Tóm tắt. Ontology mờ (fuzzy ontology) là sự kết hợp của công nghệ ontology và lí
thuyết tập mờ, nhằm biểu diễn các tri thức mơ hồ, không chắc chắn và lập luận trên
các tri thức đó thông qua hệ thống các luật. Trong bài báo này, chúng tôi đề xuất
một phương pháp biểu diễn luật mờ nhằm hỗ trợ công cụ fuzzy Protégé thực hiện
truy vấn trên ontology mờ. Bài báo trình bày ngôn ngữ biểu diễn tri thức logic mô
tả mờ (Fuzzy description logics), xây dựng luật mờ dựa trên ngôn ngữ f-SWRL, sử
dụng bộ truy vấn Fuzzy description logics query trong plugin fuzzy OWL 2 và xây
dựng một hệ thống ứng dụng trong tư vấn chọn nghề cho học sinh phổ thông.
9 trang |
Chia sẻ: thanhle95 | Lượt xem: 488 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Xây dựng luật trong Ontology mờ, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
JOURNAL OF SCIENCE OF HNUE
FIT., 2013, Vol. 58, pp. 70-78
This paper is available online at
XÂY DỰNG LUẬT TRONG ONTOLOGYMỜ
Huỳnh Thị Thanh Hương1, Phạm Thị Anh Lê2
1Trường THPT Lê Quý Đôn, Đăk Lăk, 2Khoa CNTT, Trường Đại học Sư phạm Hà Nội
2E-mail: lepta@hnue.edu.vn
Tóm tắt. Ontology mờ (fuzzy ontology) là sự kết hợp của công nghệ ontology và lí
thuyết tập mờ, nhằm biểu diễn các tri thức mơ hồ, không chắc chắn và lập luận trên
các tri thức đó thông qua hệ thống các luật. Trong bài báo này, chúng tôi đề xuất
một phương pháp biểu diễn luật mờ nhằm hỗ trợ công cụ fuzzy Protégé thực hiện
truy vấn trên ontology mờ. Bài báo trình bày ngôn ngữ biểu diễn tri thức logic mô
tả mờ (Fuzzy description logics), xây dựng luật mờ dựa trên ngôn ngữ f-SWRL, sử
dụng bộ truy vấn Fuzzy description logics query trong plugin fuzzy OWL 2 và xây
dựng một hệ thống ứng dụng trong tư vấn chọn nghề cho học sinh phổ thông.
Từ khóa: Ontology mờ, logic mô tả mờ, ngôn ngữ f-SWRL.
1. Mở đầu
Ontology mờ được Straccia giới thiệu trong [1] nhằm biểu diễn tri thức trong những
miền ứng dụng có các thông tin mơ hồ, không chắc chắn. Ontology mờ có nền tảng là
logic mô tả mờ [2, 3], trong đó các khái niệm và vai trò được biểu diễn như các tập mờ.
Theo cách đó, một thể hiện có thể thuộc hay không thuộc một khái niệm mờ (hay vai trò
mờ) cho trước dựa vào một mức độ thành viên cụ thể. Một trong những ngôn ngữ biểu
diễn tri thức trong ontology mờ là logic mô tả mờ (fuzzy DL). Giống như logic mô tả,
logic mô tả mờ bao gồm một hệ thống các kí hiệu biểu diễn các khái niệm và vai trò, các
tạo tử mang ngữ nghĩa khác nhau và hỗ trợ các thuật toán lập luận. Cơ sở tri thức trong
logic mô tả mờ được biểu diễn và lập luận với hai mức độ fuzzy Tbox (hộp thuật ngữ mờ)
và fuzzy Abox (hộp khẳng định mờ). Lập luận trên ontology mờ chủ yếu dựa vào việc
biểu diễn luật, tiên đề (axiom) và truy vấn dựa trên cơ sở các luật và tiên đề đó, bằng các
công cụ lập luận và truy vấn cụ thể.
2. Nội dung nghiên cứu
2.1. Ngôn ngữ logic mô tả mờ
Logic mô tả mờ (fuzzy description logics) là một họ các ngôn ngữ của logic mô tả,
được sử dụng trong việc biểu diễn các tri thức mờ của một miền ứng dụng. Trong phạm vi
bài báo, chúng tôi trình bày ngôn ngữ ALC mờ là một ngôn ngữ đại diện cho họ các ngôn
ngữ logic mô tả mờ.
70
Xây dựng luật trong Ontology mờ
* Cú pháp
ALC mờ gồm các thành phần đặc trưng của một ngôn ngữ logic mô tả mờ: các khái
niệm nguyên tử (A), các biểu diễn khái niệm (C, D), các vai trò (R,S), các cá thể (a,b).
Các mô tả khái niệm phức tạp được xây dựng từ tập các tạo tử của ngôn ngữ. Các tạo tử
của ngôn ngữ ALC gồm: đỉnh (>), đáy (?), phần bù (:), giao (u), hạn chế với mọi (∀), hạn
chế tồn tại (∃).
Một số quy tắc cú pháp của ngôn ngữ ALC mờ:
Một khái niệm nguyên tử mờ là khái niệm ALC mờ.
Khái niệm đỉnh (>) là khái niệm ALC mờ.
Khái niệm đáy (?) là khái niệm ALC mờ.
Phần bù (:) của khái niệm ALC mờ là khái niệm ALC mờ.
Giao (u) của hai khái niệm ALC mờ là khái niệm ALC mờ.
Hạn chế với mọi (∀)R.C là một khái niệm ALC mờ với C là một khái niệm ALC
mờ và R là một vai trò
Hạn chế tồn tại (∃)R.C là một khái niệm ALC mờ với C là một khái niệm ALC mờ
và R là một vai trò
* Ngữ nghĩa
Ngữ nghĩa của ALC mờ được xây dựng dựa trên các diễn giải mờ |
Một diễn giải mờ là một cặp | = (△|,|) , trong đó △| là miền và | là một hàm diễn
giải, ánh xạ:
- Các cá thể khác nhau vào các phần tử thuộc miền△|(a| 6= b|) nếu (a 6= b);
- Một khái niệm C vào hàm thuộc C | : △| → [0; 1];
- Một quan hệ R vào hàm thuộc R| : △| ×△| → [0; 1].
Nếu C là một khái niệm thì C | là hàm thể hiện mức độ thuộc của tập các cá thể đối
với khái niệm mờ C theo diễn giải | , có nghĩa là : nếu d ∈ △| là một đối tượng của miền
△| thì d là một phần tử của khái niệm mờ C theo diễn giải | với mức độ C |(d). Tương tự
đối với các quan hệ. Thêm vào đó, với mọi d ∈ △|, hàm diễn giải | phải thỏa mãn:
>| (d) = 1
?|(d) = 1
(CuD)|(d) = min{C |(d), D|(d)}
(CtD)|(d) = max{C |(d), D|(d)}
(: C |)(d) = 1− C |(d)
(∀R.C |)(d) = infd|∈4|{max{1− R
|(d, d|), C |(d|)}}
(∃R.C |)(d) = supd|∈4|{min{R
|(d, d|), C |(d|)}}
Hai khái niệm C và D được gọi là tương đương (kí hiệu C ∼= D) khi C | = D| với
mọi diễn giải|.
VD: >∼=:?, CuD ∼=: (: Ct : D)v(∀R.C) ∼=: (∃R.C).
* Thuật toán lập luận trong ALC mờ
71
Huỳnh Thị Thanh Hương, Phạm Thị Anh Lê
Cơ sở tri thức trong logic mô tả mờ được biểu diễn bởi hai thành phần: tri thức thuật
ngữ mờ (fuzzy Tbox) và tri thức mở rộng mờ (fuzzy Abox). Việc lập luận trên ALC mờ
cũng thực hiện trên hai thành phần này. Trong phạm vi bài báo, chúng tôi chỉ trình bày
thuật toán lập luận trên fuzzy Tbox.
- Fuzzy ABox
Fuzzy Abox bao gồm một tập các khẳng định mờ. Một khẳng định mờ (kí hiệu ψ )
là một biểu thức có một trong các dạng sau 〈α ≥ n〉 hoặc 〈α ≤ m〉, với α là một khẳng
định ALC, n ∈ (0; 1] , m ∈ [0; 1). Về mặt ngữ nghĩa, một khẳng định mờ 〈α ≤ n〉 ràng
buộc giá trị chân lí của α nhỏ hơn hoặc bằng n (và tương tự cho trường hợp ≥).
Hai khẳng định mờ ψ1 và ψ2 được gọi là tương đương (kí hiệu ψ1 ∼= ψ2 ) khi và chỉ
khi chúng cùng thỏa mãn một tập hợp các diễn giải.
+ 〈a : C ≥ m〉 và 〈a : C ≤ n〉 với m ≤ n giới hạn giá trị chân lí của khẳng định
a:C trong đoạn [m;n].
+ 〈a : ¬C ≥ n〉 ∼= 〈a : C ≤ 1− n〉.
Một khẳng định nguyên tử mờ là khẳng định mờ có chứa một khẳng định nguyên tử.
- Fuzzy Tbox
Fuzzy Tbox bao gồm một tập các tiên đề thuật ngữ (mô tả khái niệm) mờ. Một tiên
đề thuật ngữ mờ hoặc là một khái niệm riêng biệt mờ, hoặc là một định nghĩa khái niệm
(mô tả khái niệm) mờ.
Khái niệm riêng biệt mờ là một biểu thức có dạng A ≺ ·C.
Định nghĩa khái niệm mờ là một biểu thức có dạng A :≈ C.
trong đó, A là một khái niệm nguyên tử, C là một biểu diễn khái niệm.
Để xác định ý nghĩa của các tiên đề thuật ngữ, người ta sử dụng diễn giải mờ. Diễn
giải mờ I thỏa mãn A ≺ ·C khi và chỉ khi ∀d ∈ ∆I , AI (d) ≤ CI (d). Diễn giải mờ I thỏa
mãn A :≈ C khi và chỉ khi ∀d ∈ ∆I , AI (d) = CI (d).
- Thuật toán tableaux trong ALC mờ
Trong logic mô tả mờ, thuật toán lập luận được sử dụng phổ biến là tableaux mờ.
Thuật toán thực hiện kiểm tra tính thỏa được của một khẳng định mờ. Trong phần này
chúng tôi chỉ trình bày ý tưởng của thuật toán, phần chi tiết có trong [2].
Input:
Một cơ sở tri thức sum = (
∑
A,
∑
T ).
Một khẳng định mờ ψ có dạng 〈a ≥ n〉 hoặc 〈a ≤ n〉.
Ouput:
∑
|1/4ψ?
Các bước thực hiện:
Bước 1. Quy bài toán kéo theo (
∑
|1/4ψ) về bài toán kiểm tra tính thỏa được của
ψ bằng cách đặt:
S = ψ ∪ 〈a < n〉 nếu ψ có dạng 〈a ≥ n〉.
S = ψ ∪ 〈a > n〉 nếu ψ có dạng 〈a < n〉.
Bước 2. Sử dụng giải thuật tableaux để kiểm tra tính thỏa được của S dựa vào tập
72
Xây dựng luật trong Ontology mờ
hợp các luật lan truyền [2].
2.2. Biểu diễn luật và truy vấn
* Ngôn ngữ f- SWRL
f – SWRL [4] là mở rộng mờ của SWRL, cho phép biểu diễn các luật mờ. Trong f
– SWRL, các thể hiện của tiên đề được gán “mức độ” tin cậy là giá trị trong đoạn [0;1],
cho phép khẳng định một cá thể là thể hiện của một lớp cho trước với mức độ bao nhiêu.
- Cú pháp
Một luật trong SWRL có dạng như sau:
Mệnh đề điều kiện −→ mệnh đề kết quả
Các thành phần của cả mệnh đề điều kiện và mệnh đề kết quả đều có thể chứa trọng
số w là giá trị trong đoạn [0;1], được biểu diễn như sau:
C(x)*w; P(x,y)*w; Q(x,z)*w, sameAs(x,y)*w
differentFrom(x,y)*w hoặc builtIn(pred,z1; : : : ; zn)
trong đó w ∈ [0; 1] là trọng số của một phần tử. Nếu trọng số w không được nhắc đến thì
được hiểu là trọng số bằng 1.
VD: g_toan(?x)*0.8 ∧t_KA(?x)*0.7 ∧nk_tinhoc(?x)*0.9→ KA_07-0.1(?x)
Với: ?x là giá trị các biến cá thể, g_toan (giỏi toán) , t_KA (thích khối A) và
nk_tinhoc (có năng khiếu tin học) là các phần tử ứng với các trọng số 0.8, 0.7 và 0.9
KA_07-0.1 là lớp kết quả.
- Các ràng buộc về ngữ nghĩa
+ Ràng buộc 1
Phép kéo theo phải thỏa mãn w (t (a, w (a, b)) , b) = 1.
Khi đó hai tập hợp các phép toán mờ sau thỏa mãn ràng buộc trên:
t (a, b) = min (a, b) ;wt (a, b) = sup {x ∈ [0; 1] |t (a, x) ≤ b}
Hoặc:
t (a, b) = a.b;wt (a, b) = sup {x ∈ [0; 1] |t (a, x) ≤ b}
+ Ràng buộc 2
Cho luật mờ A→ c ∗ w, f – SWRL phải thỏa mãn tính chất sau: w(A(|), c(|)) ≥ w
Với A(|), c (|) là các diễn giải tương ứng của A và c.
+ Ràng buộc 3
Phép toán trọng số g(w, d) sử dụng trong ngữ nghĩa f – SWRL thỏa mãn
Nếu d1 < d2 thì
g (w, d1) < g (w, d2)
g (0, d) = 1; g (1, d)
Khi đó, hai phép toán tính trọng số sau thõa mãn ràng buộc trên:
73
Huỳnh Thị Thanh Hương, Phạm Thị Anh Lê
g (a, b) =
{
a.b (a 6= 0)
1 (a = 0)
g (a, b) = wt (a, b)
* Ví dụ
Chúng tôi đưa ra một số ví dụ minh họa về luật được biểu diễn bởi f – SWRL, các
ví dụ này được trích từ hệ tư vấn chọn nghề xây dựng trong bài báo:
- Phu rất thích khối A với mức độ 0.8 : t_KA *0.8
- Phu rất có năng khiếu tin học với mức độ 0.9 : nk_tinhoc*0.9
- Chung thích toán với mức độ 0.6 : t_toan *0.6
- Chung thích sinh với mức độ 0.7 : t_sinh *0.7
- Chung thích hóa với mức độ 0.7 : t_hoa *0.7
- Chung rất thích ngành hóa thực phẩm với mức độ 0.8 : t_htp *0.8
- Luật 1 : t_hoa (?x)* [0.4;0.7] ∧ t_toan(?x) * [0.4;0.7] ∧ t_sinh(?x) * [0.4;0.7] ∧
t_htp(?x) * [0.7;1]→ KB_0.5-0.7(?x)
- Luật 2 : t_KA(?x) * [0.7;1] ∧ nk_tinhoc (?x)* [0.7;1]→ KA_0.7-1(?x)
Kết quả lập luận dựa trên hai luật trên cho thấy, Phu phù hợp với Khối A - Kĩ thuật
tin học (được phân lớp vào lớp KA_0.7-1) và Chung phù hợp với khối B - Hóa thực phẩm
(được phân lớp vào lớp KB_0.5-0.7)
2.3. Truy vấn với logic mô tả mờ
Fuzzy DL query là một công cụ truy vấn trên logic mô tả mờ. Fuzzy DL query được
thiết kế trong plug in fuzzy OWL, cho phép hỗ trợ xây dựng ontology mờ.
* Một số biểu diễn truy vấn trong Fuzzy DL query
Bảng 1. Các câu lệnh truy vấn trong Fuzzy DL Query
Cú pháp Ngữ nghĩa
(max-instance? a C) sup {n|K| = (instanceaCn)}
(min-instance? a C) inf {n|K| = (instanceaCn)}
(max-related? a b R) sup {n|K| = relatedabRn}
(min-related? a b R) inf {n|K| = relatedabRn}
(max-subs? C D) sup {n|K| = impliesDCn}
(min-subs? C D) inf {n|K| = impliesDCn}
(g-max-subs? C D) sup {n|K| = g − impliesDCn}
(g-min-subs? C D) inf {n|K| = g − impliesDCn}
(l-max-subs? C D) sup {n|K| = l − impliesDCn}
(l-min-subs? C D) inf {n|K| = l − impliesDCn}
(kd-max-subs? C D) sup {n|K| = kd− impliesDCn}
(kd-min-subs? C D) inf {n|K| = kd− impliesDCn}
(max-sat? C [a]) supI supa∈∆I CI (a)
74
Xây dựng luật trong Ontology mờ
(min-sat? C [a]) infI supa∈∆I CI (a)
(max-var? Var sup {var|Kisconsisten}
(min-var? var) inf {var|Kisconsisten}
(defuzzify-lom? Cm a F) Khử mờ giá trị của F sử dụng max lớn nhất
(defuzzify-mom? Cm a F) Khử mờ giá trị của F sử dụng max trung bình
(defuzzify-som? Cm a F) Khử mờ giá trị của F sử dụng max nhỏ nhất
(bnp? f) Tính giá trị BNP (best non – fuzzy) của một số mờ
* Công cụ lập luận Racerpro plugin
RacerPro (Renamed aBox and concept expression reasoner) là plugin được tích hợp
cho phiên bản protégé từ 4.1 trở lên, là một công cụ lập luận cho ngôn ngữ OWL DL.
RacerPro còn được sử dụng như một phần mềm cho phép xây dựng các ứng dụng dựa trên
ontology. RacerPro cung cấp các dịch vụ suy luận cho các tri thức thuật ngữ cũng như
biểu diễn tri thức của các cá thể dựa trên các kĩ thuật tối ưu hóa và các kỹ thuật đã được
nghiên cứu, phát triển trong lĩnh vực logic mô tả trong suốt những năm qua.
2.4. Hệ tư vấn ứng dụng
* Ontology mờ tư vấn chọn nghề
Tư vấn chọn nghề là bài toán phổ biến trong thực tế. Với hiện trạng hiện nay, chúng
ta có rất nhiều cơ sở đào tạo, nhiều ngành nghề, nhiều bậc đào tạo,. . . Những học sinh khi
tốt nghiệp phổ thông sẽ có nhiều lựa chọn, để giúp họ có những lựa chọn đúng đắn và phù
hợp đòi hỏi sự ra đời của các hệ tư vấn. Trong bài báo này, chúng tôi xây dựng hệ tư vấn
chọn nghề áp dụng công nghệ ontology mờ. Hệ tư vấn này trợ giúp cho học sinh có thể
lựa chọn ngành nghề phù hợp với năng lực và sở thích của mình.
Chúng tôi sử dụng công cụ Fuzzy Protégé [5] để xây dựng ontology mờ cho ứng
dụng. Một phần ontology được minh họa trong Hình 1.
Hệ tư vấn chọn nghề được xây dựng gồm có các lớp: Bac_dao_tao; hoc_sinh,
linh_vuc; nang_luc, nganh_hoc. . .
Trong lớp nganh_hoc được chia ra nhiều lớp con: nganh_KA, nganh KB,
nganh_KC, nganh_KD
Các lớp nganh_KA, nganh KB, nganh_KC, nganh_KD lại có các lớp con tương ứng
KA_0-0.3 (khối ngành Nông – Lâm)
KA_0.3-0.5 (Khối ngành Sư phạm)
KA_0.5-0.7(Khối ngành Kinh tế)
KA_0.7-1 (Khối ngành Kĩ thuật - Tin học). . . .
KB_0-0.5 (Khối ngành Sư phạm)
KB_0.5-0.7 (Khối ngành Hóa thực phẩm)
KB_0.7-1(Khối ngành Y)
KC_0-0.4 (Khối ngành Sư phạm)
75
Huỳnh Thị Thanh Hương, Phạm Thị Anh Lê
KC_0.4-0.7 (Khối ngành Xã hội)
KC_0.7-1(Khối ngành Luật)
KD_0-0.4 (Khối ngành Sư phạm)
KD_0.4-0.7 (Khối ngành Nông – Lâm)
KD_0.7-1(Khối ngành Kinh tế)
Chức năng của hệ tư vấn là đưa ra lựa chọn ngành học phù hợp cho mỗi học sinh
khi đưa vào các thông tin về năng lực, sở thích, cụ thể là các chức năng:
- Tư vấn chọn khối thi theo thông tin về năng lực và sở thích môn học
- Tư vấn chọn ngành học khi theo thông tin về khối thi, năng lực, sở thích, năng
khiếu với các môn học, các nghề, hoặc các lĩnh vực.
Mỗi học sinh là một cá thể (individual), thông tin về năng lực, sở thích của học sinh
được biểu diễn bởi các sự kiện (facts :data properties) của các cá thể: t_toan (thích môn
toán), g_ly (giỏi môn lí), t_kinhdoanh (thích kinh doanh), nk_tinhoc (có năng khiếu tin
học). . . ... Dựa vào các sự kiện và các luật f_SWRL biểu diễn dưới dạng tiên đề (axiom),
hệ thống sử dụng công cụ lập luận Racerpro plugin để phân lớp các thể đó vào các lớp
con tương ứng trong lớp nganh_hoc.
Hình 1. Ontology tư vấn trọn nghề
* Xây dựng luật và tư vấn
Công cụ fuzzy Protégé không hỗ trợ việc biểu diễn các luật mờ. Trong phần này,
chúng tôi đưa ra một phương pháp xây dựng luật mờ dựa vào các tiên đề theo quy tắc cú
pháp f-SWRL tương ứng cho mỗi lớp.
VD: trong lớp KA_0.7-1
Luật f-SWRL:
nk_ddtu(?x)◦ [0.7, 1] , t_KA(?x)◦ [0.4, 1]→ KA_0.7− 1(?x)
76
Xây dựng luật trong Ontology mờ
.
Nếu học sinh x có năng khiếu điện – điện tử (nk_ddtu) với mức độ từ 0.7→ 1 và
thích khối A (t_KA) với mức độ từ 0.4→ 1 thì thuộc lớp KA_0.7-1
Được viết thành axiom dưới dạng lớp tương đương của lớp KA_0.7-1:
(nk_ddtu some decimal[>= "0.7"∧∧decimal , <= "1"∧∧decimal])
and (t_KA some decimal[>= "0.4"∧∧decimal , <= "1"∧∧decimal])
Các trọng số được lựa chọn dựa vào nguyên tắc:
- Trọng số của data property assertions phụ thuộc vào mức độ thích, giỏi, có năng
khiếu của các thể (học sinh tự đánh giá trong phạm vi từ 0→ 1 dựa trên từng mức độ, ví
dụ: rất thích (0.7→ 1), rất giỏi, hơi thích (0.3→ 0.7). . . , hơi giỏi ...).
- Trọng số của mỗi thành phần trong luật dựa vào quy luật tư vấn trong thực tế
(ngành hot, ngành mũi nhọn, ngành có tỷ lệ chọi cao. . . ).
Người dùng cung cấp thông tin học sinh theo các sự kiện (data properties): thích
môn nào, ngành nào, lĩnh vực nào với mức độ bao nhiêu? Giỏi môn học nào với mức độ
bao nhiêu? Có năng khiếu gì, với mức độ bao nhiêu
Dựa trên các tiên đề đã xây dựng tương ứng trên mỗi lớp và các sự kiện mà người
dùng đưa vào, hệ thống sử dụng plugin Racerpro của Protégé để phân lớp các cá thể, kết
quả phân lớp được sử dụng làm kết quả tư vấn cho học sinh
VD: khi cần tư vấn cho học sinh Cường, người dùng nhập các có các facts (data
property assertions) cho Individual cuong theo các sở thích và năng khiếu :
t_luatsu “0.8”∧∧decimal
t_kC “0.6”∧∧decimal
nk_noi “0.7”∧∧decimal
Sau đó, hệ thống sử dụng công cụ lập luận là plugin Racerpro (công cụ lập luận dựa
trên logic mô tả) để phân lớp, khi đó individual cuong được phân vào lớp KC_0.7-1 theo
một trong các luật f_SWRL tương ứng của lớp này là:
(nk_noi some decimal[>= "0.4"∧∧decimal , <= "1"∧∧decimal])
and (t_KC some decimal[>= "0.4"∧∧decimal , <= "1"∧∧decimal])
and (t_luatsu some decimal[>= "0.7"∧∧decimal , <= "1"∧∧decimal])
Hệ tư vấn của chúng tôi đã xây dựng được khoảng 100 luật theo quy tắc xây dựng
các tiên đề của các lớp tương đương cho phép truy vấn dựa trên các khẳng định của từng
cá thể. Với cách xây dựng luật như vậy, hệ thống có khả năng truy vấn mở rộng hơn bằng
cách cho phép các trọng số của mỗi thuộc tính dữ liệu có thể dao động trong phạm vi từ 0
đến 1 thay vì chỉ cho một mức độ nhất định thuộc đoạn [0,1]. Tuy nhiên, hạn chế của truy
vấn theo cách này là nếu các sự kiện của các cá thể không tuân theo một biểu diễn luật
nào của hệ thống thì sẽ không được phân lớp.
77
Huỳnh Thị Thanh Hương, Phạm Thị Anh Lê
3. Kết luận
Trong bài báo, chúng tôi đã tìm hiểu công nghệ ontology mờ, đề xuất phương pháp
biểu diễn luật mờ f_SWRL nhằm hỗ trợ việc biểu diễn và truy vấn các tri thức mờ. Việc
biểu diễn luật mờ bởi các tiên đề tương ứng đã được minh họa bởi một hệ tư vấn ứng dụng
chọn nghề cho học sinh phổ thông với chức năng tư vấn ngành học phù hợp với năng lực
và sở thích của mỗi học sinh.
Trong thời gian tới, chúng tôi sẽ tiếp tục bổ sung thêm các luật, hoàn thiện giao diện
hệ thống để có thể áp dụng rộng rãi cho nhiều đối tượng sử dụng. Bên cạnh đó, chúng tôi
sẽ nghiên cứu các phương pháp biểu diễn các luật mờ hiệu quả và xây dựng các công cụ
hỗ trợ lập luận trên ontology mờ.
TÀI LIỆU THAM KHẢO
[1] U. Straccia, 2004. Toward a fuzzy description logic for the semantic web.
[2] U. Straccia. 2001. Reasoning within fuzzy description logics. Journal of Artificial
Intelligence Research, 14:137-166.
[3] U. Straccia. 1998. A fuzzy description logics. National Conference on Artificial
Intelligence, Madison, Wisconsin.
[4] Jeff Z. Pan, Giorgos Stoilos, Giorgos Stamou, Vassilis Tzouvaras and Ian Horrocks3.,
2005. F-SWRL. A Fuzzy Extension of SWRL. International Conference on Artificial
Neural Networks.
[5] Fernando Bobillo, Umberto Straccia, 2011. Fuzzy ontology representation using
OWL 2.
ABSTRACT
Building rules in fuzzy ontology
Fuzzy ontology is generated by the combination of ontology technology and
the fuzzy set theory. It represents uncertain (fuzzy) knowledge and reasons for fuzzy
knowledge based on the rule system. In this paper, we propose a method to present
fuzzy rules and query on fuzzy ontology with Fuzzy Protégé. We look at a knowledge
representation language (Fuzzy Description logic) and a method to build fuzzy rules based
on f – SWRL and the Fuzzy DL query system in Fuzzy OWL 2 plugin. An advisor system
for high school students choosing a career is also designed.
78