Sử dụng bài toán thỏa mãn ràng buộc để so khớp Ontology mờ

Bài toán tích hợp ontology mờ có thể được chia thành hai giai đoạn: Giai đoạn khớp giữa các ontology và giải quyết mâu thuẫn trong các giá trị mờ. Bài viết này tập trung vào các vấn đề của giai đoạn so khớp, với phương pháp vét cạn và theo kinh nghiệm hiện có. Hướng vét cạn thường xảy ra nhiều lỗi khớp, tuy nhiên hầu hết các cặp so khớp giữa hai ontology đều được phát hiện.

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Huế, ngày 07-08/6/2019 DOI: 10.15625/vap.2019.00054 SỬ DỤNG BÀI TOÁN THỎA MÃN RÀNG BUỘC ĐỂ SO KHỚP ONTOLOGY MỜ Quách Xuân Hƣng Khoa Công nghệ thông tin, Trường Đại học khoa học, Đại học Huế tiasang70@yahoo.com TÓM TẮT: Bài tốn tích hợp ontology mờ chia thành hai giai đoạn: giai đoạn khớp ontology giải mâu thuẫn giá trị mờ Bài viết tập trung vào vấn đề giai đoạn so khớp, với phương pháp vét cạn theo kinh nghiệm có Hướng vét cạn thường xảy nhiều lỗi khớp, nhiên hầu hết cặp so khớp hai ontology phát Cách tiếp cận theo hướng kinh nghiệm, thường dựa vào tính chất ontology để cắt tỉa cặp khơng tương đồng trước so khớp Với cách tiếp cận mức độ xẩy so khớp sai giảm đáng kể, nhiên thường bỏ qua nhiều cặp thành phần tương đồng trình so khớp Để khắc phục nhược điểm hai phương pháp trên, đề xuất sử dụng toán thỏa mãn ràng buộc (CSP) để mơ hình hóa tốn so khớp ontology Cụ thể, đề xuất ràng buộc đưa hàm tối ưu để tối thiểu lỗi so khớp Bên cạnh đó, sử dụng phương pháp đồng thuận để xác định đại diện tốt đối tượng mâu thuẫn q trình tích hợp ontology mờ Từ khóa: Ontology, Tích hợp ontology, So khớp ontology, Thỏa mãn ràng buộc I GIỚI THIỆU Trong hệ thống tri thức phân tán ln ln tồn tính khơng đồng thông tin, vấn đề cần thiết phải giải hệ thống có yêu cầu trao đổi, chia sẻ, tái sử dụng thông tin liệu Ontology xem tảng hệ thống thơng tin tri thức, q trình sử dụng triển khai hệ thống cần thiết phải thực tích hợp ontology Tuy nhiên thực điều vấn đề phức tạp tính khơng đồng thơng tin cấu trúc đa dạng Tích hợp tri thức q trình mà khơng quán tri thức từ nguồn khác hợp nhằm mang lại thống tri thức Các nghiên cứu gần tích hợp ontology thực theo mức độ khác nhau: so khớp ontology (ontology matching), liên kết ontology (alignment ontology), trộn ontology (merge ontology), ánh xạ ontology (ontology mapping) Khái niệm tích hợp ontology định nghĩa sau [1]: cho n ontology tích hợp ontology xác định ontology tốt từ các ontology cho Các nghiên cứu tích hợp ontology, trước hết cần mơ hình hóa ontology mà thơng thường họ sử dụng logic mơ tả cho mơ hình hóa ontology Để tích hợp ontology, phép tốn tương đương thành phần ontology nghiên cứu Ngoài ra, chiến lược hay phương pháp tích hợp ontology vấn đề quan tâm Hiện nay, khái niệm ontology rõ dựa logic mô tả truyền thống bị hạn chế khơng đủ khả để mơ tả biểu diễn thông tin mơ hồ không chắn Điều dẫn đến xuất ngày nhiều nghiên cứu ontology mờ Cùng với định nghĩa ontology mờ đề xuất, nghiên cứu tích hợp ontology mờ bắt đầu quan tâm Các kỹ thuật tích hợp ontology rõ khơng phù hợp với ontology mờ Thực tế khơng có nhiều nghiên cứu tốn tích hợp ontology mờ Các nghiên cứu so khớp/liên kết ontology ontology mờ [2] phân thành hai loại: phương pháp tiếp cận mở rộng so khớp ontology rõ để giải toán so khớp ontology mờ; hai phương pháp tiếp cận giải tính mơ hồ khái niệm trình so khớp Rung-Ching Chen [3] cộng đề xuất phương pháp trộn ontology kết hợp WordNet FFCA (Fuzzy Formal Concept Analysis) [4] để tạo ontology mờ gọi trộn FFCA Gần nhóm nghiên cứu Giáo Sư Nguyễn Ngọc Thành đề xuất giải pháp xử lý mâu thuẫn ontology mờ cho toán tích hợp ontology mờ [4-7] Chúng tơi nghiên cứu tích hợp ontology mờ dựa lý thuyết đồng thuận [8] Trong báo này, đề xuất mơ hình chung cho việc tích hợp ontology sử dụng lập trình ràng buộc CSP Bên cạnh đó, đề xuất phương pháp xử lý mâu thuẫn tính mờ thành phần tích hợp sử dụng phương pháp đồng thuận II MƠ HÌNH HĨA ONTOLOGY MỜ DỰA VÀO LOGIC MƠ TẢ MỜ Bài báo đề xuất mơ hình ontology mờ thành phần mờ hóa cách sử dụng hàm thành viên Ở ontology mờ đề xuất cách tích hợp logic mờ logic mô tả mờ vào ontology rõ để giải hiệu phương pháp lập luận tri thức ontology mờ Định nghĩa ontology mờ mở rộng khái niệm ontology mờ đề xuất trước [8]: Định nghĩa 1: Ontology mờ Cho (A, V) giới thực, A tập hữu hạn thuộc tính, V miền giá trị A Ontology mờ định nghĩa tứ (C, R, I, Z), đó: – C tập hữu hạn khái niệm mờ C khái niệm , [0,1] )| i=1 n}, giá trị hàm thành viên SỬ DỤNG BÀI TOÁN THỎA MÃN RÀNG BUỘC ĐỂ TÍCH HỢP ONTOLOGY MỜ 424 – R tập quan hệ mờ khái niệm, R= { , ,…, }, C C [0,1], i = 1, ,m Một quan hệ tập bao gồm cặp khái niệm giá trị mờ biểu diễn mức độ quan hệ chúng Mối quan hệ hai khái niệm ontology biểu diễn giá trị mờ nhất, nghĩa (c, c’, v) (c, c’, v’) v = v’ – I tập thực thể mờ, I = { , trường hợp [0,1] ,…, }, , giá trị hàm thành viên - Z tập hợp tiên đề, ràng buộc toàn vẹn mối quan hệ khái niệm thực thể ontology mà biểu diễn mối quan hệ tập R điều kiện (cần đủ) để xác định khái niệm C Định nghĩa 2: Khái niệm mờ cụ thể Khái niệm mờ cụ thể định nghĩa năm: khái niệm tập cụ thể, gọi miền giá trị khái niệm trị mờ tập cụ thể hàm thành viên mờ xác định: giá trị ngôn ngữ để xác định mức độ giá trị thuộc tính Trong cf định danh biểu diễn giá Định nghĩa 3: Thực thể instances Một thực thể khái niệm c mơ tả thuộc tính tập , với giá trị tập cặp (id, v), id định danh thực thể v giá trị thực thể với ánh xạ v: → , v(a) , a Định nghĩa 4: Thuộc tính mờ cụ thể Thuộc tính mờ cụ thể d định nghĩa cặp: , 5: Trong đó, d định danh thuộc tính khái niệm mờ gọi miền thuộc tính d, khái niệm mờ cụ thể tập cụ thể gọi miền giá trị thuộc tính d biểu diễn cho giá trị mờ tập cụ thể hàm thành viên mờ xác định: giá trị ngôn ngữ để xác định mức độ giá trị thuộc tính Định nghĩa 5: Khái niệm mờ Một khái niệm ontology mờ định nghĩa tứ: ( , , ) , với tập hợp đối tượng (objects) hay thể (instances), A tập thuộc tính mơ tả khái niệm, V miền giá trị thuộc tính: ( miền giá trị thuộc tính a) hàm thành viên thuộc tính mờ: : [0,1] biễu ⋃ diễn mức độ quan trọng/ xác định thuộc tính khái niệm Bộ ( , ) gọi cấu trúc mờ III TÍNH TƢƠNG ĐƢƠNG GIỮA CÁC THÀNH PHẦN ONTOLOGY Một toán q trình tích hợp tìm tương đồng thành phần ontology Sự tương đồng thành phần ontology thực phương pháp so khớp khác cần sử dụng kết hợp với cách hiệu Nghệ thuật so khớp ontology nằm chỗ lựa chọn phương pháp kết hợp phương pháp theo cách thích hợp Theo cách tiếp cận [11], đề xuất cách xác định mức độ tương đồng cho tốn tích hợp ontology thành bốn nhóm sau: Tương đồng dựa thực thể: Sự tương đồng khái niệm xác định thực thể chung Tương đồng dựa từ vựng: Sự tương đồng khái niệm xác định ý nghĩa ngôn ngữ tên liên quan Tương đồng dựa lược đồ: Sự tương đồng hai khái niệm dựa giống thuộc tính liên quan Tương đồng dựa phân loại: Sự tương đồng hai khái niệm xác định mối quan hệ tương đồng cấu trúc chúng Trong báo [12], tác giả cụ thể hóa hai cách tiếp cận tính tốn tính tương đồng mờ thành phần ontology Việc đầu tiên, sử dụng đo khoảng cách chiều dài đường hai khái niệm cấu trúc liên kết (link liên kết phân loại IS-A) Việc thứ hai, dựa nội dung thông tin chia sẻ nút chung cụ thể hai khái niệm Phương pháp xem mở rộng mô hình độ đo t lệ giống Tversky Xác định mức độ, độ tương đồng ngữ nghĩa, khoảng cách ngữ nghĩa, quan hệ ngữ nghĩa khái niệm từ hệ thống lĩnh vực khác trở thành nhiệm vụ ngày quan trọng Bài báo trình bày khái quát biện pháp đo khái niệm ontology cung cấp số ví dụ độ đo trình bày nghiên cứu Và dùng biện pháp tập mờ tương tự để kiểm tra biện pháp Quách Xuân Hưng 425 Gần đây, nhà nghiên cứu bắt đầu để xuất việc sử dụng ontology mờ để tìm kiếm thơng tin cho sáp nhập nhiều ontology để xây dựng kiến thức chung nhiều người dùng khác Các ví dụ cụ thể xác định mức độ giống biện pháp đo khoảng cách ontology sử dụng ontology mờ đề xuất Một phương pháp đơn giản để điều chỉnh khoảng cách [13] mở rộng khoảng cách số cạnh tối thiểu cl c2 độ sâu D tối đa hệ thống phân loại cấp bậc Ví dụ, sử dụng hyponymy, is-a, loại liên kết khái niệm /1 Một phương pháp tính độ tương tự khái niệm cặp khái niệm cl c2 trình bày [14] Xác định giống dựa độ sâu siêu khái niệm chung c3 cl c2 N1 chiều dài (số node) đường từ cl đến c3, N2 chiều dài đường từ c2 đến c3, N3 chiều dài đường từ c3 vào thư mục gốc hệ thống phân cấp Độ đo tương đồng khái niệm/thuộc tính mờ cụ thể: Cho ba {A, V, } {A’, V’, } thuộc khái niệm/thuộc tính mờ cụ thể a a’ tương ứng Trong V V’ tập cụ thể, và tập mờ tương ứng tập V V’ Lấy , phép toán tập mờ định nghĩa sau: [ ] (1) [ ] (2) * ( ) + (3) Độ tương đồng thuộc tính ontology mờ: | | (4) (5) (6) Độ tương đồng khái niệm ontology mờ: Xét hai khái niệm hình thức mờ ( , , ) ( , , ) từ hai khái niệm mờ khác Cho số thành viên , , tức là, = | |, = | |, với giả sử n m Tập 𝓣( , ) ứng viên cặp định nghĩa tất tập có n cặp thuộc tính định nghĩa sau: ( , ={{ }|ah , bh , h=1, ,n, and ah Xét miền ontology, độ tương tự hai khái niệm mờ ( , sau: } , ) ( , , ) xác định - Tương đồng dựa lược đồ: ( ) ( ) [ ∑ 〈 ] 〉 - Tương đồng dựa thực thể: ( ) | | ( ) - Tương đồng dựa thực thể lược đồ ( ) Với: mức độ thành viên thuộc tính a, b ( ) ( ) SỬ DỤNG BÀI TỐN THỎA MÃN RÀNG BUỘC ĐỂ TÍCH HỢP ONTOLOGY MỜ 426 là trọng số cho , giá trị thiết lập người sử dụng (a,b) giá trị tương đương từ a b IV TÍCH HỢP ONTOLOGY MỜ DỰA VÀO LẬP TRÌNH RÀNG BUỘC CSP Lập trình ràng buộc cơng nghệ quan trọng việc giải toán tối ưu tổ hợp Tích hợp ontology mờ cách so khớp ontology q trình nhằm mục đích tìm kiếm tương đồng ngữ nghĩa thành phần hai ontology cho trước Vì vậy, lập trình ràng buộc phương pháp phù hợp để đại diện cho xử lý so khớp ontology Lập trình ràng buộc cách tiếp cận vấn đề giải thỏa mãn ràng buộc tối ưu hóa Trong báo tập trung vào giải thỏa mãn ràng buộc (CSPs): định nghĩa cho CSPs, ràng buộc giải pháp cho CSPs cho so khớp ontology thể sau: 4.1 Định nghĩa 6: So khớp ontology sử dụng CSP Cho hai ontology , toán so khớp thỏa mãn ràng buộc bao gồm thành phần Trong { } tập biến D={D1,D2, ,Dn} tập miền giá trị tương ứng với biến Mỗi miền giá trị tập giá trị khởi tạo cho biến tương ứng, } tập khác rỗng, tập hữu hạn ràng buộc biến số Một ràng buộc trước thường định nghĩa, cặp bao gồm tập hợp biến mối quan hệ chúng Định nghĩa cho sở để mơ hình hóa loại khơng chắn khác đối sánh lược đồ Trong nghiên cứu cần xác định cặp khái niệm tương đồng hai ontology mờ, gọi tích hợp ontology mờ 4.2 Định nghĩa 7: Một ràng buộc mờ tập biến ∏ quan hệ mờ xác định với gọi thỏa mãn có nghĩa hồn tồn thỏa có nghĩa đáp ứng phần cặp với mối hàm thành viên thể mức độ mà có nghĩa vi phạm 4.3 Định nghĩa 8: Bài tốn tối ưu hóa ràng buộc mờ tứ , với C danh sách khái niệm thuộc ontology , D danh sách khái niệm thuộc ontology khớp với khái niệm C, danh sách ràng buộc mờ mà ràng buộc đề cập đến vài khái niệm C D g hàm mục tiêu tối ưu hóa V XÂY DỰNG CÁC RÀNG BUỘC 5.1 Ràng buộc quan hệ hai khái niệm Nếu có tồn quan hệ sau Với: ) ( , ) {( , tồn ánh xạ tương ứng chúng ) ( | ) Với cặp hai biến khái niệm Ràng buộc quan hệ cha: ) ( ( ( ) ) , sau: ( ) diện cho mối quan hệ cha từ , sau: ( ) ) đại diện cho cấu trúc mối quan hệ đồng cấp sau: ) ( ) , tồn ràng buộc ( ) ( , | ( ( )) - Với ) đảm bảo tương đồng thông qua tương đồng ý nghĩa ngôn ngữ nhãn tương ứng: ( )- ) 5.2 Tƣơng đồng dựa từ vựng: Với khái niệm ngữ nghĩa ) ( đại diện cho mối quan hệ cha từ ) đại ( ( Ràng buộc đồng cấp: (( tồn tập ràng buộc nhị phân thỏa mãn: ( Ràng buộc quan hệ con: } Quách Xuân Hưng Với xác định trước 427 hàm xác định ngữ nghĩa tương đồng nhãn khái niệm 5.3 Tƣơng đồng dựa thực thể: Với khái niệm ngữ nghĩa , tồn ràng buộc , ) | ( 5.4 Tƣơng đồng dựa lƣợc đồ: Với khái niệm - Với , tồn ràng buộc , ) | ( ( )) 5.5 Tƣơng đồng dựa phân loại: Với khái niệm ( )) đảm bảo tương đồng dựa giống thuộc tính liên quan ( ngữ nghĩa đảm bảo tương đồng xác định thực thể chung ( ngữ nghĩa ngưỡng - Với , tồn ràng buộc đảm bảo tương đồng xác định mối quan hệ tương đồng cấu trúc chúng ( ) , | ( ( )) -Với Các ràng buộc cú pháp ngữ nghĩa phụ thuộc vào hàm thành viên để đến mức thỏa mãn, chấp nhận Nếu , điều thể vi phạm tất ràng buộc với thể hoàn toàn thỏa mãn ràng buộc đặt Các ràng buộc hạn chế khơng gian tìm kiếm cho vấn đề tích hợp, điều đem lại hiệu cao trình tìm kiếm Mặt khác, vấn đề phức tạp, ràng buộc giúp đưa tính toán phức tạp giúp cho vấn đề giải 5.6 Hàm mục tiêu Hàm mục tiêu nhằm tối ưu, tối thiểu hóa lỗi so khớp thơng qua mức độ thỏa mãn ràng buộc tìm nhiều so khớp thông qua tổng số phần từ gán cho biến Với ý nghĩa hàm mục tiêu trên, có: ∑ Trong hàm thành viên phép gán với ràng buộc; tổng số ràng buộc, đầu vào ∑ để đến mức thỏa mãn, chấp nhận với =1 biến điều khiển tùy thuộc vào ontology mờ VI CÁC PHƢƠNG PHÁP GIẢI QUYẾT MÂU THUẪN TRONG TÍCH HỢP ONTOLOGY MỜ 6.1 Giải mâu thuẫn ontology mờ mức khái niệm Cho hai ontology mờ , khái niệm c thuộc (c, , mâu thuẫn khái niệm xảy ≠ ≠ Vc2 ≠ ) thuộc ) (c, , ) Ta nói Ví dụ: Chúng ta xem xét thuộc tính hasPrice khái niệm Car ontology khác (Biểu thị thuộc tính hasPrice ontology ) Chúng ta thấy mâu thuẫn ontology mờ xảy sau: Car(hasPrice) = {(P1, 0.8), (P1, 0.9), (P1 , 1), (P2, 0.6), (P2, 0.7), (P2, 0.8), (P3, 0.8), (P3, 0.9)} 6.2 Giải mâu thuẫn ontology mờ mức quan hệ Cho hai ontology mờ Ri1(c,c’) Ri2(c,c’),i {1,…,m} c , c’ Chúng ta nói mâu thuẫn mức quan hệ xảy Ví dụ: Trong bảng 1, cho hai ontology có quan hệ thuẫn mức quan hệ xảy sau: = khác với , khái niệm a, b, c Các mâu Bảng Mâu thuẫn mức quan hệ O1 O2 R1 R2 R3 SỬ DỤNG BÀI TOÁN THỎA MÃN RÀNG BUỘC ĐỂ TÍCH HỢP ONTOLOGY MỜ 428 Hoặc không tồn Trong trường hợp giả sử , 6.3 Giải mâu thuẫn ontology mờ mức thực thể Trong hệ thống tri thức ontology, thông tin khái niệm mối quan hệ thành phần ontology đầy đủ chắn Tuy nhiên số trường hợp xuất số giá trị thuộc tính thực thể không đầy đủ chưa biết Bảng Dữ liệu quan sát hệ thống dự báo thời tiết trạm khí tượng Thực thể I1 I2 I3 I4 I5 I6 990-997 992-999 993-997 992-998 Thuộc tính Áp suất 990-995 Hướng gió {W, W-N} {E, E-N} {S, W-S} {S, W-S} {W-N} Vận tốc gió 10-12 5-10 20-30 40-50 0-10 Nhiệt độ 15-25 20-24 12-21 12-21 22-24 17-20 Mưa khơng có khơng khơng Có Có Nắng khơng khơng khơng khơng Có khơng Tuyết Có khơng Có Trong ontology mờ, thực thể bao gồm nhiều thuộc tính giá trị thuộc tính khơng phải giá trị đơn mà tập hợp giá trị Trong trường hợp giá trị mờ số mà tập giá trị Để giải vấn đề này, sử dụng cấu trúc đa thuộc tính - đa giá trị để biểu diễn thực thể mờ giải pháp cho tốn tích hợp ontology mờ mức thực thể [5] v) ( Cho hai ontology , khái niệm c thuộc (c, , ) thuộc ( , ,c) (i, ) ( , ) Ta nói mâu thuẫn thực thể xảy v(a) = ,a , ) Cho (i, Thực thể mờ: Một thực thể mờ khái niệm c mơ tả thuộc tính tập căp (i, v), với: có giá trị thuộc tập (X= ) – i định danh thực thể, v giá trị thực thể, – v có kiểu biểu diễn hàm ̅ với v(a) , a VII KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Bài tốn tích hợp ontology mờ chia làm hai giai đoạn Giai đoạn so khớp ontology giải mâu thuẫn giá trị mờ Về so khớp, có hai trường phái, vét cạn theo kinh nghiệm Hướng vét cạn thường xẩy nhiều lỗi so khớp, nhiên hầu hết cặp so khớp hai ontology phát Theo trường phái kinh nghiệm, thường dựa vào tính chất ontology để cắt tỉa cặp không tương đồng trước so khớp Với cách tiếp cận mức độ xẩy so khớp sai giảm đáng kể, nhiên thường bỏ qua nhiều cặp thành phần tương đồng trình so khớp Để khắc phục nhược điểm hai cách tiếp cận trên, báo đề xuất sử dụng CSP cho mô hình hóa tốn so khớp Đề xuất ràng buộc đưa hàm tối ưu để tối thiểu lỗi so khớp Trong giai đoạn giải mâu thuẫn tích hợp ontology mờ, đề xuất sử dụng lý thuyết đồng thuận nhằm giải mâu thuẫn mức quan hệ, mức thực thể mức khái niệm, thuộc tính khái niệm tương đồng Các khái niệm ontology sau trộn bao gồm tất thuộc tính khái niệm tham gia trộn gây dư thừa liệu Trong đó, sử dụng phương pháp đồng thuận để xác định đại diện tốt đối tượng mâu thuẫn Do đó, mâu thuẫn xóa bỏ giảm dư thừa liệu Kết nghiên cứu thời điểm bao gồm đề xuất mơ hình ontology mờ, ontology tích hợp với logic mờ logic mô tả mờ Dựa mơ hình ontology mờ, chúng tơi mơ hình hóa tốn tối ưu sử dụng CSP cho so khớp ontology mờ Định nghĩa tốn tối ưu hóa sử dụng CSP hàm mục tiêu cho tối ưu hóa q trình so khớp Trong nghiên cứu tiếp theo, chúng tơi cụ thể hóa giải thuật cho việc tích hợp ontology mờ mơ hình hóa dựa CSP Sử dụng tập liệu chuẩn việc đánh giá kết nghiên cứu, so sánh với nghiên cứu trước đánh giá kết luận với mơ hình tích hợp ontology mờ đề xuất báo Quách Xuân Hưng 429 VIII TÀI LIỆU THAM KHẢO [1] Hai Bang Truong, Trong Hai Duong, Ngoc Thanh Nguyen, “A Hybrid Method For Fuzzy Ontology Integration”, Cybernetics and Systems: An International Journal, 44:2-3, pp.133-154, 2013 [2] Konstantin Todorov, Peter Geibel, and C_eline Hudelo, ”A Framework for a Fuzzy Matching between Multiple Domain Ontologies”, KES'11 Proceedings of the 15th international conference on Knowledge-based and intelligent information and engineering systems, Springer-Verlag Berlin, Heidelberg, vol part I p538-547, 2011 [3] Rung-Ching Chen, Cho-Tscan Bau, Chun-Ju Yeh, “Merging domain ontologies based on the WordNet system and Fuzzy Formal Concept Analysis techniques”, Applied Soft Computing 1, pp.1908-1923, 2011 [4] Hai Bang Truong, Ngoc Thanh Nguyen, “A Multi-attribute and Multi-valued Model for Fuzzy Ontology Integrationon Instance Level”, ACIIDS The 4nd Asian Conference on Intelligent Information and Database Systems, Springer Verlag in a vol LNAI, pp.187-197, 2012 [5] Trong Hai Duong, Hai Bang Truong, Ngoc Thanh Nguyen, “Local Neighbor Enrichment for Ontology Integration”, ACIIDS The 4nd Asian Conference on Intelligent Information and Database Systems, Springer Verlag in a vol LNAI: pp.156-166, 2012 [6] Hai Bang Truong, Ngoc Thanh Nguyen, Phi Khu Nguyen, “Fuzzy Ontology Building and Integration for Fuzzy Inference Systems in Weather Forecast Domain”, ACIIDS-2011 The 3nd Asian Conference on Intelligent Information and Database Systems, Springer Verlag in a vol LNAI, in Daegu city, Korea: pp.517-527, 2011 [7] Hai Bang Truong, Trong Hai Duong, Ngoc Thanh Nguyen, “A Hybrid Method For Fuzzy Ontology Integration”, Cybernetics and Systems: An International Journal, 44:2-3, pp.133-154, 2013 [8] Hai Bang Truong, Xuan Hung Quach, “An Overview of Fuzzy Ontology Integration Methods Based on Consensus Theory” ICCSAMA, pp 217-227, 2014 [9] K Marriott, P Stuckey: “Programming with Constraints”, An Introduction, MIT Press, 1998 [10] E Tsang, “Foundations of Constraint Satisfaction”, Acadimic Press, 1993 [11] Hai Bang Truong, Ngoc Thanh Nguyen, “A framework of an effective fuzzy ontology alignment technique International Conference on Systems, Man and Cybernetics, Anchorage, Alaska, USA, IEEE 2011, ISBN 978-1-4577-0652-3, pp.931-935, 2011 [12] Ling Song, Jun Ma, Hui Liu, Dongmei Zhang, “Fuzzy Semantic Similarity Between Ontological Concepts, Advances and Innovations in Systems”, Computing Sciences and Software Engineering, pp.275-280, 2011 [13] Claudia Leacock and Martin Chodorow, “Combining local context and WordNet similarity for word sense identification”, In Fellbaum, pp 265-283, 1998 [14] Silvia Calegari, Marco Loregian, “Using Dynamic Fuzzy ontologies to Understand Creative Environments”, In: Proceedings of the 7th International Conference on Flexible Query Answering Systems (FQAS 2006), Edited by Henrik Legind Larsen, Gabriella Pasi, Daniel Ortiz Arroyo, Troels Andreasen, and Henning Christiansen,Vol 4027, Lecture Notes in Computer Science Milan, Italy, Springer-Verlag, pp.404-415, 2006 [15] Nguyen, N T., “Advanced methods for inconsistent knowledge management”, Springer, London, 2008 ONTOLOGY MATCHING METHOD BY USING CONSTRAINT SATISFACTION PROBLEM Quach Xuan Hung ABSTRACT:The problem of fuzzy ontology integration can be divided into two phases: the matching phase between ontologies and conflicting resolution on fuzzy values This paper focuses on the problems of the matching phase, which currently has exhaustive and heuristic approaches While the exhaustive method has many matching errors, most of the matched pairs between the two ontologies are detected The heuristic approach uses the ontology nature to trim the non-homologous pairs which can decrease significantly the number of mismatching pairs, but often skips lots of homologous element pairs To overcome the disadvantages of the two approaches, we proposed to use the constraint satisfaction problem (CSP) for modeling the ontology matching problem In particular, we introduce constraints and suggest optimal function to minimize the matching errors In the experiment, the mismatching pairs between ontologies are significantly reduced by applying CSP for refinement Besides, using consensus method to determine the best representation between conflicting objects in the process of integrating fuzzy ontology  ... định nghĩa cho CSPs, ràng buộc giải pháp cho CSPs cho so khớp ontology thể sau: 4.1 Định nghĩa 6: So khớp ontology sử dụng CSP Cho hai ontology , toán so khớp thỏa mãn ràng buộc bao gồm thành phần... trình ràng buộc phương pháp phù hợp để đại diện cho xử lý so khớp ontology Lập trình ràng buộc cách tiếp cận vấn đề giải thỏa mãn ràng buộc tối ưu hóa Trong báo tập trung vào giải thỏa mãn ràng buộc. .. ) SỬ DỤNG BÀI TOÁN THỎA MÃN RÀNG BUỘC ĐỂ TÍCH HỢP ONTOLOGY MỜ 426 là trọng số cho , giá trị thiết lập người sử dụng (a,b) giá trị tương đương từ a b IV TÍCH HỢP ONTOLOGY MỜ DỰA VÀO LẬP TRÌNH RÀNG