Học khái niệm trong LGMT

Một phần của tài liệu (LUẬN án TIẾN sĩ) xử lý không nhất quán trong tích hợp tri thức dựa trên logic (Trang 39 - 40)

1.3. Logic mô tả

1.3.3. Học khái niệm trong LGMT

Xây dựng ontology cho các hệ thống Web ngữ nghĩa và đặc tả các khái niệm một cách phù hợp là một trong những vấn đề rất được quan tâm. Do vậy, bài toán đặt ra là xây dựng được định nghĩa cho các khái niệm quan trọng. Học khái niệm trong LGMT nhằm mục đích kiểm tra, suy luận và tìm ra được các khái niệm này phục vụ cho các ứng dụng cụ thể.

Bài toán học khái niệm trong LGMT có dạng bài toán phân lớp nhị phân trong học máy truyền thống. Tuy nhiên, việc học khái niệm trong ngữ cảnh LGMT khác với học máy truyền thống ở điểm, các đối tượng không chỉ được đặc tả bằng các thuộc tính mà còn được đặc tả bằng các mối quan hệ giữa các đối tượng. Các mối quan hệ này là một trong những yếu tố làm giàu thêm ngữ nghĩa của hệ thống huấn luyện.

Học khái niệm trong LGMT thu hút sự quan tâm của cộng đồng nghiên cứu và chia thành ba hướng tiếp cận chính. Tiếp cận đầu tiên tập trung

vào việc xây dựng các thuật toán học có sử dụng mô phỏng hai chiều nhằm khảo sát khả năng học khái niệm trong LGMT. L.A. Nguyen và A. Szalas đi tiên phong theo tiếp cận này [70], tiếp đó, A. Szalas và Trần Thanh Lương [56] đã phát triển tiếp. Hướng tiếp cận thứ hai tập trung vào việc sử dụng các toán tử làm mịn; thuật toán điển hình theo phương pháp này là DL-Learner được J. Lehmann và P. Hitzler đề xuất trong [53]. Hướng tiếp cận thứ ba tập trung vào việc xây dựng một số thuật toán học đơn giản nhằm khảo sát khả năng học khái niệm trong LGMT. W. W. Cohen và H. Hirsh đề xuất thuật toán học khái niệm dựa trên các "bao hàm chung nhỏ nhất" [24], N. Fanizzi và cộng sự giới thiệu hệ thống DL-FOIL cho bài toán học khái niệm trong LGMT hỗ trợ ngôn ngữ OWL [40].

Nghiên cứu và giải quyết các vấn đề nảy sinh khi triển khai các hệ thống học khái niệm trong LGMT là một tiếp cận song hành với ba tiếp cận lý thuyết LGMT trên đây. Gần đây, D. Ratcliffe [78] tập trung giải quyết các hạn chế không hỗ trợ các cơ sở tri thức RDF/OWL lớn, các lớp ngôn ngữ biểu cảm như OWL2-DL, v.v. trong thiết kế các hệ thống quy nạp khái niệm (concept induction) lớn. D. Ratcliffe đề nghị các phương pháp hỗ trợ giải quyết các hạn chế trên đây và thi hành vào hệ thống OWL-Miner.

Một phần của tài liệu (LUẬN án TIẾN sĩ) xử lý không nhất quán trong tích hợp tri thức dựa trên logic (Trang 39 - 40)

Tải bản đầy đủ (PDF)

(142 trang)