本体服务器的构造与实现研究.ppt

本体服务器（知识管理器） ——不确定性知识表示与推理 内容 应用领域 技术线路 相关研究内容 研究背景 应用领域 语义Web 语义匹配 知识共享 应用集成 服务组合与发现 应用领域 普适计算－上下文服务器 应用领域 语义搜索引擎 Agent及多Agent系统 技术线路 基于Protégé本体编辑器。本体服务器采用MySQL作为本体的持久化存储工具。在Eclips平台下，使用Jena API将OWL的图数据结构存储到数据库中，采用Jena自带的基于规则的推理机，也可以采用基于DIG（Description Logic Interface Group）接口的Racer推理机，并且基于Jena语义查询推理引擎改造或集成现有OWL推理引擎。 Internet环境下基于Agent的软件中间件理论和方法研究 －973 Ontology Development 研究内容 在分析（Deep Web中的）不完备知识的单调性、动态性、模糊性等方面的基础上，研究模态逻辑、多值逻辑、非单调逻辑等非经典逻辑的模型生成方法。 围绕知识表示与推理，基于描述逻辑的知识表示方法研究 动态描述逻辑 模糊描述逻辑 时序描述逻辑 模态描述逻辑 由于描述逻辑在语义可判定性以及面向对象的分类表示等方面的优点, 所以一般的本体语言可以建立在描述逻辑的基础之上, 如本体语言DAML+OIL[2]和OWL[3](包括OWL Lite OWL DL和OWL Full)等. 由于这些语言(DAML+OIL, OWL Lite 和OWL DL 等)与描述逻辑的对应关系, 从而一些学者将描述逻辑作为语义Web 的逻辑基础, 如Ian Horrocks 证明了DAML OIL 语言与描述逻辑SHOIQ(D)等价[4], Ian Horrocks 和P F Patel-Schneider 证明了OWL DL与描述逻辑SHOIN+(D)等价[5], 从而他们把描述逻辑SHOIQ(D)或者SHOIN+(D)作为语义Web的逻辑基础. Franz Baader 等人明确指出描述逻辑可以作为语义Web 的本体语言, 从而用描述逻辑来为语义Web提供必要的逻辑基础[6]. 语义Web 不仅需要提供静态的信息, 而且也需要提供动态的服务(即语义Web 服务)[7], 从而语义Web 上的逻辑推理不仅包括对静态知识(本体)的推理, 而且也包括对动态知识(服务)的推理. 而传统的描述逻辑主要是用来对静态知识进行表示和推理的, 不能有效的对动态知识进行表示和推理, 因而传统的描述逻辑(如SHOIQ(D)和SHOIN+(D))不能为语义Web 提供合理的逻辑基础, 也就是说,用传统的描述逻辑来作为语义Web 的逻辑基础是不充分的. 结合Bayes网的OWL不确定知识表示与推理 基于混合逻辑的tableau的推理结构、算法 语义匹配算法研究 基于语义的Deep Web搜索 基于语义的Deep Web搜索引擎体系结构 Deep Web数据的自动语义标注 基于语义的模式匹配 基于Deep Web的本体自动构建 上下文融合 服务发现与服务组合 研究背景 国家自然科学基金 面向Deep Web的不完备知识处理的逻辑模型研究 江苏省高校自然科学基础研究项目 基于混合逻辑的不相容知识处理技术研究 普适计算 不确定性人工智能 知识的不确定性 人们目前所说的不确定性,其涵义很广泛,主要包括随机性、模糊性、不完全性、不稳定性和不一致性这5个方面,其中随机性和模糊性又是最基本的. 当今，知识的不完备性、不协调性和非恒常性突出表现在人人离不开的因特网上。因特网上的信息和知识大部分是非结构的，或半结构的，它们以图象、文本、声音、数据等各种形式存在，多种语言并存，分布在数十亿个网页上，每天以百万网页的数量级在增长、消失或改变内容，充满了矛盾，几乎体现了知识不确定性的所有特点。如何在开放、动态的环境下实现高效、可信的不确定知识的共享与利用，正在成为人工智能的研究热点。 常识知识的表示和处理的两种主流方法 以麦卡锡为代表的学派主张从建立常识的逻辑体系入手，并提出了一整套的非单调逻辑、认知逻辑等形式体系； 而费根鲍姆则提出通过建设大规模常识知识库实现人工智能的计划 知识表示与推理方法 知识表示方法：一阶逻辑、产生式系统、语义网络、神经元网络 各种形式化推理方法：定性推理、模糊推理、单调推理、次协调推理、信念推理、基于案例的推理 共识：有无常识式人和机器的根本区别 不确定性人工智能是人工智能进入21世纪的新发展,这个由计算机科学、物理学、数学、脑科学、心理学、认知学、生物学等自然科学和社会科学交叉渗透构成的新学科,必将使机器能够具备类似人脑的不确定性信息和知识的表示能力、处理能力和思维能力. 问题 OWL与描述逻辑的关