面向語義網(wǎng)的本體不確定性推理建模仿真

高慧星，楊 蕊

(燕山大學里仁學院，河北 秦皇島 066000)

1 引言

在信息時代的快速發(fā)展進程中，各類信息采集與存儲技術(shù)也隨之迅速發(fā)展，由此帶來數(shù)據(jù)量與類別的增長。在此情形下，語義網(wǎng)應(yīng)運而生，可實現(xiàn)計算機針對網(wǎng)絡(luò)內(nèi)有用信息的自行整合與處理[1-3]。但在語義網(wǎng)的持續(xù)發(fā)展過程中，其持續(xù)發(fā)展的語義服務(wù)與逐漸豐富的關(guān)聯(lián)數(shù)據(jù)均會導致語義網(wǎng)內(nèi)過多不確定性數(shù)據(jù)的產(chǎn)生，增加了語義網(wǎng)應(yīng)用的難度[4-6]。為解決此問題，需針對語義網(wǎng)內(nèi)不確定性數(shù)據(jù)實施表示與推理。

貝葉斯網(wǎng)絡(luò)在不確定性知識推理領(lǐng)域被大量應(yīng)用，它融合了圖論和概率論，能夠?qū)?shù)據(jù)變量間的概率分布及條件獨立性予以呈現(xiàn)，通過模塊化對不確定性知識予以描述，實現(xiàn)概率推理，成為解決不確定性推理問題的關(guān)鍵，適用性強且維護方便[7，8]。模糊貝葉斯網(wǎng)絡(luò)是在貝葉斯網(wǎng)絡(luò)基礎(chǔ)上的擴展，它可實現(xiàn)模糊化與去模糊化處理持續(xù)變量，提升推理精度[9]。

基于以上分析，本文研究一種面向語義網(wǎng)的本體不確定性推理建模方法，通過本體建模原語與本體語言的確定，構(gòu)建包含語義網(wǎng)知識及語義的語義網(wǎng)本體模型，在此基礎(chǔ)上，結(jié)合模糊貝葉斯網(wǎng)絡(luò)與聯(lián)結(jié)樹信念傳播算法構(gòu)建語義網(wǎng)本體不確定性推理模型，實現(xiàn)對語義網(wǎng)本體不確定性的推理，并對推理結(jié)果實施模糊化與去模糊化處理，獲得最終的高精度推理結(jié)果，為語義網(wǎng)的高效應(yīng)用奠定基礎(chǔ)。

2 語義網(wǎng)本體不確定性推理建模方法

2.1 整體框架設(shè)計

針對語義網(wǎng)內(nèi)逐步增長的不確定性數(shù)據(jù)，對其實施有效的推理尤為關(guān)鍵，通過運用本體創(chuàng)建語義網(wǎng)內(nèi)知識與語義模型，并結(jié)合模糊貝葉斯網(wǎng)絡(luò)構(gòu)建基于模糊貝葉斯網(wǎng)絡(luò)的本體不確定性推理模型，對本體實施擴展，實現(xiàn)對語義網(wǎng)內(nèi)不確定性數(shù)據(jù)的直接表示與推理。本體不確定性推理建模整體框架如圖1所示。

圖1 本體不確定性推理建模整體框架

本體不確定性推理建模整體框架重點包括本體解析、本體模型構(gòu)建、推理模型三部分。其中，本體解析部分主要通過Jena API實現(xiàn)，能夠讀取并解析所構(gòu)建的語義網(wǎng)本體，并向數(shù)據(jù)庫內(nèi)儲存解析之后的本體；本體模型構(gòu)建部分主要包括本體建模原語與本體語言的選取，通過二者的確定完成包含語義網(wǎng)知識及語義的本體模型構(gòu)建[10]；推理模型部分是整體框架的關(guān)鍵部分，主要包括模糊貝葉斯網(wǎng)絡(luò)模型創(chuàng)建、聯(lián)結(jié)樹信念傳播算法實現(xiàn)及推理結(jié)果數(shù)據(jù)處理。

2.2 語義網(wǎng)本體模型的構(gòu)建

獲取語義網(wǎng)內(nèi)知識、提供此類知識的共同理解、將語義網(wǎng)內(nèi)共同認可的詞匯確定，同時通過各種層次的形式化模式準確定義此類詞匯間的關(guān)聯(lián)，此即為語義網(wǎng)本體構(gòu)建的目標。構(gòu)建包含語義網(wǎng)知識與語義的語義網(wǎng)本體模型的關(guān)鍵在于本體建模原語與本體語言的確定。

2.2.1 本體建模原語確定

構(gòu)建語義網(wǎng)本體時，所運用的基礎(chǔ)建模原語包括：①概念或者類：語義方面主要是指對象的集合，屬于各種事物的策略、功能及推理過程等抽象；②關(guān)系：主要是指在語義網(wǎng)領(lǐng)域內(nèi)各概念間的相關(guān)關(guān)聯(lián)作用，它與對象元組集相對應(yīng)，從形式上可將其設(shè)定為笛卡爾積子集，即R：A1×A2×…×Am，比如子類關(guān)系等；③函數(shù)：第m個元素的僅有影響元素為前m-1個元素的一種特別關(guān)系即為函數(shù)，可通過形式化實施定義，所定義映射可表示為E=A1×A2×…×Am-1→Am。例如函數(shù)father-of(x，y)所代表的為x屬于y的父節(jié)點；④公理：是指諸如概念Y在概念X的區(qū)間內(nèi)的永真斷言；⑤實例：在語義方面其所指為對象，即元素。以上五個基礎(chǔ)建模原語，為構(gòu)建語義網(wǎng)本體奠定了基礎(chǔ)。

2.2.2 本體語言確定

本文選取OWL(本體描述語言)作為本體語言對語義網(wǎng)本體實施描述，該語言包含DL、Lite及Full三個子語言，均具備逐漸增強的描述性能，能夠在各種領(lǐng)域內(nèi)應(yīng)用。其中OWL DL子語言具備OWL語言的全部構(gòu)造子，能夠以保障可判別性與運算完備性為前提，供應(yīng)描述性能最佳的描述機制，但該子語言應(yīng)在某些特定約束條件下使用；OWL Lite子語言所供應(yīng)的機制包括描述簡單約束特征的機制與描述分類層次的機制；OWL Full子語言所供應(yīng)的描述性能最佳，但其缺陷是無法保障運算的完備性。

2.3 基于模糊貝葉斯網(wǎng)絡(luò)的本體不確定性推理模型

創(chuàng)建模糊貝葉斯網(wǎng)絡(luò)模型，結(jié)合聯(lián)結(jié)樹信念傳播算法針對所構(gòu)建的語義網(wǎng)本體模型內(nèi)不確定性數(shù)據(jù)實施推理，并對推理后的數(shù)據(jù)實施模糊化與去模糊化處理，獲得精確推理結(jié)果。

2.3.1 模糊貝葉斯網(wǎng)絡(luò)

向模糊節(jié)點變量推送貝葉斯網(wǎng)絡(luò)的持續(xù)節(jié)點變量，即為模糊貝葉斯網(wǎng)絡(luò)。設(shè)語義網(wǎng)本體不確定性推理問題以某個有限節(jié)點集表示，即X={x1，x2，…，xm}，通過Xi代表持續(xù)節(jié)點變量xi的全部可能狀態(tài)集。設(shè)某個模糊隨機變量以vi表示，將xi∈X模糊成vi，同時xi的全部狀態(tài)均由vi繼承。那么xi的模糊集合可表示成

(1)

(2)

(3)

式中

(4)

設(shè)V={v1，v2，…，vm}，通過有向弧對V內(nèi)變量的因果關(guān)聯(lián)予以描述，即

L={(vi，vj)|i≠j；i，j=1，2，…，m?V×V}

(5)

運用條件概率描述此種關(guān)聯(lián)的概率

(6)

FBN=(V，L，P)

(7)

2.3.2 模糊概率推理算法

選取聯(lián)結(jié)樹信念傳播算法作為模糊貝葉斯網(wǎng)絡(luò)的模糊概率推理算法，降低模糊貝葉斯網(wǎng)絡(luò)的計算煩瑣性，獲得推理結(jié)果。在該算法內(nèi)，將各個聯(lián)結(jié)樹(團樹)S看作一個節(jié)點，通過此類節(jié)點將消息傳送至周圍節(jié)點。設(shè)團樹S的構(gòu)成為團S1，S2，…，Sk，原始勢能可由各個團因子的乘積獲得。向團β(σ)指定各個σ∈Φ，則Sj的原始勢能可表示為

?j(Sj)=∏σ：β(σ)=jσ

(8)

式中，局部證據(jù)與各節(jié)點的條件概率相對應(yīng)，也就是

P(xi|π(xi))=σxi(xi，π(xi))

(9)

團Sj初始化αi為?i，即

(10)

通過團Sj將其原始團勢能同其周圍全部消息相乘，運算Sj和Si割集以外全部變量之和，同時向Si傳遞所得結(jié)果消息。當周圍全部節(jié)點消息均被團Si節(jié)點接收之后，由團Si節(jié)點向外傳送，此刻通過運算團Si周圍全部消息和其原始勢能的乘積能夠獲得其最后勢能，即

(11)

(12)

(13)

2.3.3 數(shù)據(jù)模糊處理

通過聯(lián)結(jié)樹信念傳播算法實現(xiàn)模糊貝葉斯網(wǎng)絡(luò)的本體不確定性推理后，針對所獲得的推理數(shù)據(jù)實施模糊化與去模糊化處理，提升推理結(jié)果的精確性。

1)節(jié)點變量模糊化處理

(14)

而模糊貝葉斯網(wǎng)絡(luò)的模糊變量vi為此狀態(tài)時的證據(jù)F(vi)為

(15)

2)節(jié)點變量去模糊化處理

通過模糊貝葉斯網(wǎng)絡(luò)實施本體不確定性推理后，可通過以下向量描述模糊變量vi的信任度B(vi)

(16)

式中，模糊變量集V中的證據(jù)集以F表示。

(17)

(18)

3 結(jié)果分析

以某地區(qū)汽車防撞警告系統(tǒng)語義網(wǎng)為例，應(yīng)用本文方法對其實施不確定性建模與推理。該系統(tǒng)是針對交通事故實施預防的一種安全系統(tǒng)，通過其語義網(wǎng)知識創(chuàng)建碰撞警告領(lǐng)域本體。實驗中所用數(shù)據(jù)來自實驗地區(qū)交通運輸部門2019年所公布的汽車駕駛數(shù)據(jù)報告，報告內(nèi)分析了汽車的駕駛環(huán)境與駕駛者的注意力狀態(tài)等變量，實現(xiàn)對此類因素干擾汽車駕駛行為的評估。由其中選取出三種駕駛情景(A、B、C)，三種情景與對應(yīng)的實體狀態(tài)如表1所示。

表1 三種駕駛情景與對應(yīng)實體狀態(tài)

其中，情景A所表示的是一名駕齡較低的新手司機，其在高速公路上行駛時車距較近的駕駛情景；情景B所表示的為一名駕駛技術(shù)高但駕駛狀態(tài)不好的高駕齡司機在高速公路上的駕駛情景；情景C所表示的為一名駕駛技術(shù)好而駕駛狀態(tài)稍差的中等駕齡司機在普通公路上的駕駛情景，且其駕駛中與前車的車距稍近。現(xiàn)運用本文方法對三種實驗駕駛情景實施推理，依據(jù)所得推理結(jié)果檢驗本文方法的推理效果。本文方法推理所得三種駕駛情景的詳細變化情況如圖2所示。

圖2 本文方法推理的三種情景非法駕駛概率變化情況

通過圖2能夠得出，在本文方法的推理中，增長的非法駕駛模糊行為狀態(tài)證據(jù)對非法駕駛行為的影響可在推理結(jié)果中準確顯示，可見，本文方法能夠?qū)崿F(xiàn)對各種情景模糊概率知識的準確推理，具有較高的有效性與可行性。

進一步檢驗本文方法推理結(jié)果在經(jīng)模糊化與去模糊化處理前后的準確性，通過抽樣技術(shù)均勻劃分實驗數(shù)據(jù)為12組，通過本文方法依次對12組實驗數(shù)據(jù)實施推理，獲取到各組實驗數(shù)據(jù)的推理結(jié)果，對結(jié)果實施模糊化與去模糊化處理后，統(tǒng)計并對比每組數(shù)據(jù)推理結(jié)果處理前后的準確度，統(tǒng)計與對比結(jié)果如圖3所示。

圖3 模糊處理前后推理結(jié)果準確度對比

由圖3能夠得出，通過對所得推理結(jié)果實施模糊化與去模糊化處理之后，12組數(shù)據(jù)推理結(jié)果的平均準確度可達到94.03%，相比處理前的平均準確度提高了3.67%，由此可見，對推理結(jié)果實施模糊化與去模糊化處理，能夠顯著提升每組數(shù)據(jù)最終推理結(jié)果的精度，提高整體推理結(jié)果的可靠性與價值度。

4 結(jié)論

語義網(wǎng)應(yīng)用中所面臨的關(guān)鍵問題即為語義服務(wù)與關(guān)聯(lián)數(shù)據(jù)過多所導致的語義網(wǎng)內(nèi)出現(xiàn)大量的不確定性數(shù)據(jù)，無形中提升了語義網(wǎng)的實際應(yīng)用難度，為此，本文針對一種面向語義網(wǎng)的本體不確定性推理建模仿真方法展開研究，通過結(jié)合基礎(chǔ)建模原語與OWL本體語言，構(gòu)建包含語義網(wǎng)知識與語義的本體模型，對所構(gòu)建本體模型實施讀取與解析后儲存至數(shù)據(jù)庫內(nèi)，構(gòu)建模糊貝葉斯網(wǎng)絡(luò)模型，以聯(lián)結(jié)樹信念傳播算法作為所構(gòu)建模糊貝葉斯網(wǎng)絡(luò)的模糊概率推理算法，針對所構(gòu)建的語義網(wǎng)本體模型內(nèi)的不確定性數(shù)據(jù)實施推理，同時模糊化與去模糊化處理推理后數(shù)據(jù)，獲得最終的精確推理結(jié)果。

將本文方法應(yīng)用于某地區(qū)汽車防撞警告系統(tǒng)語義網(wǎng)內(nèi)，實際應(yīng)用結(jié)果表明，本文方法可將增長的非法駕駛模糊狀態(tài)證據(jù)對非法駕駛行為的影響顯示在推理結(jié)果中，并能夠?qū)崿F(xiàn)對各種情景模糊概率知識的推理，具有較高的有效性與可行性，另外，本文方法結(jié)合的模糊化與去模糊化處理，可明顯提升最終推理結(jié)果的精度，令整體推理結(jié)果更具可信度與應(yīng)用價值。