Методы и модели автоматического построения онтологий на основе генетического и автоматного программирования тема диссертации и автореферата по ВАК РФ 05.13.11, доктор технических наук Найханова, Лариса Владимировна

• Найханова, Лариса Владимировна
• доктор технических наук
• 2008

Оглавление диссертации доктор технических наук Найханова, Лариса Владимировна

Часть

Введение.

1 Обзор технологий, методов и средств автоматического создания онтологий.

1.1 Основные понятия и определения.

1.2 Основные задачи, решаемые с помощью онтологии.

1.3 Методики построения онтологии.

1.3.1 Модель «Аристотеля».

1.3.2 Стандарт онтологического исследования IDEF5.

1.3.3 Методология METHONTOLOGY.

1.3.4 Методология Build Domain Ontologies.

1.3.5 Способы конгломерации онтологий.

1.3.5.1 Интеграция онтологий.

1.3.5.2 Соединение онтологий.

1.3.5.3 Конгломерация онтологий в процессе их создания.

1.4 Анализ методов и средств создания онтологий.

1.5 Обзор методов автоматического построения онтологий.

1.5.1 Построение онтологий в автоматическом и полуавтомашческом режимах.

1.5.2 Автоматическое решение локальных задач построения онтологии.

1.5.3 Анализ методов и средств, предназначенных для построения онтологий в автоматическом режиме.

1.6 Обзор и анализ методов и средств технологий генетического и автоматного программирования.

1.6.1 Обзор методов генерации моделей решения.

1.6.2 Обзор методов генерации автоматов на основе генетических алгоритмов.

1.7 Выводы по разделу и описание проблемы.

1.7.1 Выводы по разделу.

1.7.2 Описание проблемы.

2 Концептуализация знаний онтологий.

2.1 Конструкция знаков.

2.1.1 Простая схема представления знака.

2.1.2 Треугольник Фреге.

2.1.3 Квадрат Д.А. Поспелова.

2.1.4 Пятиугольник С.Е. Никитиной.

2.1.5 Единая интерпретация метапонятий И. Дальберг.

2.1.6 Конструкция термина как знака.

2.2 Структуры словарных статей.

2.2.1 Структура словарной статьи «Понятие».

2.2.2 Структура словарной статьи «Действие».

2.2.3 Структуры словарных статей «Состояние» и «Событие».

2.2.4 Структуры словарных статей «Свойства» и «Величины».

2.3 Модель представления знаний онтологии.

2.3.1 Знак —фрейм.

2.3.2 Базовые фреймы-прототипы.

2.4 Ситуационный подход в решении задач естественно-языковой обработки монологического текста.

2.5 Типизация семантических отношений.

2.5.1 Концептуальные отношения.

2.5.1.1 Квалитативные отношения.

2.5.1.2 Квантитативные отношения.

2.5.2 Типы предикатов и семантические отношения.104,

2.6 Выводы по разделу.

3 Методы построения онтологий на основе продукционной модели знаний.

3.1 Обобщенная схема естественно-языковой обработки монологического текста.

3.2 Традиционные методы естественно-языковой обработки монологического текста.

3.2.1 Морфологический анализ.

3.2.2 Выделение устойчивых словосочетаний.

3.2.3 Синтаксический пофразный анализ.

3.3 Специальные методы построения онтологий.

3.3.1 Построение терминосистемы предметной области.

3.3.1.1 Терминологические словари как источники знаний.

3.3.1.2 Построение семантической сети знаков-фреймов как модели представления терминосистемы.

3.3.2 Построение номенклатуры предметной области.

3.3.3 Соединение онтологий.

3.4 Выводы по разделу.

4 Модели генерации систем продукций и моделей преобразователей продукционных правил-.;.'.

4.1 Конструктивные знания эксперта и формирование спецификации предметной области прикладной задачи.

4.1.1 Конструктивные знания. 4.1.Г. 1 Понятия и конструкты.

4.1.1.2 Взаимосвязь конструктов. . 4.1.1.3 Пример конструктов и их взаимосвязей;.

4.1.2 ХМЬ-описание спецификации метода.

4.1.2.1 Определение структуры ХМЬ-докумснта и грамматики описания данных.

4.Г.2.2 Пример ХМЬ-документа.:.„.190^

4.2 Генетическое программирование в решении задачи генерации.ядер продукционных'правил.

4.2. Г. Основные положения генетического,алгоритма;.:.

4.2.2 Генетический алгоритм.генерации ядер продукционных правил.

4.2.3 Оценка достоверности; сгенерированных систем продукций;.„ 199 ■

4;2.4 Окончательная оценка совокупности особей.!.200<;

4.3 Преобразование продукционных правил. 4.3 . Г Обобщенная схема генерации модели автоматического » :: преобразователя:.1.

4.3.2 Интерфейс пользователя ОепХЛ.

4.3.3 Генетический, алгоритм генерации модели преобразователя.21:

4.33.1 Основные положения генетического алгоритма.

4.3.3.2 Генетические операторы.

4.3.4 Оценка надежности генетического алгоритма для преобразования продукционных правил.

4.3.5 Модель сопряжения 1Т.

4.4 Выводы по разделу.220 ■

5 Модель аппарата активации, как модуля управления продукционными знаниями;.;.

5.ГОпределение механизма активации систем продукций.;.'.„ 223\

5.2 Автоматная модель аппарата активации систем продукций.

5.2.1 Спецификация автомата.

5.2.1.1 Внутреннее представление ядра продукционных правил.

5.2.1.2 Описание данных автомата.2285.2.2 Модель автомата модуля управления.^.

5.2.3 Модель системы резолютивного вывода.

5.2.3.1 Основные положения генетического алгоритма.

5.2.3.2 Генетический алгоритм.

5.2.3.3 Конечный автомат системы резолютивного вывода.

5.2.4 Нечеткий логический вывод.

5.2.4.1 Нечеткие продукции.

5.2.4.2 Методы нечеткого вывода.

5.2.4.3 Этапы нечеткого логического вывода.

5.2.4.4 Основные алгоритмы логического вывода.

5.2.4.5 Система нечеткого логического вывода.

5.3 Выводы по главе.

Введение диссертации (часть автореферата) на тему «Методы и модели автоматического построения онтологий на основе генетического и автоматного программирования»

Актуальность исследования. Понятие онтологии, заимствованное из философии (введено немецким философом Л. воскшив в 15-И 6 веках), в настоящее время активно применяется в искусственном интеллекте и информатике. Все больше интеллектуальных задач, решение которых связано с обработкой знаний, решаются с применением онтологий [28, 40, 41, 44, 50, 55, 75, 80, 138 и др.]. По всей вероятности в недалекой перспективе онтологии будут использоваться при решении очень многих интеллектуальных задач.

Самым распространенным определением онтологии на данный период является определение Т.Я. ОгиЬег [202], согласно которому онтология является точной спецификацией концептуализации. С этой точки зрения для каждой из баз данных или баз знаний, или систем, основанных на знаниях, или агентов знаний должны быть построены спецификации, основанные на некоторой концептуализации. Множества объектов и отношений между ними должны быть описаны в некотором словаре, в котором система, основанная на знаниях, представляет свои знания. Таким образом, считается, что ядро онтологии составляют множества представленных в ней терминов [126].

М. изсЬоМ [271] также полагает, что онтология является спецификацией концептуализации, но только в той ее части, которая зависит от определенной^ области интересов. Независимо от вида онтологии в нее необходимо включить словарь терминов и некоторые спецификации их значений, что позволяет ограничивать возможные интерпретации терминов и отражать взаимодействие понятий, включенных в структуру данной области. Необходимо заметить, что при таком подходе понятие онтологии сильно пересекается с уже давно принятым в информатике и лингвистике понятием тезауруса [81, 89, 105, 106].

Н. Такес1а [265] ставит онтологии в центр проблемы организации знаний, так как в каждой области могут существовать различные понимания одних и тех же терминов. В этом случае онтология используется для структурирования информации, являясь посредником между человеко- и машинно-ориентированным уровнем представления информации. Здесь онтология определяется как соглашение о некоторой области интересов для достижения определенных целей. Для установления соглашения о знаниях, представленных на некотором языке, в частности, на логическом языке, по мнению N. Guarino [205], онтология должна характеризовать концептуализацию, ограничивая возможные значения предикатов и функций. В этом понимании онтология - это логическая теория, аксиомы которой ограничивают интерпретации нелогических символов языка.

К первым средствам создания онтологий относятся системы Ontolingua [186, 187], Protégé [240], OntoEdit [262], OilEd [164], Web-Deso [130] и другие. Система Ontolingua создана в Стенфордском университете и стала первой средой разработки онтологий. Она состоит из сервера и языка представления знаний и предназначена для коллективного использования системы базовых знаний при разработке собственных онтологий. Она предоставляет разработчику библиотеку модулей, на основе которой осуществляется расширение онтологий. Система Protégé разработана группой медицинской информатики Стенфордского университета и представляет собой локальную Java-программу, обеспечивающую построение онтологий предметной области. Система OntoEdit разработана в институте AIFB университета Karlsruhe и предназначена для проектирования, приспособления и импорта/экспорта моделей знаний в форматах RDF, DAML+OIL, Flogic для или из прикладных систем. Система OntoEdit также является автономной Java-программой. Редактор онтологий OilEd, разработанный в Манчестерском университете, в большей степени используется для проверки разработанных онтологий на согласованность, чем для создания онтологий. Созданная в Санкт-Петербургском институте информатики и автоматизации РАН система интеграции знаний Web-Deso предназначена для создания онтологий некоторой предметной области, которые соединяются в одну результирующую онтологию предметной области и помещаются в библиотеку вместе с источниками знаний. Такая же операция выполняется для онтологий задач. Сформированные в библиотеке онтологии интегрируются в онтологию-приложение, которая тоже хранится в библиотеке и обеспечивает поддержку многократного доступа к представленным знаниям. В работах [81, 130] приведены сравнительные оценки перечисленных средств с точки зрения их внешней и внутренней организации.

К настоящему времени на основе этих и других систем созданы различные онтологии, многие из которых размещены в сети Интернет. Например, поисковой системой SWOOGLE [264] проиндексировано свыше 10 тысяч онтологий и словарей, доступных в Веб. В России к наиболее известным и качественным онтологиям относятся лингвистическая онтология по естественным наукам и технологиям (предназначена для информационного поиска) [40], многоуровневая онтология химии [5], онтология по медицинской диагностике [55] и другие.

Переход от экспериментальных лабораторных исследований по созданию качественных онтологий к использованию их в решении прикладных задач реального мира мог бы происходить значительно быстрее, если бы существовала возможность построения таких онтологий в автоматическом режиме. На наш взгляд, автоматическое построение онтологий необходимо выполнять при условии, заключающемся в том, что источники знаний должны быть качественными и заранее выбранными.

Естественно, что любая научная дисциплина постепенно вырабатывает свои основные положения, понятия и средства их наименования. Результатом их анализа, состоящем в выявлении терминологии, её упорядочении, доведении до уровня, делающего эту терминологию доступной для освоения людьми, желающими приобрести соответствующие профессиональные знания [68], являются терминологические и/или толковые словари, которые и должны быть источниками знаний при формировании ядра онтологии. А извлечение знаний из научных текстов позволит расширить ядро онтологии.

Таким образом, необходимо разработать методы, которые позволили бы в автоматическом режиме извлекать знания из научных текстов. Но прежде чем разрабатывать такие методы, необходимо решить, как представить извлеченные знания. Это означает, что, в первую очередь, необходимо определиться с категориальным аппаратом онтологии. Чем точнее структура онтологии, тем проще её формировать и понимать. Поэтому методы построения онтологии нужно строить такие, которые будут необходимы для распознавания в тексте того или иного компонента категориального аппарата онтологии.

В основе данных методов лежит естественно-языковая обработка научного текста, которая, как известно, находится в настоящее время в состоянии совершенствования и пока далека от завершения [18, 77]. Этот факт приводит к выводу о том, что методы построения онтологий должны иметь декларативное представление, значительно легче модифицируемое, чем процедурное. Лингвисты

51] утверждают, что единицы текста (предложение, лексема, морфема и т.д.) создают ситуационный контекст, который отражает форму и содержание текста, если его единицами является предложение; предложения, если его единицами являются лексемы; лексемы, если ее единицами являются морфемы. По мнению A.A. Залевской, ситуационный подход, акцентирует внимание на том, что для пользующегося языком человека значение слова реализуется через включение его в некоторую более объемную единицу - пропозицию. А это значит, что анализ языковых ситуаций в научном тексте лучше всего выполнять с помощью продукционных правил, ядром которых и будет являться пропозиция.

Кроме того, применение продукционных правил позволит обеспечить следующие преимущества методов построения онтологий: простоту и высокое быстродействие; модульность - каждое правило описывает небольшой, относительно независимый блок знаний; удобство модификации - старые правила можно изменять и заменять на новые достаточно независимо от других правил; прозрачность - использование правил облегчает реализацию способности системы к объяснению принятых решений и полученных результатов; возможность постепенного наращивания - добавление правил в базу знаний происходит независимо от других правил.

Создание продукционных правил, формируемых экспертом, является очень трудоемкой работой, порождающей возникновение другой проблемы, связанной с тем, что при ее выполнении можно так углубиться в решение, что достичь окончательного результата будет практически невозможно. Трудоемкость работы экспертов заключается в том, что им достаточно трудно сформулировать правила, которыми они пользуются при решении задач, поскольку экспертное знание в большинстве случаев является подсознательным. Именно подсознательный характер экспертного знания вызывает трудности при построении систем, основанных на знаниях, а извлечение экспертных знаний считается «узким местом» искусственного интеллекта [8, 242].

Решением обозначенной выше проблемы является автоматическое формирование правил решения задачи. При этом необходимо основываться на конструктивных знаниях эксперта. Тогда можно сформировать библиотеку декларативных методов, обладающую свойствами долговечности и масштабируемости. В работах A.A. Асанова и О.И Ларичева [8, 64] для выявления экспертных решающих правил в базах знаний использована методология эволюционного моделирования. Предложенный A.A. Асановым генетический алгоритм позволяет восстановить решающие правила, которые подсознательно или осознанно использовались экспертом при решении задач классификации. Хотя в данной работе решалась задача генерации не продукционных правил и при этом задавалось исходное множество правил, тем не менее, результаты этой работы косвенно подтверждают такую возможность.

В связи с тем, что конструктивные знания эксперта могут быть выражены на естественном языке, то и продукционные правила должны генерироваться на этом языке. Поэтому существует необходимость их перевода на формальный язык. Кроме того, декларативные методы всегда требуют некоторой системы вывода, которая обеспечивала бы обработку правил.

В настоящее время все большее развитие получают технологии генетического и автоматного программирования [31, 37, 116, 141, 143-156, 224, 227, 229, 232, 243, 249], которые могут использоваться как по отдельности, так и в симбиозе. В том случае, когда они используются в симбиозе, обычно с помощью генетического программирования генерируется модель решения задачи в виде модели автомата, а технологии автоматного программирования позволяют по сгенерированной модели построить автомат. При этом ручной труд, используемый при создании программного обеспечения, минимален.

Таким образом, существует техническая проблема, заключающаяся в разработке технологии создания методов автоматического построения онтологий, позволяющей сформировать библиотеку методов, которую достаточно просто развивать и совершенствовать. Решение данной проблемы позволит в автоматическом режиме извлекать знания о терминах и отношениях между ними из терминологических словарей и научных текстов, что, в свою очередь, повысит эффективность построения онтологии.

Научная проблема заключается в необходимости разработки теоретических основ для решения выявленной технической проблемы. Разработка теоретических основ состоит в создании моделей и методов, необходимых для автоматического построения онтологий.

Работы А.Е. Ермакова, И.А. Минакова, Е.А. Рабчевского, S.Lynn и D.W. Embley, J.Völker, D.Vrandecic и Y.Sure, М. Sabou и других исследователей в области автоматического построения онтологий частично решают научную проблему. Однако в работе А.Е. Ермакова термины предметной области и связи между ними первоначально автоматически выявляются при помощи методов статистического и синтаксического анализа коллекции текстов. Для автоматического поиска связей используются шаблоны синтаксических конструкций. Построение онтологии осуществляется вручную. Настоящая работа более близка к работе А.Е. Ермакова, так как методы построения онтологий основываются на естественно-языковой обработке научного текста, в которую включены наряду с другими методами методы статистического и синтаксического анализа, а продукционные правила ориентированы на анализ синтаксических и семантических конструкций предложения. Существенным отличием настоящей работы является разработка специальных методов автоматического построения онтологий, которые совместно с традиционными методами естественно-языковой обработки научного текста обеспечивают более полную автоматизацию процесса построения онтологий.

Объект исследований - естественно-языковая обработка научных текстов для построения онтологий.

Предмет исследований — методы и модели автоматического построения онтологий.

Целью работы является разработка и исследование методов и моделей автоматического построения онтологий, позволяющих ускорить процесс создания онтологий и повысить их качество.

Для достижения поставленной цели в работе решаются следующие задачи:

1. Обзор и анализ существующих решений в области автоматического построения онтологий.

2. Разработка категориального аппарата, как результата концептуализации знаний онтологий, на основе исследования языка научного текста и семиотического моделирования.

3. Разработка декларативных методов построения онтологий с использованием продукционной модели знаний.

4. Разработка и исследование модели генерации систем продукций на основе генетического программирования.

5. Разработка и исследование модели генерации преобразователя продукционных правил с применением генетического и автоматного программирования.

6. Разработка и исследование модели аппарата активации, как модуля управления продукционными знаниями, с применением генетического и автоматного программирования.

7. Апробация разработанных моделей и методов.

Основная идея диссертации. В основе автоматического построения онтологий находится естественно-языковая обработка научного текста, в большей мере связанная с методами извлечения и представления знаний. Однако такие методы невозможно построить без понимания того, какими именно знаниями необходимо оперировать. В связи с этим необходимо заранее решить, какой подход будет использован при концептуализации онтологии. Концептуализация, обеспечивая структурирование предметных знаний в рамках эксплицитной модели, предопределяет задачу построения категориального аппарата онтологии. При решении данной задачи выполняется классификация понятий и отношений между ними, которая чётко определяет семантику компонентов онтологии и возможные диагностические семантические конструкции, позволяющие в итоге извлечь знания из предложений научного текста. Компоненты онтологии и семантические конструкции, в свою очередь, оказывают значительное влияиие не только на содержание методов извлечения и представления знаний, но и на принципы их построения.

Анализ трудов в области естественно-языковой обработки научного текста выявил существенное преобладание использования различных правил при решении задач в данной области. Этот факт и декларативный характер представления методов автоматического построения онтологий обуславливают применение систем продукций в качестве модели представления знаний о методе. Вместе с тем, продукционный подход имеет одно отрицательное качество, связанное с тем, что в истории использования продукций при решении интеллектуальных задач они всегда создавались экспертами. Однако известен, по крайней мере, один случай, когда правила создавались на основе генерации методами эволюционных вычислений. В связи с этим при решении задачи разработки методов построения онтологий необходимо исследовать вопросы генерации продукционных правил на основе применения технологий генетического программирования.

Такой подход к созданию систем продукций как методов автоматического построения онтологий обуславливает решение задач, связанных с преобразованием продукционных правил в формальный вид и последующим определением их корректности. Достаточно распространенное применение симбиоза технологий генетического и автоматного программирования для создания систем со сложным поведением при решении широкого спектра задач определяет направление исследований, связанное с разработкой моделей преобразователя и аппарата активации продукций.

Таким образом, для создания методов автоматического построения онтологий необходимо разработать модель генерации систем продукций на основе применения генетического программирования, модель генерации преобразователей на основе генетического и автоматного программирования, модель генерации систем логического вывода на основе генетического и автоматного программирования и модель аппарата активации продукций на основе применения автоматного программирования. Аппарат активации может быть использован как для проверки систем продукций на корректность, так и для функционирования в реальном режиме. Предложенная технология обеспечит наиболее доступное совершенствование разработанных методов и моделей, что очень важно для новых направлений исследований, к которым относятся и исследования, связанные с созданием онтологии.

Методы исследований. Методологической и теоретической основой выполненного исследования послужили положения теории искусственного интеллекта, логики предикатов первого порядка, нечеткой логики, семиотического и ситуационного моделирования, генетического программирования, формальных грамматик и автоматов, математической лингвистики.

Для исследования понятий и отношений использованы методы анализа естественно-языковых текстов, рассмотренные в работах N. Chomsky, I. Dalberg, W. Humboldt, Ch. Fillmore, R. Schank, Н.Д. Арутюновой, C.E. Никитиной, Ю.С.

Степанова, В.А. Тузова и других. Построение методов извлечения и представления знаний базировалось на трудах М. Minsky, Т.А. Гавриловой, Е.П. Куршева, Г.С. Осипова, Д.А. Поспелова, В.Ф. Хорошевского и других. Для представления терминосистемы, являющейся ядром онтологии, использована фреймовая модель. Моделирование понятий и отношений в виде сети знаков-фреймов базируется на применении аппарата семиотического моделирования как одного из наиболее приемлемых для символьной системы моделирования. Теория семиотического моделирования, предложенная Д.А. Поспеловым и его учениками, позволяет наилучшим образом представить комплекс понятий через их связь между собой. В качестве методов построения системы продукций использована теория предикатов первого порядка. Для логического вывода на ядрах четких продукций применяется эвристический метод линейной резолюции Д.Лавленда, Р.Ковальского и Д. Кюнера; логический нечеткий вывод на ядрах нечетких продукций - метод нечеткого регулирования A.Kaufmann, Е. Mamdani, L.A. Zadeh. Создание методов построения онтологии базировались на трудах И.Л. Артемьевой, Т.А. Гавриловой, Б.В. Доброва, А.Е. Ермакова, Ю.А. Загорулько, A.C. Клещева, Н.В. Лукашевич, A.C. Нариньяни, В.Ш. Рубашкина, A.B. Смирнова, В.Ф. Хорошевского, T.R. Gruber, N. Guarino, J.F. Sowa, M. Uschold, B.J. Wielinga и многих других. Построение модели генератора систем продукций основывалось на трудах М.Л. Кричевского, В.М. Курейчика, Л.Д. Гладкова, A.A. Шалыто, J. Holland, D. Goldberg, J. Koza, M. A. Lankhorst, S.M. Lucas. В основе построения модели преобразователя находятся труды A.A. Шалыто, М. А. Lankhorst, S.M. Lucas, А. Naidoo и других.

Научная новизна. Научная новизна работы заключается в развитии теоретических основ проектирования и разработки технологии создания методов автоматического построения онтологий с применением генетического и автоматного программирования, что позволило автоматизировать процесс создания программного обеспечения.

Данное утверждение формируется из следующих положений.

1. Новизна разработанных методов создания онтологий в виде классических и нечетких продукционных баз знаний заключается в развитии методов извлечения знаний о терминах и семантических отношений между ними, построения семантической сети знаков-фреймов, соединения онтологий, которое состоит в уточнении представления ядра продукционного правила за счет использования простой ядерной конструкции языка ситуационного моделирования, в структуризации компонентов простой ядерной конструкции, что позволило выделить динамическую часть, содержание которой зависит от конкретного метода, и статическую часть - одинаковую для всех методов. Такой способ построения методов обеспечивает возможность их автоматической генерации. Кроме того, продукционные модели знаний обладают простотой, модульностью, возможностью постепенного наращивания и модификации.

2. Новизна предложенной модели генерации продукционных баз знаний заключается в том, что в ней с одной стороны, продукционные правила как любые выражения представляются в виде деревьев. С другой стороны, конструктивные знания эксперта, выявленные на основе анализа научного текста и разработанных систем продукций, формализованы в виде конструкций, состоящих из отдельных конструктов, также представляются в виде деревьев. Это определило структуру хромосомы и РНпезз-функцию, что позволило применить технологию генетического программирования для генерации продукционных правил. Разработанный генетический алгоритм обладает свойством универсальности по отношению к методу, настраиваясь на него на основе построенной спецификации, описывающей конкретный метод посредством конструктивных знаний эксперта.

3. Новизна предложенной модели генерации преобразователя продукционных правил состоит в том, что она позволяет порождать модели конечных преобразователей, способных отображать классические и нечеткие продукции, представленные на ограниченном подмножестве естественного языка, в формулы логики предикатов первого порядка, а их, в свою очередь, во множества дизъюнктов. Особенностью данной модели генератора является то, что порожденный преобразователь может переводить символы входного алфавита в символы выходного алфавита без явного задания грамматики перевода. При этом символы алфавитов могут иметь сложную синтаксическую конструкцию. Грамматики перевода определяются неявно посредством задания исходных объектов, описанных в символах входного алфавита, и эталонных объектов, описанных в символах выходного алфавита. Достижению такой универсальности генетического алгоритма в рамках класса задач преобразования с неявно заданной грамматикой способствовали направленный поиск и симбиоз генетических операторов, типовых по выполняемому действию. Кроме того, для получения кода конечных преобразователей применены технологии автоматного программирования.

4. Новизна разработанной автоматной модели аппарата активации, как модуля управления продукционными знаниями, состоит в том, что следование единообразию представления методов в виде классических и нечетких продукций определило необходимость реализации нечеткого логического вывода на основе применения методов нечеткого регулирования, которые хорошо вписались в предложенную технологию. Задачам естественно-языковой обработки научного текста свойственна нечеткость, поэтому в модели наряду с классическим логическим выводом реализован и нечеткий логический вывод. Это позволяет разрешать конфликтные ситуации, возникающие при использовании классического логического вывода, а также решать задачи в условиях неопределенности. Реализация аппарата активации выполнена на основе применения технологий генетического и автоматного программирования.

Значение для теории. Разработанные модели и методы построения* онтологий составляют теоретическую основу для разработки технологий автоматизированного решения различных задач, для которых в качестве моделей 1 решения можно использовать продукционные базы знаний. Кроме этого, появилась возможность дальнейшего их развития с точки зрения объективизации категориального аппарата, уточнения множества типов предикатов, типов семантических отношений и исследования их свойств, необходимых для анализа онтологий.

Значение для практики. Разработка онтологий по предложенной технологии позволит облегчить процесс их создания, повысить доверие к хранилищам знаний и информации, снизить издержки на разработку программного обеспечения, обеспечить дальнейшее развитие информационных и интеллектуальных технологий. Кроме того, результаты, полученные в работе, окажут положительное влияние на реализацию возможности интеграции частных онтологий в систему знаний, поскольку в настоящее время средств, позволяющих создать полную систему знаний («модель мира»), не существует.

Достоверность полученных результатов. Достоверность выводов работы определяется использованием теоретических и методологических положений ведущих специалистов в области инженерии знаний М. Minsky, Д.А. Поспелова, Г.С. Осипова, В.Ф. Хорошевского, Э.В. Попова, Т.А. Гавриловой, А.С. Нариньяни; в области классического логического вывода В.Н. Вагина, J.R. Slagle, D. Kuehner, D. W. Loveland, R. Kowalski; в области нечеткой логики L.A. Zadeh, E. Mamdani; в области разработки онтологий T.R. Gruber, N. Guarino, A. Gangeni, G. Steve, D.M. Pisanelli, А.Е.Ермакова, Ю.А. Загорулько, H.B. Лукашевич; в области исследований генетического и автоматного программирования М.Л. Кричевского, В.М. Курейчика, Л.Д. Гладкова, А.А. Шалыто, J. Holland, D. Goldberg, J. Koza, M. A. Lankhorst, S.M. Lucas, A. Naidoo; в области исследований языка науки Ю.Д. Апресяна, Н.Д. Арутюновой, Л.А. Беловольской, А.А. Залевской, С.Е. Никитиной, Ю.С. Степанова, I. Dalberg и др., корректным использованием математического аппарата, вычислительными экспериментами предложенных моделей и методов.

Личный вклад автора. Все основные результаты диссертации получепы лично автором.

Рекомендации по использовании результатов диссертации. Результаты работы могут быть использованы при разработке программных средств технологии автоматического построения онтологий.

Апробация результатов диссертации. Основные положения и результаты диссертационной работы докладывались и обсуждались на Всероссийской научно-практической конференции «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» (г.Санкт-Петербург, 2008 г.); Всероссийской научно-технической конференции «Информационные системы и модели в научных исследованиях, промышленности и экологии» (г.Тула, 2007 г.); Второй Международной конференции по когнитивной науке «The Second Conference on Cognitive Science» (г.Санкт-Петербург, 2006 г.); Международной научной конференции «Information Technologies and Telecommunications in Education and Science (IT@I ES'2005)» (г.Москва, 2005 г.); Общероссийском постоянно действующем семинаре «Интернет-порталы. Содержание и технологии» (г.Москва,

2005 г.), девятой Всероссийской научно-пракггической конференции «Проблемы информатизации региона» (г.Красноярск, 2005 г.); Всероссийской научно-технической конференции «Теоретические и прикладные вопросы современных информационных технологий» (г.Улан-Удэ, 2000-2008 гг.); Всероссийской научно-технической конференции «Проблемы качества, безопасности и диагностики в условиях информационного общества» (г.Сочи, 2004 г.); Всероссийской научно-практической конференции-выставке «Единая образовательная информационная среда: Проблемы и пути развития» (г.Омск, 2004 г.); Всероссийской научно-практической конференции «Российская школа и Интернет» (г. Санкт-Петербург, 2002 г.); Международной научно-технической конференции «Информатизация процессов формирования открытых систем на основе СУБД, САПР, АСНИ и СИИ» (г.Вологда, 2001 г.); Третьей Международной выставке-конференции «Информационные технологии и телекоммуникации в образовании» (г.Москва, 2001 г.); Международном семинаре «Искусственный интеллект в образовании» (г.Казань, 1996 г.) и на ежегодных конференциях преподавателей, сотрудников и аспирантов ВСГТУ.

Кроме того, результаты исследования вошли в материалы отчетов по госбюджетным научно-исследовательским работам «Теоретические и прикладные вопросы разработки интегрированных интеллектуальных информационных систем» (ГР № 01.200.205060; Инв. № 02.200305099, 2002 г.), «Методы и алгоритмы трансляции естественно-языковых запросов к базе данных в БС^Ь-запросы» (ГР № 01.200.205060; Инв. № 0320.0501291, 2004 г.), «Модель МП-процессора, выполняющего преобразование естественно-языкового представления ядра продукции в формулу логики предикатов» (ГР № 01.200.205060; Инв. №0320.0603814, 2005 г.) и «Исследование проблем моделирования знаний и разработка методологии создания онтологий со встроенной семантикой и прагматикой» (ГР №01.2006.10552; Инв. №03200802713, 2007 г.), научно-исследовательской работы по теме: «Разработка генератора автоматов, основанного на использовании генетических алгоритмов», шифр «2007-4-1.4-1801-037» (ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы», ГК № 02.514.11.4047 от 18.05.2007 г.).

Публикации. По теме диссертации опубликовано 80 работ, из них: 4 -монографии; 9 - статьи в изданиях по списку ВАК; 12 - статьи в сборниках; 48 -работы, опубликованные в материалах всесоюзных, всероссийских и международных конференций и симпозиумов. Автором получены 7 свидетельств об официальной регистрации программ для ЭВМ, разработанных в рамках тематики работы.

Результаты исследования были использованы при выполнении госбюджетных НИР «Теоретические и прикладные вопросы разработки интегрированных интеллектуальных информационных систем», НИР «Методы и алгоритмы трансляции естественно-языковых запросов к базе данных в БСД,-запросы», НИР «Модель МП-процессора, выполняющего преобразование естественно-языкового представления ядра продукции в формулу логики предикатов», НИР «Исследование проблем моделирования знаний и разработка методологии создания онтологий со встроенной семантикой и прагматикой», НИР «Исследование проблем организационного управления в вузе и разработка методов их решений с использованием онтологий», научно-исследовательских работ по единому заказ-наряду.

Основные результаты работы получены в рамках научно-исследовательских работ по теме: «Разработка генератора автоматов, основанного на использовании генетических алгоритмов», шифр' «2007-4-1.4-18-01-037», выполняемой по Государственному контракту № 02.514.11.4047 от 18 мая 2007 года в рамках федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы» по лоту «№ 12 - Разработки в области языков программирования и моделирования программного обеспечения, технологий и инструментальных средств проектирования программ».

Общая характеристика диссертации. Диссертация состоит из введения, 5 разделов, заключения, списка использованных источников, содержащего 280 наименований, 10 приложений. Основная часть работы содержит 288 страниц, включая 34 рисунка, 14 таблиц.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Найханова, Лариса Владимировна

5.3 Выводы по главе

Модель аппарата активации, рассмотренная в работе, необходима для апробации сгенерированных методов естественно-языковой обработки научного текста. Принципиально аппарат активации построен как модуль управления продукционными знаниями, особенностью которого является то, что в-его состав* входят как классический, так и нечеткий логический выводы. Следование единой* линии представления методов обеспечило описание нечетких моделей решения с помощью продукционных систем. Это обусловило применение методов нечеткого регулирования, которые хорошо согласуются с принципами предложенной а технологии. Нечеткие модели решения применяются в случаях, когда с помощью классических продукций сложно решить проблему, обладающую свойством неопределенности. В большинстве методов, описанных классическими продукциями, они используются для разрешения конфликтных ситуаций.

Модуль управления реализован с применением автоматного программирования, которое предоставляет широкие возможности по модификации и совершенствованию автоматных моделей с минимальным объемом прямого программирования. Ядром модуля является система резолютивного логического вывода, которая, как правило, обладает эффективными алгоритмами поиска решений, что обусловило применение в работе эволюционной стратегии для обеспечения эффективной эвристики. Для каждого метода в процессе эволюции строится собственная модель автомата, настроенная на множество дизъюнктов данного метода. Таким образом, система логического вывода, состоящая из множества конечных автоматов, модели которых построены на основе эволюций, а реализация — по технологии автоматного программирования, обладает эффективными алгоритмами поиска решений.

Итак, в модели наряду с классическим логическим выводом реализован нечеткий логический вывод, так как задачам естественно-языковой обработки научного текста свойственна нечеткость. Кроме того, следование политике единообразия представления методов в виде классических и нечетких продукций определило необходимость реализации нечеткого логического вывода на основе применения методов нечеткого регулирования, которые хорошо вписываются в предложенную технологию.

Заключение

В диссертационном исследовании решена научная проблема разработки теоретических основ создания моделей и методов для автоматического построения онтологий, которая позволяет, в свою очередь, решить техническую проблему, связанную с проектированием и разработкой технологии создания методов для автоматического построения онтологий.

Основные научные и практические результаты работы состоят в следующем:

1. Разработан и исследован категориальный аппарат онтологии, являющийся основой ее концептуализации и способствующий категориальному анализу предметной области по разрабатываемой онтологии. При этом на основе анализа логико-философских и лингвистических работ, работ по семиотике и информатике:

- определены шесть категорий понятий на основе глобальных классификаций объектов И. Дальберг и соглашения, принятого в искусственном интеллекте; построены схемы знаков для выявленных категорий понятий на основе семиотического моделирования. Разработанные схемы знаков в отличие от существующих знаков понятий обладают лучшей структурированностью, что способствует более точному описанию понятий и отношений между ними и, как следствие, лучшему их пониманию людьми и машинами;

- построена иерархия семантических отношений на основе глобальных классификаций отношений И. Дальберг, позволяющая значительно упростить процесс анализа онтологии;

- разработана структура словарных статей тезауруса на основе построенных схем знаков глобальных объектов, что позволило определить состав и структуру слотов знака-протофрейма, образующие фундамент модели представления онтологии в виде семантической сети знаков-фреймов. Это обеспечивает возможность представления активной семантики и прагматики понятия;

- определены типы предикатов как ядер продукционных правил на основе выявленных категорий семантических отношений. Продукционные правила образуют системы продукций, являющиеся декларативными методами построения онтологий.

2. Разработаны и исследованы декларативные методы построения онтологий в виде систем продукций, которые отличаются высокой степенью общности их обработки:

- показано, что методы естественно-языковой обработки научного текста, являющиеся базой для методов построения онтологий, могут быть представлены в виде классических систем продукций. Для разрешения возможных конфликтных ситуаций предложено использовать нечеткие продукционные правила;

- разработаны методы построения понятийного базиса онтологии в виде семантических сетей знаков-фреймов, представляющих собой терминосистему и строящихся на основе извлечения знаний из качественных терминологических словарей;

- предложен метод соединения онтологий с применением аппарата нечеткого регулирования. Метод обеспечивает соединение онтологий, создаваемых из нескольких терминологических словарей путем анализа интенсионалов понятий, позволяя получить объективную терминосистему. Метод осуществляет соединение терминосистемы с номенклатурой, построенной на основе извлечения знаний из научных и учебных изданий и представляющей собой проекцию терминосистемы на некоторую конкретную подобласть знаний предметной области или на некоторую задачу, которая описывается в научной статье по данной предметной области. Главное достоинство этого метода заключается в том, что он позволяет строить иерархию онтологий по предметной области.

3. Разработана и исследована модель генератора систем продукций на основе генетического программирования:

- построены конструкты на основе анализа разработанных систем продукций, определены способы их представления в виде дерева, приняты схемы формального описания деревьев для формирования спецификации метода на языке XML. Приведение конструктов, также как и продукций, к графовому представлению позволяет придерживаться единого подхода их представления, который создает основу для операций оценки, скрещивания и мутации;

- предложен направленный поиск решения, основанный на знаниях конструктов, который позволяет ускорить получение результата, что подтверждается вычислительными экспериментами.

4. Разработана и исследована модель преобразования продукционных правил на основе генетического программирования. Модель позволяет порождать модели преобразователей продукций на ограниченном подмножестве естественного языка в формулы логики предикатов первого порядка, предикатных формул во множества дизъюнктов. Особенность модели генератора заключается в способности перевода символов входного алфавита в символы выходного без явного задания грамматики перевода; символы могут иметь достаточно сложную синтаксическую конструкцию. Разработанный генетический алгоритм является универсальным за счет настройки на спецификацию задачи, которая используется как для направленного поиска, так и симбиоза типовых по выполняемому действию генетических операторов. Алгоритм обладает высокой надежностью и достаточной скоростью вычислений, что подтверждается вычислительными экспериментами.

5. Разработана и исследована модель аппарата активации продукций, предназначенная для управления продукционными знаниями и отличающаяся использованием сочетания классического и нечеткого логического вывода: построена система резолютивного логического вывода на основе применения генетического и автоматного программирования, представляющая собой множество автоматов. Генерация конечного автомата для каждого метода приводит к тому, что каждый автомат настроен на конкретную выборку дизъюнктов, что обеспечивает высокую эффективность поиска решения; разработана система нечеткого логического вывода на основе применения методов нечеткого регулирования, в связи с тем, что нечеткие модели решения представлены системами нечетких продукций с целью поддержки единой линии представления методов.

Итак, в работе для решения задач естественно-языковой обработки научных текстов и построения онтологий выбраны декларативные методы в виде систем продукций, являющихся наиболее распространенным методом представления знаний в системах, основанных на знаниях. Продукционные правила обеспечивают естественный способ описания процессов в сложной изменяющейся внешней среде. В программах традиционного типа схема передачи управления предопределена в самой программе, а ветвление происходит только в заранее выбранных точках. Для интеллектуальных задач, где ветвление скорее норма, чем исключение, этот способ малоэффективен. В таких задачах правила дают возможность на каждом шаге решения оценить ситуацию и предпринять соответствующие действия. Применение продукционных правил обеспечивает следующие преимущества: простоту и высокое быстродействие, модульность, удобство модификации, ясность, прозрачность, возможность постепенного наращивания, высокую степень общности правил обработки данных.

Генерация моделей решения, основанная на использовании технологии генетического программирования, осуществляется во всех случаях, где уместно и оправдано её применение. Подход формализации и представления конструктивных знаний эксперта о методе решения задачи позволяет автоматически генерировать системы продукций. Для генерации моделей автоматов и преобразователей эволюционные вычисления используются давно, поэтому они использованы для этих же целей в работе. Однако трудоемкость построения автоматов с требуемыми свойствами остается достаточно высокой. Указанная проблема решается за счет учета специфики автоматов, другими словами, за счет учета специфики той прикладной задачи, которую решает автомат, для описания которой используется XML-описание предметной области прикладной задачи. В работе язык XML используется как средство внутренней и внешней коммуникации программных систем.

Реализация моделей решения выполнена на основе применения автоматного программирования, что значительно повышает степень автоматизации процесса кодирования с целью получения корректного кода программ и существенно упрощает процесс модификации программы по сравнению с традиционным программированием.

Таким образом, в работе технологии генетического и автоматного программирования используются совместно в случаях, если возможно представить решение в виде модели автомата или преобразователя. Так, эти технологии применены при решении задач линейного резолютивного вывода, преобразования продукционных правил из естественно-языкового представления в формулы предикатов первого порядка, предикатов во множество дизъюнктов. Технологии генетического программирования требуются при создании только моделей решения задачи, например, при генерации систем продукций. Если модель известна, и необходимо разработать программное обеспечение, то следует применять чистые технологии автоматного программирования, например, как при создании аппарата активации продукции или процедуры постдействия продукций.

Реализация решения задач естественно-языковой обработки научного текста с применением технологий генетического и автоматного программирования позволила создать технологию решения задач построения онтологий с почти полной автоматической обработкой, что делает полученные в диссертационном исследовании результаты значимыми для теории и практики.

Список литературы диссертационного исследования доктор технических наук Найханова, Лариса Владимировна, 2008 год

1. Айдукевич, К. Язык и смысл Текст. / К. Айдукевич; пер. с нем. Б. Домбровского // Философия и логика Львовско-Варшавской школы. М.: Российская политическая энциклопедия, 1999. - С. 309-348.

2. Андреев, В.В. Конструктор онтологий мультиагентных систем Электронный ресурс. / В.В. Андреев [и др.]. Электрон, текстовые дан. - Самара: MagentA Corporation,Pic., [2001]. - Режим доступа: http://www.kg.ru/Publish/artic31.htm.

3. Апресян, Ю.Д. Лингвистический процессор для сложных информационных систем Текст. / Ю.Д. Апресян. М.: Наука, 1992. - 498 с.

4. Артемьева, И.Л. Многоуровневая онтология химии Текст. / И.Л. Артемьева, Н.В. Рештаненко, В.А. Цветников // Знания онтологии - теории: тр. Всерос. конф. - Новосибирск: Ин-т математики, 2007. - Т.1. - С. 138-146.

5. Арутюнова, Н.Д. Язык цели Текст. / Н.Д. Арутюнова // Логический анализ языка: модели действия. М.: Наука, 1992. - С. 14-30.

6. Асаи, К. Прикладные нечеткие системы Текст. / К. Асаи [и др.]; под ред. Т. Тэрано. М.: Мир, 1993. - 344 с.

7. Асанов, A.A. Генетический алгоритм построения экспертных решающих правил в задаче многокритериальной классификации Элекгронный ресурс. / A.A. Асанов // Исследовано в России. Режим доступа: http://zhurnal.ape.relarn.ru/articles/2002/155.pdf.

8. Ахманова, О.С. Словарь лингвистических терминов Текст. / О.С. Ахманова. М.: Советская энциклопедия, 1969. - 490 с.

9. Аюшеева, H.H. Исследование и разработка моделей и методов' поиска информационных образовательных ресурсов в электронной библиотеке Текст.: автореф. дис. . канд. техн. наук: защищена 21.01.2005: утв. 10.06.2005 / H.H. Аюшеева. Улан-Удэ, 2005. - 16 с.

10. Багудина, Е. Г. Экономический словарь Текст. / Е.Г. Багудина [и др.]; отв. ред. А.И. Архипов. М.: Изд-во Проспект, 2005. - 624 с.

11. Бахмутова, И.В. $£$-граммные азбуки для дешифровки знаменных песнопений Текст. / И.В. Бахмутова, В.Д. Гусев, Т.Н. Титкова // Сиб. жури, индустр. матем. Новосибирск: Ин-т математики, 1998. -Т.1. -№ 2 - С.51-66.

12. Башмаков, А.И. Интеллектуальные информационные технологии: учеб. пособие Текст. / А.И. Башмаков, И.А. Башмаков. М.: Изд-во МГТУ им. Н.Э.Баумана, 2005. - 304 с.

13. Беловольская, Л.А. Синтаксис словосочетания и простого предложения Электронный ресурс. / Л.А. Беловольская. — Электрон, текстовые дан. — Режим доступа: ttp://www.philology.ru/ linguistics2/belovolskaya-01.htm.

14. Вениаминов, Е. М. Система представления знаний Ontolingua принципы и перспективы Электронный ресурс. / Е.М. Вениаминов, Д.М. Болдина. -Электрон. текстовые дан. - Режим доступа: http:^eniaminov.rsuh.ru/Stanford.pdf.

15. Вин, Дж. XML для проектировщиков Текст. /Дж. Бин. М.: Кудиц-Образ, 2004.-256 с.

16. Бирюков, Б.В. О взглядах Г.Фреге на роль знаков и исчисления в познании Текст. / Б.В. Бирюков // Логическая структура научного знания: сб. науч. ст. -М.: Наука, 1965. С. 91-108.

17. Бобровский, С. Перспективы и тенденции развития искусственного интеллекта Текст. / С. Бобровский // PC Week/RE. 2001. - №32. - С. 32.

18. Босс, В. Лекции по математике: перебор и эффективные алгоритмы Текст. / В. Босс. М.: ЛКИ, 2008. Т. 10.-210 с.

19. Булыгина, Т.В. Грамматические и семантические категории и их связи Текст. / Т.В. Булыгина // Аспекты семантических исследований: сб. науч. ст. -М.: Наука, 1980. С. 320-355.

20. Вагин, В.Н. Знание в интеллектуальных системах Текст. / В.Н. Вагин // Новости искусственного интеллекта: журн. М.: Изд-во РАИИ, 2002. - №6 (54).-С. 8-18.

21. Вагин, В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах Текст. / В.Н. Вагин, Е.Ю.Головина, A.A. Загорянская; под ред. В.Н. Вагина, Д.А. Поспелова. -М.: Физматлит, 2004. 704 с.

22. Валгина, Н.С. Современный русский язык Текст. / Н.С. Валгина, Д.Э. Розенталь, М.И. Фомина-М.: Логос, 2002. 528 с.

23. Вежбицкая, А. Русский язык Текст. / Вежбицкая А. // Язык. Культура. Познание: пер. с англ. М.: Рус. словари, 1997. - С. 33-88.

24. Верников, Г. Стандарт онтологического исследования IDEF5. Электронный ресурс. / Г. Верников. Электрон, текстовые дан. - Режим доступа: http:// www. interface .ru/ca/idef5 .htm.

25. Гаврилова, Т.А. Базы знаний интеллектуальных систем Текст. / Т.А. Гаврилова, В.Ф. Хорошевский. СПб: Питер, 2000. - 384 с.

26. Гаврилова, Т.А. Использование онтологий в системах управления знаниями Электронный ресурс. / Т.А. Гаврилова. — Электрон, текстовые дан. Режим доступа: http://kmsoft.ru/ publications/library/authors/ useontoIogyinsuz.html.

27. Гаврилова, Т.А. Формирование прикладных онтологий Текст. / Т.А. Гаврилова// КИИ-2006: тр. X нац. конф. по искусственному интеллекту, Обнинск, 26-28 сентября 2006 г. М.: Физматлит, 2006. - Т. 2.

28. Гак, В.Г. Высказывание и ситуация Текст. / В. Г. Гак // Проблемы структурной лингвистики. 1972. М.: Наука, 1973. - С. 349-372.

29. Гладков, Л.Д. Генетические алгоритмы Текст. / Л.Д. Гладков, В.В. Курейчик, В.М. Курейчик; под. ред. В.М. Курейчика. 2-е изд., перераб. и доп. - М.: Физматлит, 2006. - 320 с.

30. Гладун, А.Я. Онтологии в корпоративных системах Электронный ресурс. / А.Я. Гладун, Ю.В. Рогушина // Корпоративные системы: журн. М.: Комиздат, 2006. — №1. — Режим доступа: http://www.management.com.ua/ims/ im si 16.html?print.

31. Грибова, B.B. Автоматизация проектирования, реализация и сопровождения пользовательского интерфейса на основе онтологического подхода Текст.: автореф. дис. . докг. техн. наук / В.В. Грибова. Владивосток, 2007. - 41 с.

32. Дальберг, И. Организация знаний: ее сфера и возможности Текст./ И. Дальберг // Организация знаний: проблемы и тенденции: программа и тез. докл. конф.-М., 1993.-С. 14.

33. Дамбаева, C.B. Методы и алгоритмы принятия решений в управлении учебным процессом в условиях неопределенности Текст.: автореф. дис. . канд. техн. наук: защищена 14.01.2005: утв. 10.06.2005 / C.B. Дамбаева. -Улан-Удэ, 2005. 23 с.

34. Данилов, В.Р. Метод генетического программирования для генерации автоматов, представленных деревьями решений Электронный ресурс. / В.Р. Данилов, A.A. Шалыто. Электрон, текстовые дан. - Режим доступа: http://is.ifmo.ru/download/2008-03-07-danilov.pdf.

35. Дейтел, П. Как программировать на XML Текст. / П. Дейтел, П. Садху, X. Дейтел. М.: Бином: Лаборатория знаний, 2008. - 944 с.

36. Добров, Б.В. Онтологии и тезаурусы: учеб.-метод. пособие Текст. / Б.В. Добров [и др.]. Казань: Изд-во Казанского ГУ, 2006. - 190 с.

37. Евдокимова, И.С. Методы и алгоритмы трансляции естественно-языковых запросов к базе данных в SQL-запросы Текст.: автореф. дис. . канд. техн. наук: защищена 25.11.2004: утв. 21.01.2005 / И.С. Евдокимова. Улан-Удэ, 2004. - 20 с.

38. Ершов, А.П. Терминологический словарь по основам информатики и вычислительной технике Текст. / А.П. Ершов [и др.]. М.: Просвещение, 1991.- 159 с.

39. Загоруйко, Н.Г. Система ONTOGRID для автоматизации процессов построения онтологий предметных областей Текст. / Н.Г. Загоруйко [и др.] // Автометрия. -, 2005. Т.41. - № 5. - С. 13-25.

40. Загоруйко, Н.Г. Меры расстояния в пространстве знаний Текст. / Н.Г.Загоруйко, М.В. Бушуев // Анализ данных в экспертных системах. -Новосибирск: [б.и.], 1986. Вып. 117: Вычислительные системы. - С. 24-35.

41. Залевская, A.A. Некоторые проблемы теории понимания текста Текст. / A.A. Залевская // Вопросы языкознания. 2002. - № 3. - С. 62-73.

42. Искусственный интеллект: справочник Текст. В 3 кн. Кн. 2. Модели и методы / под ред. Д.А. Поспелова. М.: Радио и связь, 1990. - 304 с.

43. Казарина, В.И. Предложение. Текст. Речевое функционирование языковых единиц Текст. / В.И. Казарина // Межвуз. сб. науч. тр. Елец: Изд-во ЕГУ им. И. А. Бунина, 2002. - 214 с.

44. Клещев, A.C. Онтология и модель онтологии предметной области "медицинская диагностика" Текст. / A.C. Клещев, М.Ю. Черняховская, Ф.М. Москаленко. Владивосток: Изд-во ИАПУ ДВО РАН, 2005. - 44 с.

45. Ковальский, Р. Логика в решении проблем Текст. / Р. Ковальский. М.: Наука, 1990.-277 с.

46. Кричевский, М.Л. Интеллектуальный анализ данных в менеджменте Текст.: уч. пособие / М.Л. Кричевский. СПб.: Изд-во СПбГУАП, 2005. - 208 с.

47. Курейчик, В.М. Генетические алгоритмы: монография Текст. / В.М.Курейчик. Таганрог: ТРТУ, 1998. - 241с.

48. Курейчик, В.М. Генетические алгоритмы и их применение Текст. / В.М.Курейчик. Таганрог: ТРТУ, 2002. - 242с.

49. Курейчик, В.М. Параллельные архитектуры генетического поиска Текст. / В.М. Курейчик, В.В. Курейчик // Информационные технологии в науке, образовании, телекоммуникации и бизнесе: XXX межд. конф. Ялта-Гурзуф: [б.и.], 2003.-С.142-144.

50. Курейчик, В.М. Эволюционные вычисления: генетическое и эволюционное программирование Текст. / В.М. Курейчик, С.И. Родзин. Режим доступа: http://vvww.masters.donntu.edu.Ua/2007/kita/l obacheva/library/ st6 .htm62