Luận án tiến sĩ công nghệ thông tin nghiên cứu một số mô hình học ontology và ứng dụng trong miền dầu khí

MỞ ĐẦU Tính cấp thiết luận án Ontology (được số nhà nghiên cứu người Việt gọi “bản thể học” “bản thể luận” 1) thành phần tri thức tảng tri thức khác cần dựa tham chiếu đến Chính vậy, ontology áp dụng rộng khắp lĩnh vực trí tuệ nhân tạo (Artificial Intelligence: AI), quản lý tri thức (Knowledge Management: KM), nhiều hệ thống ứng dụng nhiều miền ứng dụng khác Một khu vực ứng dụng ontology vô rộng lớn cơng cụ tìm kiếm (search engine) chia sẻ tri thức (knowledge sharing), đó, ontology hỗ trợ đắc lực hoạt động tìm kiếm có cấu trúc, so sánh tùy chỉnh cao [7], [19], [32], [40], [76], [77] Thuật ngữ “ontology” cộng đồng nghiên cứu – triển khai khác hiểu theo ý nghĩa khác Có phân biệt thuật ngữ “Ontology” danh từ riêng (chữ “O” viết hoa) với “ontology” danh từ chung (chữ “o” viết thường danh từ đếm được) [35] Danh từ riêng “Ontology” dành riêng cho cộng đồng nghiên cứu triết học, danh từ chung “ontology” dành cho cộng đồng sử dụng thuật ngữ kiểu thông tin đặc biệt tạo tác (artifact) tính tốn trình diễn tri thức Luận án nghiên cứu “ontology” theo phương án danh từ chung, hay “ontology” hiểu ontology tính tốn (computational ontologies) Định nghĩa ontology tính tốn cơng việc khó khăn nhiều định nghĩa đưa Theo khung nhìn phổ quát, ontology sản phẩm trình diễn với thành phần đặc thù bảng phân loại biểu diễn tường minh tổ hợp kiểu, lớp số quan hệ chúng [7] Trong khung nhìn khoa học máy tính, ontology mơ tả cách hệ thống thực thể phương thức chúng, quy tắc cho phép mô tả mơ hình cụ thể phù hợp với thực thể quy trình cho phép mơ tả "tất cả" thực thể quy trình [71] Theo cách hiểu thông dụng nhất, ontology bao gồm Do thuật ngữ “bản thể học” “bản thể luận” thuật ngữ có nguồn gốc vay mượn từ ngôn ngữ khác mà không gợi nghĩa nhiều thuật ngữ “ontology” luận án sử dụng nguyên gốc “ontology” thuật ngữ, khái niệm quan trọng, phân loại khái niệm, phân cấp khái niệm, quan hệ khái niệm (bao gồm ràng buộc quan trọng), tiên đề ứng dụng thể cho đối tượng kể Ontology phân loại thành ontology triết học (philosophical ontology), ontology miền (domain ontology), ontology mức cao (top-level ontology), ontology tham chiếu (reference ontology) ontology ứng dụng (application ontology) [7] Ngoại trừ ontology triết học, tất loại ontology thuộc loại ontology miền Do phạm vi ứng dụng rộng rãi ontology, xây dựng ontology tốn có tầm quan trọng đặc biệt, chủ đề nghiên cứu nhận quan tâm đặc biệt cộng đồng nghiên cứu – triển khai thuộc ngành khoa học đa dạng Nhìn chung, trình xây dựng ontology bao gồm ba giai đoạn (xác định mục đích phạm vi, nắm bắt ontology thực thi ontology) [39] Các nội dung đặc biệt quan trọng xây dựng ontology (i) xác định mục đích phạm vi ontology cần xây dựng, (ii) xác định khái niệm/lớp, thực thể/cá thể, quan hệ/phân cấp phạm vi ontology cần xây dựng, (iii) khai thác ontology sẵn có, (iv) huy động tri thức tham gia chuyên gia miền [7], [39] Hiện chưa có ontology tiếng Việt cho miền dầu khí, song vài ontology tiếng Việt cho miền ứng dụng khác xây dựng, điển hình ontology VN-KIM thành phần ontology tiếng Việt hệ thống BioCasster VN-KIM [3], [63] phát triển Đại học Bách khoa, Đại học Quốc gia Tp Hồ Chí Minh Ontology bao gồm 347 lớp thực thể 114 quan hệ thuộc tính Ontology VN-KIM bao gồm lớp thực thể có tên phổ biến Con_người (Person), Tổ_chức (Organization), Tỉnh (Province), Thành_phố (City)…, quan hệ lớp thực thể thuộc tính lớp thực thể Cơ sở tri thức VN-KIM tập hợp thực thể có tên phổ biến Việt Nam Quốc tế Các thực thể thuộc miền như: Con người (các nguyên thủ quốc gia, giám đốc công ty, bác sỹ, nhà giáo, văn nghệ sỹ…); Tổ chức, công ty (các tổ chức xã hội, giáo dục, công ty…); Đơn vị hành (các tỉnh, thành phố, quận, huyện, phường, xã Việt Nam thành phố lớn giới); Sông, núi (các sông, núi lớn Việt Nam giới); Đường (các đường lớn Hà Nội, TP Hồ Chí Minh, tỉnh lộ, quốc lộ); Điểm đặc biệt (các di tích lịch sử, danh lam thắng cảnh, khu vui chơi giải trí tiếng) BioCaster [22], [23], [24], ontology lĩnh vực y tế viết nhiều ngôn ngữ Nhật, Thái, Việt Nam BioCaster dự án nghiên cứu nhằm cung cấp chức tìm kiếm nâng cao phân tích tin tức Internet tài liệu nghiên cứu liên quan, cho nhân viên làm việc lĩnh vực y tế cộng đồng, thầy thuốc lâm sàng, nhà nghiên cứu lĩnh vực bệnh truyền nhiễm Ontology BioCaster Nigel Collier thuộc Viện Thông tin Quốc gia Nhật Bản đồng nghiệp Viện bệnh lây nhiễm Quốc gia Nhật Bản, Viện Di truyền học Quốc gia Nhật Bản, Đại học Okayama, Đại học Quốc gia TP.HCM Đại học Kasetsarat phát triển Dựa vào công nghệ khai phá liệu văn bản, dự án cung cấp cơng cụ thơng minh giúp người sử dụng có nhìn rõ ràng đợt dịch bệnh xảy khả bùng phát dịch Ontology BioCaster chứa thuật ngữ nhiều ngôn ngữ, có 371 thuật ngữ tiếng Việt (các thuật ngữ liên quan đến bệnh, virus, triệu chứng Việt Nam) Mặc dù ontology có xử lý trích chọn thơng tin tiếng Việt, nhiên, quan hệ thành phần ontology lại mô tả tiếng Anh Theo C Sammut G.I Webb [70], xây dựng ontology toán đầy thách thức, nhiều tiếp cận xây dựng ontology khác sử dụng, nhiên, hầu hết tiếp cận chủ yếu sử dụng phương pháp thủ công Học ontology (ontology learning) cách tiếp cận bán tự động xây dựng ontology dựa việc sử dụng kỹ thuật khai phá văn (text mining) hoặc/và học máy (machine learning) Học ontology phục vụ việc xác định khái niệm/lớp, thực thể/cá thể, quan hệ/phân cấp phạm vi tri thức miền Học ontology xu hướng có tính đại đầy thách thức nghiên cứu xây dựng ontology [6], [17], [21], [25], [27], [35], [40], [46], [58], [62], [67], [74], [78], [79], [80] Học ontology chủ để nghiên cứu nhận quan tâm cộng đồng nghiên cứu Hình 0.1 cung cấp biểu diễn số lượng cơng trình khoa học ScienceDirect, Springer Google Scholar giai đoạn 2006 – 2019 có chứa xác cụm từ “ontology learning” tiêu đề ấn phẩm (với ScienceDirect Google Scholar Advanced Search “not include patents, not include citations”) thông tin mô tả ấn phẩm (với Springer)2 Kết thống kê hàng năm có tới hàng chục ấn phẩm chứa xác cụm từ “ontology learning” tiêu đề (ScienceDirect Google Scholar) thông tin mô tả (Springer) Số lượng công bố ổn định qua thống kê với ScienceDirect Google Scholar Trong đó, số lượng cơng bố với Springer có xu giảm có nguyên nhân từ nguồn chứa cụm từ “ontology learning” phân chia chủ đề “ontology learning” thành chủ đề chi tiết Hình 0.1 Một biểu diễn số lượng ấn phẩm khoa học có chứa xác cụm từ “ontology learning” ScienceDirect, Springer Google Scholar Xây dựng ontology học ontology chủ đề nghiên cứu số luận án Tiến sỹ giới, chẳng hạn [29], [34], [1] Luận án Tiến sỹ Z Dragisic [29] đề cập tới việc giải vấn đề chưa hoàn thiện ontology mạng ontology theo ba câu hỏi cách thức hoàn thiện ontology mạng ontology chưa hoàn thiện, thuận lợi hạn chế sử dụng tương tác người dùng vào việc hoàn thiện ontology mạng ontology, khả tích hợp thành phần hồn thiện ontology vào q trình phát triển ontology Tác giả hình thức hóa vấn đề hoàn thiện cấu trúc “chung-riêng” (“is-a”) dựa logic mô tả Kết trả theo truy vấn cụm từ xác “ontology learning” vào ngày 20/6/2019 (description logic) phát triển hai thuật toán giải vấn đề, phân tích thực nghiệm việc sử dụng tương tác người dùng phát triển phương pháp dựa thuật tốn phân cụm để giảm khơng gian tìm kiếm tích hợp thành phần hồn thiện vào trình phát triển ontology Luận án Tiến sỹ Saira Andleeb Gillani [34] đề xuất khung khai phá liệu văn ProMine (Prokex Text Mining) với liệu đầu vào mơ hình quy trình nghiệp vụ trình diễn tệp tin XML Dựa ontology miền hạt giống (seed domain ontology, gọi ontology miền mồi), công cụ học ontology tiến hành việc lọc phân loại tri thức kết để làm giàu ontology miền hạt giống nói [33] Đến lượt mình, ontology miền hạt giống sử dụng để diễn giải tư vấn mô hình quy trình nghiệp vụ Luận án Tiến sỹ Trương Hải Bằng [1] đề cập tới giải pháp liên quan đến ontology mờ (chứa khái niệm, quan hệ chưa rõ ràng, nhập nhằng, mâu thuẫn với nhau) dựa sở lý thuyết đồng thuận; luận án chưa đề cập tới yếu tố tiếng Việt ontology Tính chất thách thức cao chủ đề nghiên cứu xây dựng ontology, yêu cầu phương pháp bán tự động xây dựng ontology đại dựa khai phá văn học máy, tình trạng nghiên cứu xây dựng ontology tiếng Việt mỏng tạo động lực nghiên cứu luận án “Nghiên cứu số mơ hình học ontology ứng dụng miền dầu khí” Bài tốn cần giải luận án phát biểu sau: Cho trước từ điển Anh – Việt miền ứng dụng, cần xây dựng ontology AnhViêt miền ứng dụng nói Luận án sử dụng tiếp cận học ontology dựa việc khai thác tài nguyên sẵn có (từ điển Anh-Việt miền, ontology tiếng Anh miền) để xác định khái niệm/lớp, thực thể/cá thể, quan hệ/phân cấp phạm ontology cần xây dựng với việc huy động tri thức tham gia chuyên gia miền W Wong cộng [79] cung cấp khung nhìn khái quát học ontology từ văn Khung nhìn chứa ba khu vực khu vực kết đầu ra, khu vực toán học ontology khu vực kỹ thuật tài nguyên sử dụng để phục vụ toán học ontology Khu vực kết đầu học ontology bao gồm thuật ngữ, khái niệm, quan hệ (quan hệ thứ bậc, quan hệ không thứ bậc) tiên đề Có bảy tốn học ontology Xử lý văn Trích xuất thuật ngữ cho kết thuật ngữ, Hình thức hóa khái niệm Gán nhãn khái niệm cho kết khái niệm, Xây dựng kiến trúc cho kết quan hệ thứ bậc, toán Phát quan hệ không thứ bậc Gán nhãn quan hệ không thứ bậc cho kết quan hệ không thứ bậc, Trích xuất tiên đề kết tiên đề Khu vực Kỹ thuật/Tài nguyên bao gồm ba thành phần kỹ thuật/tài nguyên logic, kỹ thuật/tài nguyên ngôn ngữ học kỹ thuật/tài nguyên thống kê Với sáu lập luận, tác giả nhận định đan xen học ontology sử dụng web xu tự nhiên sử dụng thông tin web để học ontology có nhiều triển vọng Xu định hướng vào mô hình học ontology có sử dụng tài ngun Web luận án (độ đo khoảng cách Googe, thông tin từ Wikipedia tiếng Việt, công cụ sánh thuật ngữ miền ứng dụng có sử dụng Web, v.v.) Do đặc điểm bán tự động, học ontology thường bao gồm thành phần huy động tham gia người vào q trình xây dựng ontology Ví dụ, khung xây dựng ontology sở miền S-H Hsieh cộng [38] chứa thành phần quan trọng thực việc huy động chuyên gia tham gia vào công việc hiệu chỉnh lại quan hệ thuật ngữ Tích hợp ý kiến nhiều chuyên gia vào việc hiệu chỉnh quan hệ thuật ngữ để nhận quan hệ phù hợp tốn có ý nghĩa Theo định hướng này, luận án đề nghị khung hợp niềm tin dựa tranh luận, cung cấp sở lý thuyết tảng để triển khai thành phần hệ thống thực tiễn Nghiên cứu luận án hướng tới số mục tiêu sau Thứ nhất, luận án hướng tới việc đề xuất số mơ hình học ontplogy dựa khai phá liệu văn học máy kết hợp với việc sử dụng số độ đo Theo định hướng này, luận án tập trung đề xuất mơ hình học ontology phát sinh thể quan hệ, học ontology thông qua việc kết hợp ontology sẵn có Thứ hai, luận án hướng tới việc đề xuất mơ hình hợp tri thức từ chuyên gia miền vào xây dựng ontology Cuối cùng, luận án hướng tới việc xây dựng ontology Anh – Việt miền dầu khí phục vụ cơng tác nghiệp vụ Tập đồn Dầu khí quốc gia Việt Nam Đối tượng nghiên cứu luận án mô hình học ontology dựa kỹ thuật khai phá liệu văn bản, học máy thu nhận tri thức chuyên gia miền ứng dụng vào xây dựng ontology miền Phạm vi nghiên cứu luận án giới hạn phạm vi mơ hình học ontology theo phương thức bán tự động dựa kỹ thuật khai phá liệu, học máy tích hợp tri thức Phương pháp nghiên cứu luận án nghiên cứu lý thuyết đề xuất mơ hình bán tự động xây dựng ontology (dựa kỹ thuật khai phá liệu, học máy tích hợp tri thức), nghiên cứu thực nghiệm để kiểm chứng đánh giá mơ hình đề xuất cơng bố kết nghiên cứu ấn phẩm khoa học có uy tín Luận án tham gia vào dịng nghiên cứu học ontology giới đạt số đóng góp bước đầu, tập trung vào nghiên cứu, đề xuất mơ hình học ontology miền Về phương diện lý thuyết, luận án có hai đóng góp vào dịng nghiên cứu học ontology Thứ nhất, luận án đề xuất ba mơ hình học ontology gồm (i) mơ hình học ontology xây dựng ontology kết hợp liệu từ ontology sẵn có sử dụng học máy Maximum Entropy Beam Search nhận dạng thực thể miền [VNTrinh1], [VNTrinh4], (ii) mơ hình học ontology sử dụng độ đo Google để tích hợp số tập khái niệm miền sẵn có thành tập khái niệm miền lớn [VNTrinh2], [VNTrinh4], (iii) mơ hình học ontology dựa học máy với liệu dương liệu không gán nhãn để bổ sung khái niệm miền từ kho tài nguyên Wikipedia tiếng Việt vào tập khái niệm miền tiếng Việt sẵn có [VNTrinh4] Luận án đề xuất thuật toán học máy với liệu dương liệu không gán nhãn DISTANCE cho mơ hình thứ ba Thứ hai, luận án đề xuất mơ hình thu nhận ý kiến chun gia miền vào trình xây dựng ontology miền dựa khung hợp niềm tin dựa tranh luận (bao gồm giao thức tranh luận hợp niềm tin lập luận hợp niềm tin) thuật toán xây dựng giải pháp tranh luận hợp niềm tin tương ứng [VNTrinh3] Về phương diện ứng dụng, luận án đề nghị quy trình bảy bước xây dựng ontology dầu khí Anh-Việt Quy trình vừa tổng hợp kết nghiên cứu luận án vừa cung cấp phương án thực thi kết nghiên cứu vào thực tiễn Một ontology Dầu khí Anh-Việt thực nghiệm xây dựng Bố cục luận án gồm phần mở đầu năm chương nội dung, phần kết luận danh mục tài liệu tham khảo Hình 0.2 cung cấp khung nhìn sơ phân bố chủ đề năm chương nội dung luận án Chương luận án cung cấp nghiên cứu khảo sát khái quát ontology, xây dựng học ontology kỹ thuật học ontology Chương trình bày độ đo khoảng cách Google, độ đo thông tin luận án sử dụng số mơ hình học ontology Hình 0.2 Phân bố chủ đề chương luận án Chương luận án trình bày chi tiết mơ hình học ontology nhận diện thể miền ứng dụng Y sinh dựa học máy Maximum Entropy-Beam Search từ tài nguyên có hai ontology có trước Mơ hình học máy Maximum Entropy phụ thuộc vào đặc trưng liệu khung mơ hình làm giàu thể cho hai ontology có khác biệt Trong Chương 3, luận án trình bày hai mơ hình học ontology dựa việc sử dụng kỹ thuật khai phá liệu văn bản, học máy kết hợp với độ đo Mơ hình tích hợp khái niệm thuộc tính từ hai ontology miền dựa việc đo độ tương tự đối tượng theo độ đo khoảng cách Google Mơ hình thứ hai mơ hình học máy với liệu dương (và liệu không gắn nhãn) nhằm làm giàu ontology miền tiếng Việt cách bổ sung thêm khái niệm thuộc tính từ Wikipedia tiếng Việt với tập liệu huấn luyện có kích thước nhỏ (số lượng liệu dương ít) Mơ hình sử dụng ba thuật tốn học máy với liệu dương liệu không gán nhãn có thuật tốn DISTANCE luận án đề xuất Chương luận án xây dựng khung hợp niềm tin dựa tranh luận để khai thác ý kiến chuyên gia miền ứng dụng vào việc hiệu chỉnh, nâng cao chất lượng ontology miền Hai thành phần khung hợp niềm tin giao thức tranh luận hợp niềm tin, lập luận hợp niềm tin Một thuật toán xây dựng giải pháp tranh luận hợp niềm tin ví dụ minh họa trình bày Chương luận án trình bày quy trình bảy bước xây dựng ontology dầu khí Anh - Việt Quy trình xây dựng dựa kết nghiên cứu luận án học ontology, thu nhận ý kiến chuyên gia, nguyên lý bước xây dựng ontology, thực tiễn tài nguyên ontology ngành dầu khí Việt Nam CHƯƠNG GIỚI THIỆU CHUNG VỀ ONTOLOGY, HỌC ONTOLOGY VÀ ĐỘ ĐO GOOGLE Hai mục đầu chương trình bày nội dung ontology, xây dựng ontology kỹ thuật học ontology Mục thứ ba chương giới thiệu độ đo khoảng cách Google, độ đo liệu luận án quan tâm triển khai áp dụng số kỹ thuật học ontology 1.1 GIỚI THIỆU CHUNG VỀ ONTOLOGY 1.1.1 Khái niệm ontology Từ “ontology” có nguồn gốc từ tiếng Hy Lạp, kết hợp hai từ “ontos” (“tồn tại”, tiếng Anh “being” ) “logos” (“từ”, tiếng Anh “word”) [32], vậy, nói cách khơng hình thức, ontology xây dựng để biểu diễn “kiểu tồn tại” miền dựa “từ ngữ” Các “kiểu tồn tại” miền gồm có thuật ngữ, khái niệm, quan hệ tiên đề khái quát hóa quan hệ Rất nhiều nghiên cứu rằng, đưa định nghĩa đủ để bao gói việc biểu diễn “kiểu tồn tại” dựa “từ ngữ” cơng việc khó khăn Rất nhiều định nghĩa ontology đưa ra, theo dòng thời gian xây dựng ứng dụng ontology, nội dung khái niệm ontology tiến hóa nhằm phù hợp với phạm vi nghiên cứu triển khai tương ứng D Gašević cộng [32] giới thiệu phân tích nội dung năm định nghĩa phổ biến ontology lĩnh vực trí tuệ nhân tạo Theo nhóm tác giả, định nghĩa đáp ứng phận việc “kiểu tồn tại” dựa “từ ngữ” Trình bày tác giả cho thấy điều cần thiết “hình dung ontology sao” mà khơng phải thân định nghĩa ontology Một hình dung đơn giản ontology bao gói khái niệm quan hệ chúng hình ảnh trực quan ontology nội dung tệp tin XML Trong nỗ lực đưa định nghĩa phổ quát ontology, R Arp cộng [7] cho ontology sản phẩm trình diễn người tạo ra, với thành phần đặc thù bảng phân loại biểu diễn tường minh tổ hợp kiểu, lớp định nghĩa số quan hệ chúng Bảng phân loại (taxonomy) hệ thống phân cấp dạng chứa thuật 10 (giống wordnet) mà có web api34 để lấy liệu Để lấy liệu này, cơng cụ lập trình để duyệt qua tất từ/cụm từ có nghĩa từ điển dầu khí, sau gọi API website để lấy danh sách từ đồng nghĩa với từ/cụm từ duyệt Sau đó, liệu lưu vào CSDL để sử dụng cho việc học ontology Danh sách “từ dừng” Tiếng Việt tải từ GitHub35, chọn lọc, sử dụng q trình loại bỏ từ dừng, từ vơ nghĩa, để giảm thời gian công sức cho việc so sánh từ trình học ontology 5.3.1.2 Lựa chọn công cụ tiền xử lý liệu, lập trình, sở liệu Cơng cụ JVNTextPro36 tải về, dùng để tách câu, tách từ, gán nhãn từ loại, loại bỏ từ dừng Công cụ DKPro37 Java Wikipedia Library tải về, để truy cập, phân tích liệu Wikipedia Công cụ LPU38 tải về, dùng để cài đặt số thuật toán LPU khác trình phân lớp liệu Thư viện javascript “GoJS”39 tải về, dùng cho việc biểu diễn mối quan hệ khái niệm dạng đồ họa Cơng cụ lập trình Microsoft NET MVC 4.0 (Model-View-Controller), Hệ quản trị CSDL Microsoft SQL Server 2014 sử dụng để quản trị hệ sở liệu, lập trình để xây dựng phần mềm cơng cụ hỗ trợ với giao diện webbased Ontology dầu khí Anh – Việt cài đặt máy chủ Viện Dầu khí Việt Nam Ontology dầu khí Anh - Việt chạy hầu hết hệ điều hành, trình duyệt phổ biến, thiết bị di động, smartphone 34 http://viet.wordnet.vn/wnms/services 35 https://github.com/stopwords/vietnamese-stopwords 36 http://jvntextpro.sourceforge.net/ 37 https://dkpro.github.io/dkpro-jwpl/ 38 http://www.cs.uic.edu/~liub/LPU/LPU-download.html 39 https://gojs.net 124 5.3.2 Thực thi ontology dầu khí Anh - Việt hệ thống máy tính Áp dụng khung mơ hình học ontology miền dầu khí Anh – Việt, bao gồm phần: Lọc khái niệm miền dầu khí Tiếng Việt tiềm năng, Học ontology, Đối sánh khái niệm miền dầu khí Tiếng Việt, Học ontology dựa học ontology sở niềm tin phân tầng Bước Giai đoạn Lọc khái niệm miền dầu khí Tiếng Việt tiềm Sau thực thi bước 1, Từ điển dầu khí Anh Việt bổ sung thêm 2.500 khái niệm từ Wikipedia Tiếng Việt để hình thành ontology dầu khí Tiếng Việt với 13.633 khái niệm Tiếng Việt với thông tin mô tả chúng Bước Giai đoạn học ontology Sau thực bước 2, Từ điển dầu khí Anh Việt học ontology với ontology Wordnet để hình thành nên Ontolog Dầu khí Anh – Việt Việt Nam với 11.139 khái niệm bổ sung thêm quan hệ kế thừa từ ontology Wordnet (mở rộng mố quan hệ ngữ nghĩa khái niệm) Bước Đối sánh khái niệm miền dầu khí Tiếng Việt Kết sau thực bước 3, áp dụng thuật toán học với liệu dương liệu chưa gán nhãn với kết hợp độ đo Google độ đo Cosine với hệ số  = 0.50, để học ontology liệu mô tả khái niệm từ điển dầu khí Anh Việt Wikipedia Tiếng Việt, có 5.084 khái niệm dầu khí tìm Do đó, từ điển dầu khí Anh Việt bổ sung thêm 5.084 khái niệm trở thành ontology dầu khí Tiếng Việt với 16.223 khái niệm Tiếng Việt với thông tin mô tả Bước Bổ sung thành phần Tiếng Việt vào ontology miền dầu khí Tiếng Anh Bước đơn giản bổ sung thành phần Tiếng Việt bước vào ontology miền dầu khí Anh-Việt mở rộng bước Bước Xây dựng ontology dựa sở niềm tin phân tầng Tri thức chuyên gia dầu khí Viện Dầu khí Việt Nam (Tập đồn dầu khí Việt Nam) sử dụng để kiểm tra, chỉnh sửa lỗi, xác hóa 125 kết việc học ontology việc phân lớp liệu, để nâng cao chất lượng kết học ontology Các vấn đề phát sinh không đồng thuận chuyên gia xử lý phương pháp học ontology dựa sở niềm tin phân tầng 5.4 KẾT QUẢ Ontology dầu khí Anh - Việt xây dựng đáp ứng hoàn toàn tất yêu cầu đặt ra, với 11.139 khái niệm dầu khí Tiếng Anh 16.223 khái niệm dầu khí Tiếng Việt, mô tả chúng Tiếng Anh Tiếng Việt, với 6.823 mối quan hệ khái niệm thỏa mãn hoàn toàn yêu cầu đặt ban đầu Biểu diễn đồ họa mối quan hệ khái niệm dầu khí với khái niệm dầu khí cịn lại, hai khái niệm dầu khí ontology dầu khí thực Các chức quản trị khái niệm thông tin liên quan cài đặt với giao diện đồ họa Các công cụ đồ họa hỗ trợ học ontology triển khai Chức phân cấp, phân quyền đến người dùng biện pháp bảo đảm an ninh, an tồn, bảo mật thơng tin thực Có thể lưu, dự phịng khôi phục dễ dàng Phần mềm thiết kế theo hướng mở, tường minh từ thiết kế, sử dụng hệ quản trị sở liệu chuyên nghiệp, thương mại Microsoft, dễ dàng nâng cấp, mở rộng tương lai 5.5 KẾT LUẬN CHƯƠNG Chương luận án trình bày mơ hình xây dựng ontology miền dầu khí sử dụng kết nghiên cứu từ chương khác luận án độ đo Google, thuật toán học với liệu dương liệu chưa gán nhãn, sử dụng kho ngữ liệu, sở niềm tin phân tầng, nguyên lý bước xây dựng ontology, nhu cầu thực tiễn ngành dầu khí Việt Nam Mơ hình áp dụng để xây dựng xây dựng ontology miền dầu khí Anh - Việt cụ thể Ontology miền dầu khí Anh - Việt phục vụ hiệu cho cơng việc tra cứu, tìm kiếm, nghiên cứu, đạo tạo, dịch thuật hàng ngày bộ, nhân viên ngành dầu khí đáp ứng yêu cầu chức yêu cầu thiết kế chuẩn ontology 126 KẾT LUẬN I Những kết luận án Luận án tham gia vào dòng nghiên cứu học ontology giới đạt ba đóng góp đề xuất ba mơ hình học ontology thực chức thành phần học ontology miền, mơ hình thu nhận ý kiến chuyên gia miền vào xây dựng ontology miền quy trình bảy bước xây dựng ontology dầu khí Anh-Việt Viện Dầu khí Việt Nam Mơ hình học ontology xây dựng ontology kết hợp liệu từ ontology sẵn có sử dụng học máy Maximum Entropy Beam Search nhận dạng thực thể miền bao gồm nhiều bước thực [VNTrinh1], [VNTrinh4] Bước thu thập liệu phù hợp với ontology cần xây dựng từ nguồn tài nguyên ontology thành phần sẵn có Sau đó, bước thứ hai tiến hành xây dựng kho ngữ liệu tương ứng với ontology thành phần Bước thứ ba phát quan hệ bắc cầu kết hợp kho ngữ liệu thành phần Bước cuối xây dựng đoán nhận thực thể (bộ phân lớp thực thể) miền để nhận diện thực thể xuất Mô hình cho phép học ontology mức thực thể Mơ hình học ontology sử dụng độ đo Google mơ hình học ontology dựa khai phá văn nhằm xây dựng tập khái niệm miền tổng hợp khái niệm từ số tập khái niệm miền sẵn có [VNTrinh2], [VNTrinh4] Trước hết, đối sánh thuộc tính khái niệm tiến hành, sau đó, đối sánh để hợp khái niệm miền đồng (bao gồm bổ sung thuộc tính) tập khái niệm miền tổng thể Mơ hình học ontology dựa học máy với liệu dương liệu không gán nhãn nhằm làm giàu tập khái niệm miền tiếng Việt sẵn có dựa việc nhận diện để bổ sung khái niệm miền từ kho tài nguyên Wikipedia tiếng Việt [VNTrinh4] Do cấu trúc khái niệm miền tập khái niệm miền sẵn có khái niệm miền tiềm thuộc kho tài nguyên Wikipedia tiếng Việt có điểm khác khơng thể sử dụng khái niệm miền tập có sẵn làm ví dụ cho tốn học máy Mơ hình học ontology luận án đề xuất gồm hai giai đoạn Trong giai đoạn đầu tiên, mơ hình học ontology sử dụng độ đo Google sử dụng để tìm số khái niệm miền từ Wikipedia tiếng 127 Việt với số lượng nhỏ, gọi tập ví dụ dương “gián điệp” Áp dụng thuật tốn học với liệu dương liệu chưa gán nhãn để xây dựng “tập liệu âm tin cậy” gồm số lượng đủ lớn khái niệm Wikipedia tiếng Việt thực tin cậy không khái niệm miền Với biểu diễn liệu thống cho hai nguồn liệu, áp dụng học máy nhị phân để xây dựng mơ hình phân lớp nhị phân khái miền Wikipedia tiếng Việt Luận án đề xuất thuật toán DISTANCE khai thác cấu trúc Wikipedia vào bước xây dựng tập “tập liệu âm tin cậy” Mơ hình thu nhận ý kiến chun gia miền vào trình xây dựng ontology miền dựa khung hợp niềm tin qua tranh luận bao gồm giao thức tranh luận, phép lập luận hợp niềm tin thuật toán xây dựng giải pháp tranh luận hợp niềm tin [VNTrinh3] Giải pháp tranh luận hợp niềm tin thực lặp khơng cịn tác nhân bị cơng trạng thái cuối kết cần tìm Luận án luận giải phương án áp dụng khung hợp niềm tin vào thực tiễn xây dựng ontology dầu khí Anh - Việt Thứ ba, luận án đề xuất quy trình bảy bước xây dựng ontology dầu khí Anh-Việt Viện Dầu khí Việt Nam Hơn nữa, từ kết nghiên cứu luận án, ontology Dầu khí Anh - Việt xây dựng dựa việc học ontology từ điển Anh -Việt với Wordnet Tiếng Anh Wikipedia Tiếng Việt sử dụng cho việc tra cứu, nghiên cứu, đào tạo sở cho việc mở rộng, học ontology với hệ thống liệu khác (ví dụ hệ thống chia sẻ tri thức có Viện Dầu khí Việt Nam ) ontology dầu khí khác giới, tương lai Các thuật toán học ontology sử dụng học máy tiếp tục nghiên cứu để áp dụng cho toán khác lĩnh vực thăm dị, khai thác dầu khí (ví dụ: ứng dụng thuật tốn học máy học ontology để nâng cao hệ số thu hồi dầu ) Đồng thời, nhằm minh chứng cho tiềm ứng dụng thực tiễn mơ hình đề xuất, luận án thực thi thực nghiệm để kiểm chứng tính hữu dụng thuật tốn mơ hình luận án đề xuất Kết thực nghiệm cho thấy kết nghiên cứu từ luận án có tiềm ứng dụng thực tiễn cao 128 II Hạn chế luận án Trong q trình triển khai mơ hình, số nghiên cứu luận án chưa tiến hành cách công phu, thấu rút kết luận bổ ích, cụ thể là: Một là, miền ứng dụng áp dụng để xây dựng ontology dầu khí Anh Việt Các liệu (khái niệm) chủ yếu khâu đầu chuỗi hoạt động dầu khí, chưa mở rộng khâu khác (khâu giữa, khâu sau) Các liệu có giá trị khác liên quan đến hoạt động thăm dò khai thác khác chưa học ontology để hỗ trợ định (ví dụ: liệu khai thác dầu khí hàng ngày mỏ dầu khí) Hai là, sản phẩm luận án ontology dầu khí Anh Việt, nhiên, cần phải có thêm thời gian để chun gia dầu khí rà sốt, chỉnh sửa, cập nhật để nâng cao chất lượng độ tin cậy phần mềm Ba là, điều quan trọng nhất, luận án chưa tiến hành phân tích đủ sâu thuật tốn học ontology để đưa cải tiến khoa học thực III Định hướng nghiên cứu Trong thời gian tiếp theo, nghiên cứu sinh tiếp tục nghiên cứu hướng giải cho hạn chế tồn luận án tiếp tục triển khai đề xuất để hoàn thiện giải pháp cho học ontology Một là, nghiên cứu, tìm kiếm, chọn lựa ontology dầu khí có chất lượng cao giới để học ontology với ontology có để mở rộng, bổ sung khái niệm (từ vựng) dầu khí, đặc biệt khái niệm thuộc khâu khâu sau chuỗi hoạt động dầu khí Hai là, nâng cấp mơ hình tích hợp ý kiến chuyên gia (chẳng hạn, quan tâm tới mơ hình dựa sở tri thức xác suất) Hơn nữa, kỹ thuật biểu diễn liệu tiên tiến quan tâm mô hình học ontology đề xuất Trước mắt, nghiên cứu sinh tiến hành áp dụng biểu diễn graph2vec, node2vec, v.v cho mơ hình học ontology bổ sung khái niệm dầu-khí tiếng Việt từ wikipedia tiếng Việt Chương 129 DANH MỤC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN TỚI LUẬN ÁN [VNTrinh1] Ngoc-Trinh Vu, Van-Hien Tran, Thi-Huyen-Trang Doan, Hoang-Quynh Le, and Mai-Vu Tran (2015) A Method for Building a Labeled Named Entity Recognition Corpus Using Ontologies Proceedings of 3rd International Conference on Computer Science, Applied Mathematics and Applications - ICCSAMA 2015, pp 141-149 (Scopus) [VNTrinh2] Trinh Vu Ngoc, Ha Quang Thuy, Tran Trong Hieu Độ đo GOOGLE học ontology Hội nghị quốc gia lần thứ VIII "Nghiên cứu ứng dụng Công nghệ thông tin" (FAIR 2015), trang 224-231 [VNTrinh3] Trong Hieu Tran, Thi Hong Khanh Nguyen, Quang Thuy Ha, and Ngoc-Trinh Vu Argumentation framework for merging stratified belief bases Asian Conference on Intelligent Information and Database Systems (ACIIDS 2016), pp 43-53.(Scopus, DBLP) [VNTrinh4] Ngoc-Trinh Vu, Quoc-Dat Nguyen, Tien-Dat Nguyen, ManhCuong Nguyen, Van-Vuong Vu, and Quang-Thuy Ha A Positive-Unlabeled Learning Model for Extending a Vietnamese Petroleum Dictionary based on using Vietnamese Wikipedia Data ACIIDS (1) 2018: 190-199 (Scopus, DBLP) 130 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt [1] [2] [3] [4] Trương Hải Bằng Tích hợp ontology mờ dựa lý thuyết đồng thuận, Luận án tiến sỹ, Đại học CNTT, Đại học Quốc gia TP Hồ Chí Minh, 2016 P C Bội cộng Xây dựng từ điển dầu khí ANH-VIỆT (phiên điện tử) Nhiệm vụ cấp ngành dầu khí, 2010 Cao Hồng Trụ VN-KIM cho Web Việt có ngữ nghĩa Kỷ yếu Hội nghị Khoa học & Công nghệ lần thứ (Phân ban CNTT), ĐH Bách Khoa Tp HCM, trang 76-81, 2007 Viện dầu khí English – Vietnamese Dictionary of Petroleum Nhà xuất Khoa học Kỹ thuật, Ha Noi, 1996 Tài liệu tiếng Anh [5] [6] Ethem Alpaydin Introduction to machine learning The MIT Press, 2014 Feten Baccar Ben Amar, Bilel Gargouri, Abdelmajid Ben Hamadou Generating core domain ontologies from normalized dictionaries Eng Appl of AI, 51: 230-241, 2016 [7] Robert Arp, Barry Smith, Andrew D Spear Building Ontologies with Basic Formal Ontology The MIT Press, 2015 [8] Adam L Berger, Stephen Della Pietra, Vincent J Della Pietra A Maximum Entropy Approach to Natural Language Processing Computational Linguistics 22(1): 39-71, 1996 [9] Elizabeth Black, Sanjay Modgil, Nir Oren Theory and Applications of Formal Argumentation (4th International Workshop, TAFA 2017) Springer International 2018 [10] Andrew Borthwick, John Sterling, Eugene Agichtein, Ralph Grishman Exploiting Diverse Knowledge Sources via Maximum Entropy in Named Entity Recognition VLC@COLING/ACL 1998 131 [11] P Buitelaar, P Cimiano, B Magnini Ontology Learning from Text: An Overview In (P Buitelaar, P Cimiano, B Magnini (eds) Ontology Learning from Text: Methods, Evaluation and Applications Frontiers in Artificial Intelligence and Applications Vol 123 Amsterdam, IOS Press, 2005), pp 3-12 [12] James Butterworth, Paul E Dunne Spectral Techniques in Argumentation Framework Analysis COMMA 2016, pp 167-178 [13] Trevor J M Bench-Capon, Paul E Dunne Argumentation in artificial intelligence Artif Intell 171(10-15): 619-641, 2007 [14] Trevor J M Bench-Capon, Henry Prakken, Giovanni Sartor Argumentation in Legal Reasoning Argumentation in Artificial Intelligence 2009: 363-382 [15] Rudi Cilibrasi, Paul M B Vitányi, Ronald de Wolf Algorithmic Clustering of Music Based on String Compression Computer Music Journal 28(4): 49-67, 2004 [16] Rudi Cilibrasi, Paul M B Vitányi The Google Similarity Distance CoRR abs/cs0412098, 2004 [17] Rudi Cilibrasi, Paul M B Vitányi Normalized Web Distance and Word Similarity CoRR abs0905.4039, 2009 (Version September 5, 2018) [18] Philipp Cimiano, Alexander Madche, Steffen Staab, and Johanna Volker Ontology Learning In (Steffen Staab, Rudi Studer (eds.) Handbook on Ontologies Springer, 2009), pp 245-267 [19] Philipp Cimiano, Christina Unger, and John McCrae Ontology-Based Interpretation of Natural Language Morgan Claypool, 2014 [20] Andrew R Cohen, Paul M B Vitányi Normalized Google Distance of Multisets with Applications CoRR abs/1308.3177, 2013 [21] Francesco Colace, Massimo De Santo, Luca Greco, Flora Amato, Vincenzo Moscato, Antonio Picariello Terminological ontology learning and population using latent Dirichlet allocation J Vis Lang Comput 25(6): 818-826, 2014 [22] Nigel Collier, Reiko Matsuda Goodwin, John P McCrae, Son Doan, Ai Kawazoe, Mike Conway, Asanee Kawtrakul, Koichi Takeuchi, Dinh Dien An ontology-driven system for detecting global health events COLING 2010:215-222 132 [23] Nigel Collier, Mai-Vu Tran, Hoang-Quynh Le, Quang-Thuy Ha, Anika Oellrich, and Dietrich Rebholz-Schuhmann Learning to recognize phenotype candidates in the auto-immune literature using svm re-ranking PloS one, 8(10):e72965, 2013 [24] Nigel Collier, Ferdinand Paster, and Mai-Vu Tran The impact of near domain transfer on biomedical named entity recognition In Proceedings of the 5th International Workshop on Health Text Mining and Information Analysis (Louhi)@ EACL, pages 11-20, 2014 [25] Antonello Comi, Lidia Fotia, Fabrizio Messina, Giuseppe Pappalardo, Domenico Rosaci, Giuseppe M L Sarnè Using Semantic Negotiation for Ontology Enrichment in e-Learning Multi-agent Systems CISIS 2015: 474-479 [26] Óscar Corcho, Mariano Fernández-López, Asunción Gómez-Pérez Ontological Engineering: Principles, Methods, Tools and Languages Ontologies for Software Engineering and Software Technology 2006: 148 [27] Claudia D’Amato, Steffen Staab, Andrea G B Tettamanzi, Minh Tran Duc, Fabien Gandon Ontology Enrichment by Discovering MultiRelational Association Rules from Ontological Knowledge Bases SAC ’16 (31st ACM Symposium on Applied Computing), pp.333-338, 2016 [28] A P Dempster; N M Laird; D B Rubin Maximum Likelihood from Incomplete Data via the EM Algorithm Journal of the Royal Statistical Society Series B (Methodological), 39 (1): 1-38, 1977 [29] Zlatan Dragisic Completion of Ontologies and Ontology Networks PhD Thesis, Linköping University, Sweden 2017 [30] Wolfgang Ertel, Nathanael T Black Introduction to Artificial Intelligence (2nd edition) Springer, 2018 [31] Marcelo A Falappa, Alejandro Javier García, Gabriele Kern-Isberner, Guillermo Ricardo Simari Stratified Belief Bases Revision with Argumentative Inference Journal of Philosophical Logic, 42 (1), pp 161– 193, 2013 [32] Dragan Gašević, Dragan Djurić, Vladan Devedzic Model driven architecture and ontology development (2nd edition) Springer, 2009 133 [33] Saira Andleeb Gillani, Andrea Ko Process-Based Knowledge Extraction in a Public Authority: A Text Mining Approach EGOVIS 2014: 91-103 [34] Saira Andleeb Gillani From text mining to knowledge mining: An integrated framework of concept extraction and categorization for domain ontology PhD Thesis, Corvinus University of Budapest, 2015 [35] Nicola Guarino, Daniel Oberle, and Steffen Staab What is an Ontology? In (Steffen Staab, Rudi Studer Handbook on Ontologies Springer 2009): 1-17 [36] Ada Hamosh, Alan F Scott, Joanna S Amberger, Carol A Bocchini, and Victor A McKusick Online mendelian inheritance in man (omim), a knowledgebase of human genes and genetic disorders Nucleic acids research, 33(suppl 1): D514-D517, 2005 [37] Sébastien Harispe, Sylvie Ranwez, Stefan Janaqi, and Jacky Montmain Semantic Similarity from Natural Language and Ontology Analysis Morgan Claypool, 2015 [38] Shang-Hsien Hsieh, Hsien-Tang Lin, Nai-Wen Chi, Kuang-Wu Chou, Ken-Yu Lin Enabling the development of base domain ontology through extraction of knowledge from engineering domain handbooks Advanced Engineering Informatics 25 (2011), pp 288–296 [39] S.-H Hsieh, K.-Y Lin, N.-W Chi and H.-T Lin Domain Knowledge– Based Information Retrieval for Engineering Technical Documents In (Raymond Issa, Ivan Mutis Ontology in the AEC industry: a decade of research and development in architecture, engineering, and construction American Society of Civil Engineers, 2015), pp 1-26 [40] Raymond Issa, Ivan Mutis Ontology in the AEC industry: a decade of research and development in architecture, engineering, and construction American Society of Civil Engineers, 2015 [41] Tokio Kawakami, Takeshi Morita, Takahira Yamaguchi Building Wikipedia Ontology with More Semi-structured Information Resources JIST 2017: 3-18 [42] Shehroz S Khan, Michael G Madden One-class classification: Taxonomy of Study and Review of Techniques Knowledge Eng Review 29(3): 345374, 2014 134 [43] M Rahamatullah Khondoker, Paul Mueller Comparing Ontology Development Tools Based on an Online Survey Proceedings of the World Congress on Engineering 2010 (Vol I), pages [44] Maryam Khordad, Robert E Mercer, and Peter Rogan Improving phenotype name recognition In Advances in Articial Intelligence, pages 246-257 Springer, 2011 [45] S Konieczny, R P Pérez Merging information under constraints: a logical framework J Logic Comput 12(5), 773–808, 2002 [46] Efstratios Kontopoulos, Panagiotis Mitzias, Marina Riga, Ioannis Kompatsiaris A Domain-Agnostic Tool for Scalable Ontology Population and Enrichment from Diverse Linked Data Sources DAMDID/RCDL’2017, pp 184-190 [47] Xiaoli Li, Philip S Yu, Bing Liu, See-Kiong Ng Positive Unlabeled Learning for Data Stream Classification SDM 2009: 259-270 [48] Huayi Li, Zhiyuan Chen, Bing Liu, Arjun Mukherjee, Jidong Shao Spotting Fake Reviews using Positive-Unlabeled Learning Computación y Sistemas 18(3), 2014 [49] M Li, J.H Badger, X Chen, S Kwong, P Kearney, and H Zhang An Information-Based Sequence Distance and Its Application to Whole Mitochondrial Genome Phylogeny Bioinformatics, vol 17, no 2, pp 149154, 2001 [50] Ming Li, Paul Vitányi An Introduction to Kolmogorov Complexity and Its Applications (3rd edition) Springer, 2008 [51] Xiaoli Li, Bing Liu Learning to Classify Texts Using Positive and Unlabeled Data IJCAI 2003: 587-594 [52] Xiaoli Li, Bing Liu, and See-Kiong Ng Learning to Identify Unexpected Instances in the Test Set IJCAI vol 7, 2007 [53] Bing Liu, Yang Dai, Xiaoli Li, Wee Sun Lee, Philip S Yu Building Text Classifiers Using Positive and Unlabeled Examples ICDM 2003: 179188 [54] Bing Liu Web Data Mining: Exploring Hyperlinks Contents and Usage Data (2nd edition) Springer, 2011 135 [55] Lu Liu, Tao Peng Clustering-based Method for Positive and Unlabeled Text Categorization Enhanced by Improved TFIDF J Inf Sci Eng 30(5) 1463-1481, 2014 [56] Bing Liu, Wee Sun Lee, Philip S Yu, Xiaoli Li Partially Supervised Classification of Text Documents ICML 2002: 387-394 [57] Andrew McCallum, Dayne Freitag, Fernando C N Pereira Maximum Entropy Markov Models for Information Extraction and Segmentation ICML 2000: 591-598 [58] John P McCrae, Mihael Arcan, Kartik Asooja, Jorge Gracia, Paul Buitelaar, Philipp Cimiano Domain adaptation for ontology localization J Web Sem 36: 23-31, 2016 [59] Martın O Moguillansky, Guillermo R Simari A generalized abstract argumentation framework for inconsistency-tolerant ontology reasoning Expert Systems with Applications Volume 64, December 2016, Pages 141-168 [60] Martín O Moguillansky Ontology reasoning and evolution with inconsistency tolerance AI Commun 29(2): 405-407, 2016 [61] Josh Murphy, Isabel Sassoon, Michael Luck, Elizabeth Black An Investigation of Argumentation Framework Characteristics TAFA 2016: 1-16 [62] Roberto Navigli, Paola Velardi Learning Domain Ontologies from Document Warehouses and Dedicated Web Sites Computational Linguistics 30(2): 151-179, 2004 [63] Truc-Vien T Nguyen, Tru H Cao VN-KIM IE: Automatic Extraction of Vietnamese Named-Entities on the Web New Generation Comput 25(3): 277-292, 2007 [64] Phan Minh Dung On the Acceptability of Arguments and its Fundamental Role in Nonmonotonic Reasoning, Logic Programming and n-Person Games Artif Intell 77(2) 321-358, 1995 [65] Phan Minh Dung An axiomatic analysis of structured argumentation with priorities Artif Intell 231, pp.107-150, 2016 [66] Phan Minh Dung, Phan Minh Thang Fundamental properties of attack relations in structured argumentation with priorities Artif Intell 255, pp.1-42, 2018 136 [67] Abdul Mateen Rajput, Harsha Gurulingappa Semi-Automatic Approach for Ontology Enrichment using UMLS Procedia Computer Science 23 (2013) 78–83 [68] Adwait Ratnaparkhi A Maximum Entropy Model for Part-Of-Speech Tagging, Proc EMNLP, New Brunswick New Jersey: Association for Computer Linguistics: 133-141, 1996 [69] Peter N Robinson, Sebastian Kohler, Sebastian Bauer, Dominik Seelow, Denise Horn, and Stefan Mundlos The human phenotype ontology: a tool for annotating and analyzing human hereditary disease The American Journal of Human Genetics, 83(5):610-615, 2008 [70] C Sammut, G.I Webb (eds) Ontology Learning (In: C Sammut, G.I Webb (eds) Encyclopedia of Machine Learning and Data Mining (2nd edition) Springer, 2017), pp 937-938 [71] Miguel-Angel Sicilia Handbook of Metadata, Semantics and Ontologies World Scientific Publishing, 2014 [72] Cynthia L Smith, Carroll-Ann W Goldsmith, and Janan T Eppig The mammalian phenotype ontology as a tool for annotating, analyzing and comparing phenotypic information Genome biology, 6(1):R7, 2004 [73] Fabian M Suchanek, Gjergji Kasneci, Gerhard Weikum YAGO: A Large Ontology from Wikipedia and WordNet J Web Sem 6(3): 203-217, 2008 [74] Timothy Tambassi The philosophy of geo-ontologies Springer, 2018 [75] Trong Hieu Tran, Quoc Bao Vo, Thi Hong Khanh Nguyen On the Belief Merging by Negotiation KES 2014: 147-155 [76] Michael Uschold Demystifying OWL for the Enterprise Morgan Claypool, 2018 [77] Tobias Walter, Fernando Silva Parreiras, Steffen Staab OntoDSL: An Ontology-Based Framework for Domain-Specific Languages MoDELS 2009: 408-422 [78] Tobias Walter, Fernando Silva Parreiras, Steffen Staab An ontology-based framework for domain-specific modeling Software and System Modeling 13(1): 83-108, 2014 [79] Wilson Wong, Wei Liu, Mohammed Bennamoun Ontology learning from text: A look back and into the future ACM Computing Surveys, Volume 44 Issue 4, August 2012, Article No 20 137 [80] Jianzhang Wu, Xiao Yu, Linli Zhu, Wei Gao Leave-two-out stability of ontology learning algorithm Chaos, Solitons and Fractals, Vol 89 (August 2016), pp 322-327 [81] Jianzhang Wu, Xiao Yu, Wei Gao Similarity matrix learning for ontology application IJITM 15(1): 1-13, 2016 [82] Yanshan Xiao, Bo Liu, Jie Yin, Longbing Cao, Chengqi Zhang, Zhifeng Hao Similarity-Based Approach for Positive and Unlabelled Learning Proceedings of the twenty-second international joint conference on artificial intelligence, pp 1577-1582, 2011 [83] Hwanjo Yu, Jiawei Han, Kevin Chen-Chuan Chang PEBL: positive example based learning for Web page classification using SVM KDD 2002: 239-248 [84] Hwanjo Yu, Jiawei Han, Kevin Chen-Chuan Chang PEBL: Web Page Classification without Negative Examples IEEE Trans Knowl Data Eng 16(1): 70-81, 2004 [85] D Zhang A logic-based axiomatic model of bargaining Artif Intell 174, 1307–1322, 2010 [86] Weixiong Zhang State-Space Search: Algorithms, Complexity, Extensions, and Applications Springer, 1999 138