УДК 004.8 ПОСТРОЕНИЕ ГРАНУЛЯРНЫХ ОНТОЛОГИЙ ДЛЯ КОГНИТИВНЫХ АГЕНТОВ

УДК 004.8
ПОСТРОЕНИЕ ГРАНУЛЯРНЫХ ОНТОЛОГИЙ
ДЛЯ КОГНИТИВНЫХ АГЕНТОВ*
Калуцкая А.П., к.т.н., ассистент
МГТУ им. Н.Э. Баумана
e-mail: k_a_p@rbcmail.ru
1. ВВЕДЕНИЕ
В настоящее время появляется множество интеллектуальных
программных и технических устройств, которые взаимодействют с
человеком. К их числу можно отнести интеллектуальные роботыпомощники, «умные» дома, программы с интеллектуальным
интерфейсом. Для более эффективного взаимодействия таких
устройств друг с другом необходимо формирование, так называемых,
интеллектуальных пространств. При этом уровень взаимодействия
возрастает с развитием технологий искусственного интеллекта и
достигнет в ближайшем будущем интеллектуального взаимодействия
на естественном языке, т.е. диалогового взаимодействия.
В
рамках
концепции
интеллектуальных
пространств
технические и программные устройства, взаимодействующие с
человеком для определения целей и выполнения действий по
достижению этих целей, рассматриваются в качестве искусственных
агентов. Более того, сам человек представляется как естественный
агент, имеющий определенные цели. Для реализации данной
концепции необходимо, чтобы искусственные агенты имели статус
когнитивных агентов, т.е. считались способными получать,
консолидировать и обрабатывать разнородную информацию от
различных источников, в том числе, числовую информацию от
датчиков, естественно-языковую информацию от человека и правила
из собственной или коллективной базы знаний.
Для реализации диалогового взаимодействия необходимо
развитие технологий распознавания слитной речи, но не менее важным
аспектом является развитие технологий, которые обеспечивают
понимание агентом смысла информации, полученной от человека.
Работа выполнена при финансовой поддержке РФФИ, проекты №10-0100844 и №11-07-00738
*
Именно построение общего языка и единого «поля знаний»
необходимы для взаимопонимания и совместной работы естественных
и искусственных агентов, а также для синтеза многоагентных
интеллектуальных пространств. Одной из таких технологий,
получившей большую популярность, являются онтологии.
2. СИСТЕМА ОНТОЛОГИЙ КОГНИТИВНОГО АГЕНТА
Построение системы онтологий обеспечит эффективную
коммуникацию человека и агента при выполнении последним
сложных задач в неточно и неполностью определенной среде.
3. ИСПОЛЬЗОВАНИЕ НЕЧЕТКИХ ГРАФОВ И
ГИПЕРГРАФОВ ДЛЯ ОПИСАНИЯ ОНТОЛОГИИ
Использование нечетких графов для описания онтологий
позволяет описывать силу отношения между понятиями предметной
области. На рис.1 дан иллюстративный пример нечеткой онтологии в
виде взвешенного дерева.
Рассуждение
0.1
Физический
агент
0.2
0.7
0.7
Познание
0.5
Мобильный
агент
0.6
Движение
0.9
0.9
0.9
0.3
0.8
Интеллектуальный Когнитивный
агент
агент
Рис.1. Пример нечеткой онтологии
На рис.1 дан иллюстративный пример нечеткой онтологии с
тремя категориями (С1 – «рассуждение», С2 – «познание», С3 –
«движение») и четырьмя ключевыми словами (k1 – «физический
агент», k2 –«мобильный агент», k3 – «интеллектуальный агент», k4 –
«когнитивный агент»). Здесь ядро нечеткой реляционной онтологии
задается нечетким отношением R, определенном на декартовом
произведении k  C ключевых слов и категорий. Нечеткие оценки силы
связи rij можно получить как в результате групповой экспертизы с
бинарными ответами «да-нет», так и путем частотного анализа
текстов.
C1
C2
...
Cn
r12
... r1n 
 r11
r
r22
... r2 n 
 21

 ...
... ... ... 


rm1 rm 2 ... rmn 
Один из подходов к построению гранулярных онтологий связан
с обобщенными ограничениями вида X isr C, где X – переменная, C –
гибкое ограничение на эту переменную, а значение r переменной
связки isr определяет способ выражения (семантику) ограничения
[6,8]. В частности, ограничение X is C задает нечеткую функцию
принадлежности, которая определяет значение переменной.
Использование нечетких гиперграфов для описания онтологий
позволяет описывать множество отношений между понятиями
предметной области. На рис.2 дан пример гранулярной онтологии,
описывающей взаимодействие агента с внешней средой в виде
нечеткого гиперграфа. В данном гиперграфе отношения между
понитиями онтологии заданы с помощью нечетких лингвистических
ограничений.
k1
R  k2
...
km
[X(a,o) is dj] & [F(a,o) is fi]
Объект
Агент
P(h,a) is pk
[V(a,m) is vl] &
[T(a,m) is tn]
Человек
Движение
Рис.2. Гиперграф, описывающий гранулярную онтологию
Выбор языка описания онтологий для согласования
концептуальных моделей агентов накладывает ограничения на аппарат
логического описания взаимодействия агента с внешней средой. Так
как в качестве языка описания выбраны гранулярные метаонтологии,
то в работе используются методы логико-лингвистического
моделирования.
Данные
методы
построены
на
основе
псевдофизических логик, введенных Д.А. Поспеловым [7].
Псевдофизическая логика – это логика, отражающая восприятие
искусственной системой закономерностей внешней физической среды.
Особенностью такой логики является наличие лингвистических или
нечетких шкал, на которые проецируются объекты, а также то, что в
качестве пропозициональных переменных в них используются
лингвистические переменные Л.Заде.
Отношения, определяющие расстояние до объекта заданы в
виде нечетких ограничений X (a; b) is d j , j  [0;6] , где dj – термы
лингвистической переменной «Расстояние»: d0 – вплотную, d1 – очень
близко, d2 – близко и т.д. Нечеткое ограничение для ЛП «Направление»
имеет вид: X (a; b) is f i , i  [1; 8] , где f1 – впереди, f2 – впереди и слева,
f3 – слева и т.д. Каждое такое ограничение образует гранулу.
Возможность изменения размеров и центров гранул позволяет
варьировать степень точности описания пространственной ситуации.
Отношения, определяющие скорость и время движения агента к
цели задаются в виде ограничений вида: [V (a, m) is vl ]  [T (a, m) is t n ] ,
l=[1;5], n=[1;5], где v1 – очень малая, v2 – малая, t1 – почти сразу, t2 –
немного позже и т.д.
Отношения определяющие оценки и предпочтения, задаваемые
человеком описываются в виде нечетких лингвистических
ограничений вида: P(h,a) is pk, k=[1;5], где p1 – намного хуже, p2 –
хуже и т.д.
Перечисленные отношения используются псевдофизическими
логиками пространства (статические и динамические) и логиками
оценок и предпочтений.
Таблица. Мереотопологические пространственные отношения для
областей a и b
Название
Несвязность
Часть
Собственная
Часть
Обозначения
Формальная
запись
DC
а DC b
P
аPb
PP
а PP b
Графическая
иллюстрация
Равенство
EQ
а EQ b
Частичное
Перекрытие
PO
а PO b
Внешняя
Связность
EC
а EC b
5. ЗАКЛЮЧЕНИЕ
Для
реализации
эффективного
информационного
взаимодействия (диалогового управления) между человеком и
когнитивным агентом необходимы не только (и не столько)
специальные технические средства, сколько общий язык и единое
«поля знаний».
Одной из наиболее прогрессивно развивающихся технологий
является онтологийческий инжиниринг. Построение и использование
гранулярных онтологий и метаонтологий позволяет агенту
оперировать нечеткой, неполной информацией и наиболее полно
отражать особенности естественного языка при диалоговом
взаимодействии с человеком.
Литература
1. Guarino N. Formal Ontology, Conceptual Analysis and Knowledge
Representation// International Journal of Human and Computer Studies. – 1995.
– Vol.43. – №5-6. – P.625-640.
2. Гаврилова Т.А., Муромцев Д.И. Интеллектуальные технологии в
менеджменте. – СПб.: Изд-во ВШМ СПбГУ, 2008.
3. Смирнов А.В., Пашкин М.П., Шилов Н.Г.,Левашова Т.В. Онтологии в
системах искусственного интеллекта: способы построения и организации
(часть 1)// Новости искусственного интеллекта. – 2002. – №1. – С.3-13.
4. Найханова Л.В. Основные аспекты построения онтологий верхнего уровня
и предметной области// Интернет-порталы: содержание и технологии. Вып.
3 / Под ред. А.Н. Тихонова и др. – М.: Просвещение, 2005. – С. 452-479.
5. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям.
– М.: Эдиториал УРСС, 2002.
6. Zadeh L.A. Toward a Theory of Fuzzy Information Granulation and its
Centrality in Human Reasoning and Fuzzy Logic// Fuzzy Sets and Systems. –
1997. – Vol.90. – P.111-127.
7. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний
о пространстве и времени в системах искусственного интеллекта. – М.:
Наука, 1988.
8. Берштейн Л.С., Боженюк А.В. Нечеткие графы и гиперграфы. – М.:
Научный мир, 2005.