Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |   ...   | 28 |

«ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ Труды Третьей международной научной конференции Банное, Россия, 26 февраля — 2 марта 2014 года Научное электронное издание Челябинск ...»

-- [ Страница 9 ] --

determined and probable connections between objects A5: (Name=”action” or Name=”actions of Lukoil”) corresponding to noun lexemes are derived. During the A6: Name = “In November 2003” and SemanticType= nario is selected.

A7: Name=”Lukoil” and SemanticType= – extraction of target objects from the text;

R1: RelationName =”argument” and RelationCase= – classification of semantic networks;

R2: RelationName=”argument” and RelationCase= – chronological analysis, elimination of collisions.

R3: RelationName=”сircumstance”;

objects with semantic connections. To extract target obR4: RelationName=”argument” and RelationCase=”D” jects, it is necessary to build the logical scheme of the and RelationConnector=”on”;

situation. Resulting set is then classified into categories.

R5: RelationName=”argument” and RelationRole= Rule of extraction of target objects (Person: Full R6: RelationName = “argument” and RelationCase= macro: strict_full_name ( R7: RelationName =”argument” and RelationCase (nastname_feminine):morph_info ) | =”R” and RelationRole=”object”;

(name_masculine (middlename_masculine)? (mastR8: RelationName=”Accessory” and RelationCase =”R”. name_ Fig. 2. Syntactic and semantic dependency tree bus or stock purchase. Fact search is performed within After the 2nd stage, the set of syntactic and semantic the situation identifies class of possible situations and dependency trees is formed. The most probable parsing contains slots that unambiguously separates it from other variant is then chosen using heuristic algorithms. situations. Semantic analysis module fills the slots with Stage 3. Semantic analysis. Main task of semantic anal- values, some slots can be left empty. Further, semantic ysis is to extract facts from text and determine semantic module relates the set of sentence semantic networks of connections between those facts. Basic structure of a fact text document with corresponding template than defines is an action, usually represented in a sentence by a verb a fact, using modified decision tree algorithm С4.5. acor participle, but in some cases by complex clauses — cording to the situation templates in the knowledge base.

Factual analysis also employs statistic methods to calcu- majority of semantic objects are transitively linked with late frequency weight of target object or its connections each other in ontology through 5 to 7 relationships.

in the document. Statistical methods are based on the cal- Method based on the object membership in a class deKnowledge bases can be built by subject area experts, level of transitive relationships, where M is a number of but also automatically using Text Mining algorithms that classes in a knowledge model.

extract data on objects, their attributes and connections Method based on the strength of the relationship in the using formal rules. Among tools for semantic analysis general case if applied separately for each relationship we could note Convera RetrievalWare and Russian Con- R(H )– between semantic objects x, x. This method text Optimizer (for documents in Russian language). In determines membership of relationship strength between this work we will discuss the factual analysis method of objects a weight rel = (x, x) in a term of linguistic natural language texts, which allows to extract informa- variable (A, B1, B2,..., Bp), corresponding to this relationtion on monitored objects using predefined semantic in- ship and having a connection measure between objects as Let X ={xi}, i = 1,n is a finite set of semantic objects, able, a degree of affiliation could be determined, transwhere n is a number of objects in a knowledge model, forming fuzzy network of ontology relationships H for and E ={e k}, k = 1,m is a set of semantic relationships, A = i}, i = 1,p is a set of possible attributes, and ={s}, i = 1,t — set of inference rules. We will call Semantic network of a sentence is an example of fact in its simple form. More complex facts could be defined through anaphoric or other references in the paragraph, text block, text document or collection of text documents.

We introduce here our own way of representing object relationships as relationship matrix. For ontology object x let’s call a matrix the matrix of semantic relationships (fig. 3), where n relationships R(H ) and k = q' + j for differential rela- The set of semantic objects reachable from x is derelationships, q' is a basis of x object. Matrix elements are degrees of adjacency of ontology object x and other ontology objects xi:

variable A, B1, B2,..., Bp, relationship matrix contains a to the definition of ontology sub-graph, relationships e k term of linguistic variable with the maximum value of satisfying the following condition are selected for further In this work we will describe methods to extract facts in a set, this object is selected for further analysis, othfrom the knowledge base built on top of ontology. Let’s erwise the object gets deleted from the knowledge base.

– method based on the object membership in a class;

Method “strength of the relationship” is applied sepamethod based on the strength of the relationship;

rately for each relationship R(H )–. Analyst determines – method based on the type of the relationship. the value of a linguistic variable for the given relationship:

Method based on the transitive relationships defines for integral relationship R(H ) : Aq;

А. Vokhmintsev, А. Melnikov Application of factual analysis of full text documents in the field of business intelligence method based on the transitive relationship should be ap- clude from analysis.

plied first, the order of application of other methods is Method based on the transitive relationships allows to not relevant. Fact extraction methods are controlled by get detailed information on queried object (organization, the corresponding factor extraction parameters, and the person, product or technology) and its connections with query to the ontology knowledge base could be repre- other objects.

sented as a tuple [4]:

where x — parameter “semantic object for analysis”;

Гql(x)* = cl*, cl*,..., cl*, xl*, x — tuple of parameters, where c i — class of level l, x — semantic object in question;

A* = Aq, *, * — tuple of parameters, where A q — value of linguistic variable A, * — grade of memB = B q, *, * — tuple of parameters, where with Russian energy companies in years from 2010 to 2012.

Bp* — value of linguistic variable Bp, * — grade of Resulting scheme (fig. 4) is used to solve this analytmembership, * = {=,,,,} — selection strategy for ic problem. After studying the structure of relationships “strength of relationship” method;

R' * = {R1 *, R2 *,..., Rz' *} Rj' * — standard relationship;

5. Conclusion References

In the context of research jobs on the given subjects 1. Fellbaum, C. WordNet: an electronic lexical datataking place in laboratory of applied programming, fol- base. Cambridge : MIT Press, 1998.

– the ontology with fuzzy connects is developed to a sparse, part-based representation / S. Agarwal, A. Awan, process the analytical researches on the scientific and D. Roth // IEEE Transactions on Pattern Analysis and Mathe systems i2 Analysts’ s Notebook and VisuaLinks 3. Vokhmintsev, A. The knowledge on the basis of is applied to the facts search results visualization;

fact analysis in business intelligence / A. Vokhmintsev, – the ontology knowledge model and method of fac- A. Melnikov // Digital Product and Process Development tual analysis are implemented in “Cyber-analytic” infor- Systems. Dresden : Springer book, 2013. P. 354–363.

From 2008 the system Cyber-analytic has indexed natively trained part-based models / P. Felzenszwalb, more than 2 400 Russian and English original docu- R. Girshick, D. McAllester // IEEE Transactions on Patments, such as Vesti, New York Times, BBC, Interfax tern Analysis and Machine Intelligence. (PAMI). 2009.

and some others. Studying full text documents the ana- № 32 (9). P. 1627–1645.

lyst is looking for definite laws, events, persons (organizations), relationships among them.

А. Vokhmintsev, А. Melnikov Application of factual analysis of full text documents in the field of business intelligence



Предложена онтология, позволяющая сочетать детерминированный и нечеткологический подходы к разработке систем поддержки принятия решений в гидрометаллургии.

Постановка проблемы. Конкурентоспособность Pr — свойства классов;

горно-обогатительного производства зависит от эффективного использования материальных ресурсов. В настоящее время в качестве одного из важнейших видов ресурсов рассматривается некондиционное сырье — бедные ром» и т. п.;

руды и отходы горно-обогатительного производства.

Вовлечение некондиционного сырья в промышленное производство может быть осуществлено путем извлече- Рассмотрим компоненты онтологии подробно.

ния ценных компонентов или же путем промышленного В данном случае рассматриваются классы:

использования без извлечения ценных компонентов — – C1: НЕКОНДИЦИОННОЕ_СЫРЬЕ;

утилизации [1]. При сопоставлении различных вариан- – C2: ТЕХНОЛОГИЧЕСКИЙ_ПРОЦЕСС_ДОФЛОтов проведения технологического процесса чаще всего ТАЦИИ;

возможно получить лишь качественные оценки. Данным – C3: ТЕХНОЛОГИЧЕСКИЙ_ПРОЦЕСС_ВЫЩЕобстоятельством обусловлена необходимость обращения ЛАЧИВАНИЯ;

Таким образом, эффективно работающая система ГОВКИ_К_УТИЛИЗАЦИИ;

автоматизированной технологической подготовки про- – C5: ОБОРУДОВАНИЕ_ДЛЯ_ДОФЛОТАЦИИ;

изводства (АСТПП) технологического цикла по вовле- – C6: ОБОРУДОВАНИЕ_ДЛЯ_ВЫЩЕЛАЧИВАчению в производство некондиционного сырья должна НИЯ;

иметь в своем составе систему поддержки принятия – C7: ОБОРУДОВАНИЕ_ДЛЯ_УТИЛИЗАЦИИ.

решений (СППР). Методологической базой для совре- Множество отношений в настоящее время содерменных СППР является онтологический анализ [3]. жит следующие элементы:

блемы инженерии знаний подробно рассмотрены в – is a part of…;

[4–6]. Применения онтологического подхода в разра- – is consequent…;

ботке СППР рассмотрены в [7–9]. В работе [10] рас- – is connected to…;

смотрены проблемы разработки нечетких онтологий. – is a cause of…;

Целью работы является определение основных – has similarity with… характеристик онтологии поддержки принятия реше- Множество свойств для класса C1:

ний при проектировании технологических процессов – V — содержание полезных компонентов (список);

Создаваемая поддержка принятия решений долж- минерала (в мономинеральных или в полиминеральцелесообразно ли извлекать полезные компонен- – LClass — крупность класса рудных минералов;

ты из некондиционного сырья с (определение переч- – DOM — является ли рудный минерал в полиминя таких компонентов и выбором компонентов, под- неральном сростке преобладающим;

– если определены подлежащие извлечению ком- сти в полиминеральных сростках;

поненты, какой из основных процессов следует при- – Silicates — наличие слоистых силикатов.

менить — дофлотацию или выщелачивание;

Множество свойств для классов C2, C3 и C4 содля выбранного технологического процесса долж- стоит из динамических структур, содержащих свена быть определен его конкретный вариант (исполь- дения о технологических цепочках, каждый элемент зуемое оборудование и характеристики его работы, такой структуры соответствует одной технологиинтенсификаторы, температурные режимы и т. д.);

ческой операции и также является динамической – при нецелесообразности извлечения ценных структурой.

компонентов должны быть определены режимы под- Множество свойств для классов C5, C6 и C7 состоготовки некондиционного сырья к утилизации. ит из динамических структур, содержащих сведения Следуя [8], создаем онтологию OntoC, Pr, V, I, R, A, D. об оборудовании, каждый элемент такой структуры Множество значений свойств для класса C1: на наш взгляд, наиболее удачной является модель – V — для каждого из элементов списка определя- многокритериального выбора [11].

ется оценка содержания полезного компонента;

– TSPLICE — MonoSplice для мономинеральных, разработке СППР, позволяющий учесть ситуацию PolySplice для полиминеральных сростков;

неустранимой неопределенности. Компьютерный – LClass — имеет дискретные числовые значения;

эксперимент с использованием реальных данных дал в противном случае;

– Porosity — PorosityY — имеется, PorosityN — отсутствует;

– Silicates — SilicatesY — имеются, SilicatesN — отсутствует.

Множество значений для классов C2, C3, C4 строится по схеме:

– идентификатор технологической цепочки;

– идентификатор технологической операции;

– список параметров операции.

Множество значений для классов C5, C6, C7 строится по схеме:

– идентификатор единицы оборудования;

– список параметров единицы оборудования (затем следующая единица оборудования).

Множество экземпляров каждого из классов определяется спецификой решаемой задачи.

Множество аксиом фиксирует основные факты о предметной области, не подлежащие пересмотру.

Рассмотрим алгоритмы вывода и правила принятия решений. В рассматриваемой системе они могут быть разделены на два класса — предназначенные для детерминированных ситуаций и предназначенные для ситуаций, содержащих неустранимую неопределенность.

Например, в случае, когда содержание ни для одного из полезных компонентов содержание не достигает некоторой минимальной величины, единственным возможным вариантом является направить сырье на утилизацию.

Аналогично, имеются вполне достоверные сведения о протекании химических реакций, их параметрах и т. д.

В то же время значительная часть выводов не может быть сделана на основании детерминированных правил вывода. Правила, предполагающие многокритериальное сравнение в условиях неустранимой неопределенности действуют на нескольких уровнях:

– выбор между извлечением ценных компонентов и утилизацией;

– выбор совокупности извлекаемых ценных элементов;

– выбор вида технологического процесса — дофлотация или выщелачивание;

выбор конкретных параметров технологического процесса на каждой его стадии (выбор параметров работы оборудования, реагентов и т.п.);

– при выборе утилизации также возникают подобные задачи.

Поскольку выбор совершается по нескольким противоречивым критериям, выбранный вариант неизбежно является компромиссным. В данной ситуации, Е. А. Горбатова, М. В. Зарецкий Онтологический подход к разработке гибридных экспертных систем в гидрометаллургии


Рассмотрены проблемы извлечения знаний, основанных на построении математических и информационных моделей предметной области для различных аспектов с учетом существующих нечеткостей описания объекта.

Показано, что для описания кибернетических свойств объекта целесообразно использовать нейросетевые методы.

Традиционно при построении информационных нейросетевых методов сопряжено, прежде всего, со моделей различных предметных областей применяют сложностью организации хранилищ данных, извлеследующий порядок построения структурированной чением из них указанных статистик в явной форме, части модели: строится формальная математическая отсутствует строгая теория по выбору типа и архиатрибутивная модель;

на основании данной модели тектуры нейронной сети, что приводит к необходиопределяется структуры баз данных;

производится мости применять алгоритмы самоорганизации, котоинтеграция баз данных в хранилище информации. рые также работают достаточно медленно, а в ряде Семантическая часть модели представляется в виде случаев неприемлемо длительное время обучения Для решения задач построения интеллектуальных занных выше нечетких статистик, для обучения нейалгоритмов управления возникает необходимость росетей, по заданной выше структуре.

Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |   ...   | 28 |

Похожие материалы:

«МАТЕРИАЛЫ ВОСЬМОЙ НАУЧНО-ПРАКТИЧЕСКОЙ КОНФЕРЕНЦИИ Перспективные системы и задачи управления Таганрог 2013 Конференция “Перспективные системы и задачи управления” УДК 681.51 Материалы Восьмой Всероссийской научно-практической конференции Перспективные системы и задачи управления. – Таганрог: Изд-во ТТИ ЮФУ, 2013. – 378 с. Издание осуществлено при поддержке Российского фонда фундаментальных исследований, грант № 13-08-06015. ОРГАНИЗАТОРЫ Министерство обороны РФ; Министерство внутренних дел РФ; ...»

«3 Генеральный секретариат IRU 14 Организации-партнеры IRU 18 Автомобильный транспорт 19 Приоритетные задачи IRU: устойчивое развитие 20 Безопасность дорожного движения 20 Инновации 21 Академия IRU 26 Система стимулирования 30 Инфраструктура 32 Приоритетные задачи IRU: содействие развитию торговли, туризма и автотранспорта 34 Общий контекст и вопросы, связанные с торговлей 34 Содействие автомобильным перевозкам и вопросы безопасности 38 4-я Конференция IRU по автотранспортным перевозкам ...»

«08 основные операции 09 Агентство по распределению номеров Интернета 10 Группа DNS 10 Информационные технологии 10 Группа обеспечения безопасности 12 инициативы 13 Новые gTLD 13 Обзор Утверждения обязательств 15 Глобальное сотрудничество 15 Многоязычные доменные имена 16 Оценка строки IDN ccTLD 17 Программа грантов 17 Общественные конференции ICANN 18 Участие и привлечение 18 Программа для новичков ФотограФия на обложкЕ 19 консультативные советы и вспомогательные организации Члены совета ...»

«ИНТЕРВЬЮ с. 6–7 Дик Ватика: Расизм сдерживает развитие СОЦИАЛЬНЫЕ ПРЕОБРАЗОВАНИЯ с. 26 Новый этап в программе ЮНЕСКО МОСТ ДОСЬЕ с. 12–23 Молодежь создает завтрашний мир www.unesco.org/shs/views 2 Июнь/сентябрь 2007 ОТ РЕДАКЦИИ 17 Повышение роли молодежи – путь к устойчивому развитию Жить и видеть ту зарю – блаженство, но быть молодым – это ...»

© 2013 www.kon.libed.ru - «Бесплатная библиотека научно-практических конференций»