Semantic Web и продукционная модель знаний Катериненко Р. С. аспирантура ИТМО ВТ.

Презентация:



Advertisements
Похожие презентации
Актуальность работы Необходимость разработки системы дистанционного тестирования профессиональных знаний, устраняющей недостатки существующих систем и.
Advertisements

Типы задач на коллоквиум 2 Реляционные и объектные модели для: – Хранения и работы с деревом произвольной глубины – Хранения и работа с графом – Работы.
Содержание: 1. Управление данными. а) Извлечение данных команда SELECT; б) Полный список разделов. 2. Раздел SELECT. а) Синтаксис раздела SELECT; б) Ключевые.
Практические применения семантических вычислений. Поиск по графу, контролируемый естественный язык Сергей Горшков, «Бизнес Семантика»
Объектные СУБД Поисковые технологии Специализированные ИПС и Web-сервисы Лингвистический и семантический анализ текстов документов НПЦ «ИНТЕЛТЕК ПЛЮС»
СУБД Microsoft Access 2003 Элементы языка SQL. Язык SQL SQL (Structured Query Language) – структурированный язык запросов Язык SQL применяется во многих.
СУБД 5. SQL для выборки данных. 2 SELECT Обработка элементов оператора SELECT выполняется в следующей последовательности: FROM – определяются имена используемых.
Основы SQL Запросы к базе данных. Что такое база данных SQL? SQL (Structured Query Language - «Структурированный язык запросов») - универсальный компьютерный.
1 Концепция Web 3.0 Web как семантическая паутина : традиционные информационные ресурсы + метаданные, описывающие семантические связи в информационных.
Достоинства логической модели знаний. 1. В качестве «фундамента» здесь используется классический аппарат математической логики, методы которой достаточно.
Язык SQL Применение агрегатных функций и вложенных запросов в операторе выбора.
1 Лекция 6 Команды категории извлечения данных языка структурированных запросов SQL План лекции Выборка определенных столбцов таблицы Устранение избыточных.
Базы данных Язык запросов SQL. Команда SELECT. Команда SELECT – выборка данных Общий синтаксис: SELECT [{ ALL | DISTINCT }] { список_вывода | * } FROM.
Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих.
Р ЕЛЯЦИОННАЯ АЛГЕБРА И SQL. Рассмотрим, как связаны операции реляционной алгебры и язык SQL, т.е. приведем примеры запросов SQL, аналогичных операциям.
1 БАЗЫ ДАННЫХ Создание сложных запросов. Запросы на нескольких таблицах. ЗАНЯТИЕ 7 ПУГАЧЁВ Ю.В. Учитель информатики Харьковская общеобразовательная школа.
3.2. Назначение онтологий. Интеграция разнородных источников данных. SemanticWeb. Интеграция разнородных источников данных Онтологии как часть Semantic.
Презентация на тему: «Программирование Разветвляющихся структур». Составила: учитель информатики Чура Н.А. 1.
© Mikhail Roshchin Semantic Modelling 1 Семантическое Моделирование в инженерии создания ПО Цель: автоматизирование создание программных систем,
База данных и СУБД: основные понятия. База данных: общее понятие База данных: хранилище информации отражает объект реального мира имитирует деятельность.
Транксрипт:

Semantic Web и продукционная модель знаний Катериненко Р. С. аспирантура ИТМО ВТ

OWL RDF

RDF Horst, H. J. Combining RDF and Part of OWL with Rules: Semantics, Decidability, Complexity. etc Hayes

RDF Horst, H. J. Combining RDF and Part of OWL with Rules: Semantics, Decidability, Complexity. etc Hayes Sesame Virtuoso

Логическая модель

Pallet Hawk Racer Fact

Логическое программирование Логическое программирование – общее название для языков программирования, программы которых состоят из продукций. Prolog Datalog Числа Фибоначчи: F(0,0) F(1,1) F(X+Y,N+2) :- F(X,N), F(Y,N+1), N>1 ?F(X,100)

Стратегии вычисления продукций Forward-chaining, (bottom-up) Последовательное применение продукций к фактам, а затем и к комбинациям фактов и выведенных фактов Достоинства:при ответе на запрос не требуется никакого логического вывода Недостатки: генерация избыточного количества фактов (попробуйте посчитать числа Фибоначчи) Backward-chaining, (top-down) Сначала целью вывод объявляется запрос пользователя. Ризонер пытается найти факты для текущей цели, если их нет, то ищется продукции, которые могут быть использованы для текущей цели. Найденная продукция объявляется текущей целью вывода и процесс повторяется. Преимущества: нет порождения избыточных фактов Недостатки: для сложных графов вычисления не эффективны, некоторые цели могут проходится много раз.

Что еще можно делать с продукциями? Мы используем комбинированную стратегию. При этом применяются продукции к фактам, но мы ограничиваем множество всех продукций, только теми, которые могут быть действительно необходимы для ответа на запрос. Существуют разные способы это сделать: Алгоритм magic set Стратификация Алгоритм Rete Переупорядочивание продукций Мы используем зависимость продукций по предикатам

Граф зависимости продукций Запрос: ?a(x) Продукции: R1: a(x) :- p(x), q(x) R2: p(y) :- p1(y) R3: p(k) :- p1(k) R4: q(z) :- q1(z)

Генерация SQL Предикат p(x) опрделеляет множество : Select * from F where F.s like P Join a(x) :- p(x), q(x) p(x) – S1 q(x) – S2 Select * from S1 join S2 Union p(y) :- p1(y) //S3 p(k) :- p2(k) //S4 Select * from S3 union S4 Вложенный подзапрос: S1 = S3 union S4 = Select * from ( Select * from S3 union S4 )

Генерация продукций Продукции => SQL + Совмещение SQL запросов с семантическими к реляционной СУБД

Генерация продукций Продукции => SQL + Совмещение SQL запросов с семантическими к реляционной СУБД SPARQL => + Инфраструктура для семантических приложений

Генерация продукций Продукции => SQL + Совмещение SQL запросов с семантическими к реляционной СУБД SPARQL => + Инфраструктура для семантических приложений + Быстрая инфраструктура для семантических приложений: на 20% быстрее, чем Jess (Rete)