Xây dựng luật trong Ontology mờ

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