入多元组本体:全函数(n元)概念关系ρn:W※2Dn,从W映射到D上的所有n元关系的集合(在此N=3)。基于以上的引理2和引理3,定义1可以扩展为如下定义:
扩展引理1:应用于特征建模的本体是一个有序的三元组C=〈D,W,R〉,其中R是几何域空间〈D,W〉上的概念关系的集合;D是几何本体定义的领域,W是其中所有的属性的状态集合。
在扩展引理1的基础上,我们经过对产品几何本体的属性分析,可以将几何本体模型以有序三元组的概念几何加以描述:其中领域{D}为产品的几何特征集合;属性集{W}是特征所具有的属性集合;关系映射{R}是从特征到属性的映射。综上,我们可以将几何产品的本体理论与概念化定义对比如表1。
至此,我们已经完成了几何的本体的框架定义,这些框架定义需要进一步引入预定义的可能状态集合,用以区分集合W中的属性元素。
定义1:产品几何本体的概念化定义:有几何本体C=
在完成了产品的几何本体的定义之后,需要考虑用什么样的结构和语言来描述这些本体所包含的特征属性,为此我们建立了属性描述定义的规范。
定义2:产品几何本体的属性描述定义:令L为一逻辑语言,V为其词汇集。L的一个模型(model)定义为结构
经过重新定义的几何本体概念模型和功能模型示意图如图1所示,以几何本体作为世界空间的内涵重新描述定义为:令L为一特征间逻辑语言,V为其可能的所有属性(词汇集),则定义L的本体承约(ontological commitment)为K=
2 产品的制造行为定义及其静态模型和过程模型的建立
2.1 根据本体理论分析制造行为的定义
在产品的几何本体的定义基础上,我们可以将产品的几何模型本体化。将其中的特征信息分归纳为本体的领域集合{D};同时,将{D}中的特征元素的属性加以提取,形成{Wn n∈R}属性集,在对应映射集{R}的作用下,从而实现完整的几何本体。以几何本体的定义为基础,我们可以得到产品的制造行为的定义。
定义3:产品制造行为定义:在产品的制造过程中,将几何本体的特征集合{C}中各个特征元素和他们的关系的重构归纳,最终形成可以实施加工的独立特征的有序组合。制造行为包含两个层次:静态制造行为和动态制造行为。其中静态的制造行为是每个特征的分立表示,而动态的制造行为则是产品加工的工艺序列。动态制造行为来自于对静态制造行为的推理和演绎。其间的关系见图2所示。
按照制造行为的定义,在对零件的几何本体结构进行深入分析以及考虑基于属性邻接图的特征识别方法获取信息能力的基础上,在此将构造零件几何本体的制造行为分为两大类,即方位制造信息、形状制造信息(如图3):
方位制造信息—SwC:SC={SwC|w∈W};在三维空间坐标系中,任何一个几何本体各表面都有其外法线,外法线的指向和外法线与坐标平面的夹角间接反映了构成零件几何本体的几何元素之间的相互位置关系。方位制造信息即是反映几何本体各表面方位信息的集合,其元素包括方位标识和方位面外法线与各坐标平面的夹角。
形状制造信息—RwC:RwC={ρ(w|)ρ∈R};是指零件上具有一定拓扑关系的一组几何元素(点、线、面)所组成的特定形状,它具有特定的功能,且与一定的加工方式相对应。不同的形状制造信息对于构造零件形状,满足零件的功能要求或工艺要求所起的作用是不同的。因此,这里将形状制造信息进一步分为主特征信息和辅助特征信息。
主特征信息是R中元素的(相对于w的)真子集,用以描述零件的基本几何实体,具有独立的形状,它又可以再分为基本主特征信息如孔、槽、台阶、型腔等和复合主特征信息如同轴孔、均布孔等;辅助特征信息指依附于主特征之上的几何形状,如倒角、过渡圆角的信息等,它们是对主特征信息的局部修饰,反映了零件几何本体的细微结构。
相对轴类零件而言,本文零件的几何本体的制造行为更为复杂多样,且规律性表现也更为多样,因此它的加工特征的识别相对比较困难。考虑到计算的复杂性和效率问题,本文仅考虑零件几何本体制造行为中的基本主特征信息的识别。它的几何本体孤立制造行为(即不与其它特征发生交互的制造行为)的识别比较容易,但当行为之间发生制造行为交互时,由于原有的行为模型遭到了破坏,识别工作便变得更为复杂。
2.2 建立基于图的布尔运算的制造行为静态模型
为提取被加工部件的几何形状,我们首先要将被加工的部分的体积单独提取出来,并根据其具体形状,产生相应的属性描述表。为此我们采用面—边属性邻接图(AAG)结构表示特征属性和之间的关系,但AAG图中仅简单描述相邻面之间的拓扑关系,若直接采用这种方式进行匹配,许多语义上差异很大的特征都会被错误归为同一特征,因此除了拓扑关系,还需捕捉相邻面之间的几何关系。因此需要根据已经建立的几何特征的本体模型,对AAG图进行概念扩展,对边和面的属性作进一步定义。
定义4:AAG图概念定义:定义属性邻接图G=
参照属性邻接图的拓展定义方法,在图4中给出一个具体零件的属性邻接图(AAG)表示。图4中所得被加工部分的提取由图的布尔减运算得到。由未加工零件的属性邻接图减去零件的属性邻接图,即可得到需加工部分的特征属性邻接图。图5(a)是一个长方体毛坯的AAG图;图5(b)是在该毛坯上加工1个三棱柱形凹坑后的零件AAG图;图(c)是经过图的布尔减,得到的加工特征的AAG图(个三棱柱)。
图的布尔减定义为两个图的对应节点(面)相减,而后重新构造节点之间连接弧的过程。节点相减是将对应的几何面相减,保持被减数节点对应的外法线或外环方向不变,减数的对应节点的外法线或外环取反方向。通过图的布尔减,得到了零件的加工部分体积。
因而,将已得到的被加工部分的AAG与待加工几何本体做交运算[∩],所得的几何{F f∈N}即为所需加工特征的加工基准面。在得到了加工部分的体积和加工基准面后,零件的静态模型的基本组成元素也就齐备了。在图6中,F10为两个特征的几何本体重用的表面,他同时出现在了2个特征的属性邻接图中———F10是特征1,2的加工基准面(以*表示)。
在图6的实例中,将加工后的几何本体的属性邻接图和加工前的属性邻接图按照上述方做布尔减后,可以得到两个子图———这就说明分别是有两个特征需要被分别加工,根据下述列表可以归纳得:面集合{F7,F8,F9}和面集合{F11,F12,F13,F14}两个特征(图7),这两个特征的基准面分别是F6和F10。这样就得到了制造序列的静态模型。
2.3 推导基于本体论的制造行为过程序列
研究上节所建立的几何本体的静态模型,通过分析其中抽取的几何特征和特征之间的关系,可以将其间的关系定义为以下几类:
R1并列关系:属于同一个父节点且之间不存在交互,在特征关系图中属于隐式关系;
R2交叠关系:有一个面贴合,且贴合面的外法线方向相反;
R3干涉关系:两个特征存在体积相交;
R4包容关系:负特征所包围的体积在正特征体积内部(负特征包括孔、盲孔、空洞等);
在机械加工中,所有的制造行为都可以在3轴机床上沿零件3个坐标的6个方向(+X,-X,+Y,-Y,+Z,-Z)中选择进刀方向,完全加工出所需的外形。基于图的沿切削深度方向的制造行为的提取算法(如图9)的原理是将待加工部分以进刀方向垂直面为界限,分解为若干独立的体积。在这样的处理中,逐层分解出的体积部分被称为局部制造行为。而这些行为的集合就构成了该零件的制造行为的过程模型的基本元素。
对局部制造行为分解得到的子特征,其进一步的组合过程如下:
步骤1:(组合):检查进刀方向当前子特征及其相邻子特征之间坐标相同的节点的几何属性。
步骤2:(重构):如果上下层子特征所对应节点的几何面重合,通过两个子特征AAG图的布尔和运算,将两个子特征合并,生成新的AAG图。
步骤3:沿该进刀方向继续搜索,合并所有可以合并的子特征。
步骤4:由新形成的AAG图对应的边界构造制造过程序列模型。
至此,我们已经通过上述算法完成了制造行为的优化重构,接下来要按照加工方向形成制造行为关系序列———将静态模型中形成的特征表面编号(如图7),并通过沿各进刀方向的搜索,可以形成制造行为关系序列(FeatureRelationGraph,FRG)。行为关系序列根据其本体的约束定义为VG=
3 应用于几何本体进行的制造行为推理实例
通过使用本文方法对图8(a)中的零件的几何本体进行特征序列知识的识别与优化,所得的加工特征如图8(b),并据此形成XML语言,最终得到产品的制造行为过程序列模型(图9)。这个优化序列符合加工过程的一般需求,可以有效地应用于产品设计单元与工艺设计、工装设计、数控编程等单元的集成。
在上述算法中通过先分解单个静态制造行为,再按照几何本体加工时装夹的方向对静态制造行为特征进行优化的过程,强调了算法的实用、可靠和简洁,以保证方法具有较强的健壮性———即使在中间步骤中断,依然可以提供后续单元可用的加工特征信息。
4 结束语
本文所提出的加工特征制造行为推理方法以本体为数据结构建模基础,使用图的布尔运算,结合基于图的方法和体积分解方法,给出了制造特征的识别、方向性制造行为的组合优化、制造行为过程序列的建立等一系列算法,最终形成了能够应用于零件加工的特征加工序列。该方法具有简洁、可行、有效和实用的特点,可以用于CAD系统集成化、智能化的研究与开发。
摘要：将本理论应用于产品制造行为建模及的推理中。从零件的属性邻接图入手,分解出局部静态制造行为,与已经建立的本体制造行为知识库相匹配,构成制造行为的静态本体模型;并以本体论和图的布尔运算为基础,按照零件的加工方向形成优化的制造行为过程序列,最终形成了供分析的几何本体过程序列模型。
关键词：加工特征,几何本体,制造行为,过程序列
参考文献
[1]Joshi S,Chang TC.Graph-based heuristics for recognition of machined features from a3D solid model[J].Computer-Ai-ded Design,1988,20(2):58—66
[2]P.Holland,P.M.Standring.Feature extraction from STEP(ISO10303)CAD drawing files for metal forming process selection in an integrated design system[J].Journal of Materials Processing Technology,2002(125-126):446—455
[3]Z.Huang,D,Yip-Hoi.High-level feature recognition using feature relationship graphs[J].Computer-Aided Design,2002(34):561—582
[4]安鲁陵,葛友华.基于实体模型的加工特征提取与识别[J].机械科学与技术,2000,19(4):665—667
[5]周炜,刘长毅等.基于属性邻接图的轴类零件制造特征识别方法.机械科学与技术,2006,25(6):716—720
本体在面向对象模型中的推理应用 篇5
关键词：面向对象,本体,统一建模语言,描述逻辑,推理
为了更好地使用UML描述对象模型,目前,已经开发出许多开发工具(CASE tools),比如,Rational Rose,Together,Poseidon,Argo UML等等。虽然面向对象模型的开发工具能为设计开发人员提供友好的图形化编辑环境,有助于提高其设计效率,但是,这些工具不具备自动推理检测对象模型语义的能力。由于开发人员和用户的专业知识背景不同,当进行软件分析设计时,往往会造成软件的不一致性问题。这将会造成所开发的软件延期。
学者们提出了许多软件工程的形式化方法以提高软件系统的正确性和可靠性。形式化方法是基于严密的、数学上的形式机制的系统研究方法。软件工程的形式化方法涵盖了软件开发过程中规范定义、设计、实现和验证的系统化方法。当前的软件工程形式化方法主要包括:Z语言、Object-Z语言、COOZ语言、B语言等。然而,这些形式化方法也有缺点:大多数形式化的规格说明主要关注于系统的功能和数据,而问题的时序、控制和行为等方面的需求却更难于表示。
与上述方法不同,本文提出了将本体应用于面向对象模型进行推理检测。该方法首先建立面向对象模型向本体模型的转换关系,利用它所具有的可判定推理能力检查面向对象模型中的不一致性问题,以此来提高开发软件的工作效率。
1 面向对象模型的基本知识
面向对象技术提供了一种新的认知和知识表示世界的思想和方法,它对计算机工业的影响是深远的。计算机从业人士利用它提出了面向对象的分析设计方法、计算机程序设计语言、面向对象的软件设计方法、面向对象的数据库等。同时面向对象技术为软件工业实现工程化提供了强有力的支持,正是面向对象技术造就了架构、统一建模语言(UML)、框架、模式、组件、构件、中间件等概念。面向对象的基本思想是封装和可扩展性,主要通过封装、继承和多态等机制来构造系统。一个对象模型主要包含四种组件(Components):对象/类、属性、方法/操作/函数、关系。
统一建模语言UML(Unified Modeling Language)是OMG(Object Management Group)组织提出的标准的对象建模语言,它通过定义的多种图形模型元素描述系统分析和设计的结果,主要针对大型、复杂系统的建模。UML用图形符号描述模型,用模型来表示软件系统的结构(或静态特征)以及行为(或动态特征)。总体上可以把这些图形分为两类:一类是结构图(Structure Diagram),主要用来描述静态模型,包括类图、对象图、复合结构图、包图、构件图和部署图;一类是行为图(Behavior Diagram),主要用来描述动态模型,包括用案图、活动图、状态机图、顺序图、通信图、定时图、交互概观图。同时,UML提供了几种扩展机制,以便建模者在不改变基本建模语言的情况下做一些通用的扩展。扩展机制主要包括约束(Constraint)、标记值(Tagged Value)和衍型(Stereotype)。
2 本体
古希腊哲学以探讨万物本原为开端,提出了本体这个概念,以研究这个世界上什么是存在以及如何存在的。计算机科学中的本体源于哲学,它是一种描述相关领域概念及其概念之间关系的模型,自身可以具备推理能力。Borst Pim等在前人本体定义的基础上进行了深入的研究,认为本体是共享概念模型的明确的形式化规范说明[1]。这包含4层含义[2]:概念模型(conceptualization)、明确(explicit)、形式化(formal)和共享(share)。本体所表达的是概念及概念之间的关系。Perez等认为本体可以按分类法来组织,他归纳出表示本体的5个基本建模元语(Modeling Primitive)。这些原语分别为:类(classes),关系(relations),函数(functions),公理(axioms)和实例(instances)。通常也把classes写成concepts。
目前经常使用的本体表示语言大都以框架模型、谓词逻辑或描述逻辑为基础,最具有代表性的语言包括Ontolingua、Cycl、Loom、Flogic;还有一些本体语言是以描述逻辑为基础,如KL-ONE等;不少学者在进行语义Web方面的研究时,相应地开发了不少本体语言,如XOL、OIL、DAML、OWL等;另外还有基于图的本体表示方法,如CG等。本体表示语言的逻辑基础主要是谓词逻辑和描述逻辑。但是一阶谓词逻辑是不可判定性的,而描述逻辑实际上是一阶谓词逻辑的一个子集,它满足可判定要求。
依据Gruber[3]给出的5条设计本体的基本原则(清晰性和客观性、完整性、一致性、最大单调可扩展性、最小本体承诺和最小编码偏好),许多研究者在实践中都提出了自己的构建本体的方法。这些方法主要有:Berneras方法、Enterprise法、TOVE法、Methontology方法、SENSUS法、IDEF-5方法以及七步法。此外,如何自动或半自动地构建本体是当前的研究热点,重用已有的本体构建新领域本体也是提高本体构建效率的一个有效途径。
3 对象模型与本体的相似性
虽然两种模型在建模方面各有侧重,但是,他们存在着许多相似之处。尽管一些文献中给出了两种模型的比较[4],然而,这些比较并不是详细全面的。本文在前人的基础上进行了分析总结,并给出了更详细的说明。二者的相同点主要表现在以下几个方面:1)二者都强调重用或共享。面向对象的模型采用继承来支持重用;本体模型本身即为建立一个无二义性的知识模型以便提供系统进行知识共享和互操作,并且,构建本体时,也强调重用已存在的本体以节省开发代价;2)二者都可以使用迭代方法进行建模;3)二者都能描述静态模型。面向对象模型主要利用类、对象来描述静态模型,而本体模型主要通过建立领域本体来描述领域的静态概念;并且,两者都是表达现实世界中可以用来处理的概念;二都建立在类/概念和关系之上,比如子类和聚合关系等;4)二者都能描述动态模型。面向对象的模型主要通过事件、状态、操作和方法来描述动态模型,而本体主要通过建立任务本体、动态本体来描述动态知识。此外,二者都具有可扩展性。
UML和DLs分别是面向对象模型和本体模型的表示语言。同样,两者也具有相同点:⑴二者都能描述静态知识和动态知识。UML主要通过结构图(Structure Diagram)来描述静态模型;描述逻辑主要通过ALC、ALCN、SHI、SHIQ(D)等描述静态知识。UML主要通过行为图(Behavior Diagram)来描述动态模型;而描述逻辑主要通过扩展后的动态描述逻辑和时态描述逻辑来描述动态知识。⑵两者都支持扩展机制。UML提供了几种扩展机制,包括约束(Constraint)、标记值(Tagged Value)和衍型(Stereotype);描述逻辑扩展了新的构造算子(Constructor)以增强其表达能力。
面向对象模型与本体模型及其描述语言有很强的互补性,面向对象模型直观,便于开发者之间相互沟通和交流,而本体更能有利于提供有效的推理服务。
4 基于本体的面向对象模型的推理
本体的推理主要可以归结为:可满足性(satisfiability)检测、包含(subsumption)检测、实例(instance checking)检测、协调性(一致性,consistency)检测、可判定性和计算复杂性等。其中,可满足性检测、包含检测、实例检测和协调性检测之间是可以相互转化的。都可以转换为概念的可满足性检测,并利用Tableau算法进行推理。对于一个概念C,如果存在一个解释I使得CI是非空的,则称概念C是可满足的,否则称概念C是不可满足的。检测一个概念C的可满足性实际上就是看是否有解释使得这个概念成立。如:Man Woman就是不满足的。也就是说,如果概念中存在着冲突(clash),那么这个概念就是不满足的。Tableau算法的基本思想即是检测一个概念中是否含有冲突。有关Tableau算法的论述可参考文献[5]。
5 结论
形式化的软件开发,就是用形式化的语言来描述软件需求和特征,并且通过推理验证来保证最终的软件产品是否满足这些需求和具备这些特征。这样的验证当然得建立在严格的语法语义的基础之上的。为了能更好地检查面向对象模型中可能隐藏的不一致性等问题,本文提出了把本体应用于对象模型进行推理的方法,该方法能够将对象模型转换为本体模型,借助于其推理能力以便促进软件的开发效率。
参考文献
[1]Borst P,Akkermans H.An Ontology Approach to Product Disassembly[M].EKAW1997,Sant Feliu de Gu5xols,1997:15-19.
[2]Studer R,Benjamins V R,Fensel D.Knowledge Engineering[J].Principles and Methods.Data and Knowledge Engineering,1998,25(1-2):161-197.
[3]Gruber T R.Towards principles for the design of ontologies used for knowledge sharing[J].International Journal of Human-Computer Studies,43:907-928,1995.
[4]Dencho N.Batanov and Waralak Vongdoiwang.Using Ontologies to Create Object Model for Object-Oriented Software Engineering[C].In:Sharman,Raj,et al.ONTOLOGIES:A Handbook of Principles,Concepts and Applications in Information Systems,chapter16.New York:Springer,2007.
本体推理 篇6
搜索引擎的智能化已经成为一个重要的发展趋势, 语义Web具有明确描述网络资源的语义关系、实现信息的机器理解与智能处理的特征, 为突破关键词机械匹配的传统搜索模式的固有缺陷, 实现搜索引擎的智能化带来了可能;同时, 语义Web也是一个新兴的尚处于初级阶段的技术, 还要深入研究基于本体知识库的语义推理、语义匹配和语义排序等关键技术才能够有效实现搜索引擎的智能化。本文重点研究语义搜索所需的本体知识库构建、语义推理等关键技术, 提出改进型推理算法, 促进智能搜索技术的深入发展。
2、语义Web与本体技术概述
语义Web (Semantic Web) 是对当前万维网的一种扩展, 其中的信息被赋予明确的含义, 以实现信息的机器自动处理, 它将提供诸如信息代理、搜索代理、信息过滤等智能服务。语义Web的概念是Berners-Lee在2000年的XML2000会议上提出的[1], 它的体系结构如下图1所示:
在语义Web的层次体系结构中, 几个关键的层次包括:以XML层作为语法层, 以计算机可处理和理解的方式对上层结构中的内容进行标记;RDF层作为数据描述层用来描述web上的资源、类型及资源之间的关系, RDF的词汇描述语言RDF Schema (RDF-S) 在RDF的基础上定义了资源的类, 以及类和属性的等级划分等;本体 (ontology) 层作为语义层, 通过使用反映共同认可的知识以及相关领域中公认的概念集的本体为描述信息提供语义解释, 是对描述信息的概念抽象与组织。
本体是共享概念模型的形式化规范说明[2], 是解决语义层次上Web信息共享和交换的基础, 其目标是捕获相关领域的知识, 提供对该领域知识的共同理解, 确定该领域内共同认可的词汇, 并从不同层次的形式化模式上给出这些词汇 (术语) 和词汇之间相互关系的明确定义。为了便于Web上应用程序使用方便, 需要有一个通用的标准语言来表示, 目前正在研究中的语言有:SHOE、OML、XOL、RDFS、OIL和W3C倡导的OWL (Web Ontology Language) [3]。
3、基于本体知识库的语义推理引擎的设计与实现
语义Web和本体技术可以极大地提高传统搜索引擎的智能化水平, 实现基于语义推理的概念检索[4], 将当前基于关键字机械匹配的检索提高到基于本体知识库的智能搜索层面上来。搜索系统可利用本体对网页进行语义标注, 形成索引库, 智能推理引擎利用推理机对用户搜索进行语义推理, 主动分析用户的搜索需求, 向用户提供有针对性的、个性化的相关拓展信息, 从而提高查全率和查准率, 实现基于语义推理的智能搜索。
3.1 基于语义推理的智能搜索模型设计
在重点研究基于本体知识库的语义推理技术的基础上, 本文提出一个基于语义推理的智能搜索引擎模型。如图2所示。
该模型主要由五个模块组成: (1) 用户接口模块:负责接受用户的搜索请求, 将用户的查询关键字提交给后台语义推理引擎进行语义扩展; (2) 语义推理模块:此模块接收用户接口传递来的关键字, 并且加载本体模型、资源描述和推理规则, 经由我们设计的改进型IS-Reasion推理算法进行语义推理, 得到扩展后的多关键字组传递给搜索模块, 同时此模块还可以将中间推理结果显示到前台页面, 供高级用户修正推理结果; (3) 索引模块:负责对网络爬虫抓取到的文件进行解析并建立索引, 具体包括解析文件、分词、获取网络地址、获取标题和获取摘要等; (4) 搜索模块:接收语义推理模块传送来的多个扩展关键字, 用一个Servlet程序将多关键字分发到搜索程序, 由搜索程序在索引文件上进行基于关键字的搜索, 最后把搜索结果传递给语义排序模块; (5) 语义排序模块:本模块对搜索模块传递来的多关键字搜索结果根据语义相关度函数进行语义排序, 将优化后更精确的结果发送至用户接口呈现给用户。
3.2 本体知识库的构建
本体知识库的构建是实现语义推理的关键步骤, 当前比较流行的本体构建方法有DEF-5方法、骨架法、企业建模法和循环获取法等, 常用的本体建设工具有基于某种特定的语言的Ontolingua, OntoSaurus, WebOnto和独立于特定语言的Protégé系列、WebODE、OntoEdit、OilEd等[5]。具体来说, 目前被语义Web研究者所广泛接受的创建ontology一般有以下八个步骤: (1) 确定ontology覆盖的领域和范围; (2) 考虑使用现存的ontology资源; (3) 列出Ontology中重要的词语; (4) 确定类目和类目的层次关系; (5) 确定类的属性; (6) 确定对属性的值的描述; (7) 创建实例; (8) 检查一致性。另外, 本体知识库的创建还需要领域专家的参与, 是一项综合性工程。
3.3 语义推理引擎的实现
语义推理是语义搜索领域的核心技术, 而现有的Racer、Jess和Jena等推理机的功能还不够强大灵活, 需要进一步完善和个性化。在J e n a推理机的基础上本文设计了一个基于描述逻辑的I S-Reasion语义推理算法, 其主要思想是:假定Concept (i) 代表本体知识库中所有概念的集合, Sibling (j) 代表概念Ci所有同层概念的集合, Generation (k) 代表对概念Ci扩展出的所有子类和父类的集合, k代表算法迭代的次数, 每迭代一次就对概念Ci扩展出更深一层的子类或父类;M为本体库的层次数, N为用户设置的推理层次, N<=M, 那么采用IS-Reasion算法对用户的搜索词进行语义推理的过程是: (1) 首先将用户的查询关键词与概念集Concept (i) 进行语义匹配, 如果能够得到相同或相近的概念则进行下一步的语义推理; (2) 将匹配得到的概念Ci结合本体知识库中定义的语义关系和Jena推理规则进行横向和纵向的语义推理, 由此扩展得到相关父类、子类存入概念集合Generation (k) 和Sibling (j) , 如此迭代N次得到用户指定层次的所有子类和父类。 (3) 将推理得到的扩展概念集合Generation (k) 和Sibling (j) 进行语义冲突消解后传送至搜索模块进行多关键字搜索。
4、结语
当前国内外对语义搜索技术的研究主要集中在搜索机制的创新和关键技术的突破方面, 本文提出的基于语义推理的智能搜索系统模型和设计实现的IS-Reasion改进型语义推理算法有助于丰富当前搜引擎智能化方面的解决策略, 促进语义Web关键技术的解决。
摘要：语义Web与本体技术的出现为智能搜索问题的实现提供了契机, 本文在重点研究基于本体知识库的语义推理机制的基础上, 提出一个基于语义推理的智能搜索系统模型, 并设计实现了一个改进型IS-Reason推理算法, 对语义搜索技术的实现具有积极意义。
关键词：语义Web,本体,语义推理,语义搜索
参考文献
[1]Berners-Lee T, Hendler J, Lassila O.The Semantic Web[J].Scientific American, 2001, 284 (5) :34-4.
[2]PARK JS, et al.Using a hash-based method with transactiontrimming for mining association rules[A].IEEE Trans on Knowl-edge and Data Engineering[C].1997, 9 (5) :813-825.
[3]Horocks I, Peter F.From SHIQ and RDF to OWL:The Making ofa Web Ontology Language[J].J of Web Semantics, 2003, 1 (1) :7-26.
[4]高凡.网络信息检索的发展方向[J].信息系统, 2004, 27 (2) :202～205.