Статья

Название статьи МОДЕЛЬ ФИЛЬТРА ЗНАНИЙ ДЛЯ ЗАДАЧ СЕМАНТИЧЕСКОЙ ИДЕНТИФИКАЦИИ
Автор Ю. А. Кравченко
Рубрика РАЗДЕЛ IV. АНАЛИЗ ДАННЫХ И УПРАВЛЕНИЕ ЗНАНИЯМИ
Месяц, год 04, 2018
Индекс УДК 004.89
DOI
Аннотация Данная статья посвящена решению проблемы построения абстрактных универсальных моделей интеллектуального накопления и обработки знаний с формализацией семантики поиска и принятия решений при обработке знаний. Особое место в решении данной задачи играет процесс снижения уровня информационной неопределенности в информационных потоках, сопровождающих процесс накопления знаний, а также использование адекватных средств анализа полученной информации для выполнения необходимых процедур оптимизации, прогнозирования и обоснования целесообразности полученных результатов. Конкретным научным результатом стала агентная модель фильтра знаний, решающего задачи семантической идентификации ключевой информации и обработки гетерогенных ресурсов знаний на основе использования онтологических структур. Применение процедуры семантической идентификации как инструмента классификационного анализа знаний требует, прежде всего, выяснения родовых понятий, которые будут служить идентификаторами при выделении соответствующих лексико-семантических групп терминов. Элементы знания в сетевых ресурсах обезличены, что приводит к десемантизации – приписывании термину смысла, которого у него не было, и далее использование этого термина в новом смысле, при одновременном попирании смысла старого. При этом возникает проблема семантической идентификации, которая требует сложного и длительного обучения лингвистическим особенностям обрабатываемого источника для отображения смысла и построения системы отношений на множестве элементов знания. Решение проблемы смысловой неоднозначности потребовало развития онтологических методов поиска взаимно однозначного соответствия тождественного, подобного и похожего.

Скачать в PDF

Ключевые слова Семантические модели; поиск и обработка знаний; агентные модели; фильтр знаний; семантическая идентификация; онтологические структуры.
Библиографический список 1. Lutsan M.V., Nuzhnov E.V., Kureichik V.V. Self-learning of the containers service coordinator agent in multi-agent automation environment of transit cargo terminal // Advances in Intelligent Systems and Computing. – 2015. – Vol. 347. – P. 109-117.
2. Amerland D. Google Semantic Search: Search Engine Optimization (SEO) Techniques That Gets Your Company More Traffic, Increases Brand Impact and Amplifies Your Online Presence. – Que Publishing, 2013. – 230 p.
3. Bova V.V., Kravchenko Y.A., Kureichik V.V. Decision Support Systems for Knowledge Management // Software Engineering in Intelligent Systems. Proceedings of the 4th Computer Science On-line Conference 2015 (CSOC2015). Vol. 3. – Springer International Publishing AG Switzerland, 2015. – P. 123-130.
4. Bova V.V., Kravchenko Y.A., Kureichik V.V. Development of Distributed Information Systems: Ontological Approach // Software Engineering in Intelligent Systems. Proceedings of the 4th Computer Science On-line Conference 2015 (CSOC2015). Vol. 3. – Springer International Publishing AG Switzerland, 2015. – P. 113-122.
5. Kravchenko Y.A., Kureichik V.V. Knowledge management based on multi-agent simulation in informational systems // Conference proceedings. 8th IEEE International Conference “Application of Information and Communication Technologies – AICT 2014”. – 15-17 October 2014, Astana, Kazakhstan. – P. 264-267.
6. Gladkov L.A., Gladkova N.V., Legebokov A.A. Organization of knowledge management based on hybrid intelligent methods // Advances in Intelligent Systems and Computing. – 2015.
– Vol. 349. – P. 107-112.
7. Kerschberg L., Jeong H., Kim W. Emergent Semantic in Knowledge Sifter: An Evolutionary Search Agent based on Semantic Web Services. In: Spaccapietra, S., Aberer, K., Cudre-Mauroux, P. (eds.) // Journal on Data Semantic VI. LNCS. – 2006. – Vol. 4090. – P. 187-209.
8. Курейчик В.М., Курейчик В.В. Эволюционные, синергетические и гомеостатические стратегии в искусственном интеллекте: состояние и перспективы // Новости искусственного интеллекта. – 2000. – № 3. – С. 39-67.
9. Eberhart RC, Shi Y. Particle swarm optimization: developments, applications and resources // In Proceedings of the IEEE Congress on Evolutionary Computation (CEC), Seoul, Korea, 2001.
10. Бова В.В., Курейчик В.В. Интегрированная подсистема гибридного и комбинированного поиска в задачах проектирования и управления // Известия ЮФУ. Технические науки.
– 2010. – № 12 (113). – С. 37-43.
11. Запорожец Д.Ю., Курейчик В.В. Гибридный алгоритм решения задач транспортного типа // Известия ЮФУ. Технические науки. – 2013. – № 7 (144). – С. 80-85.
12. Hu X., Shi Y., Eberhart R.C. Recent Advences in Particle Swarm // In Proceedings of Congress on evolutionary Computation (CEC), Portland, Oregon, 2004. – P. 90-97.
13. Гладков Л.А., Курейчик В.М., Курейчик В.В. Генетические алгоритмы. – М.: Физматлит, 2006. – 320 с.
14. Zaporozhets D.U., Zaruba D.V. and Kureichik V.V. Representation of solutions in genetic VLSI placement algorithms // IEEE East-West Design & Test Symposium – (EWDTS’2014) Kiev, Ukraine, 2014. – P. 1-4.
15. Sousa T., Silva A., Neves A. Particle Swarm based Data Mining Algorithms for classification tasks // Parallel Computing. – 2004. – Vol. 30, Issues 5-6. – P. 767-783.
16. Курейчик В.В., Родзин С.И. О правилах представления решений в эволюционных алгоритмах // Известия ЮФУ. Технические науки. – 2010. – № 7 (108). – С. 13-21.
17. Запорожец Д.Ю., Кудаев А.Ю., Лежебоков А.А. Многоуровневый алгоритм решения задачи параметрической оптимизации на основе биоинспирированных эвристик // Известия Кабардино-Балкарского научного центра РАН. – 2013. – № 4 (54). – С. 21-28.
18. Курейчик В.М. Особенности построения систем поддержки принятия решений // Известия ЮФУ. Технические науки. – 2012. – № 7 (132). – С. 92-98.
19. Курейчик В.М., Кажаров А.А. Использование шаблонных решений в муравьиных алгоритмах // Известия ЮФУ. Технические науки. – 2013. – № 7 (144). – С. 11-17.
20. Gladkov L.A., Kravchenko Y.A., Kureichik V.V. Evolutionary Algorithm for Extremal Subsets Comprehension in Graphs // World Applied Sciences Journal. – 2013. – Vol. 27 (9). – P. 1212-1217.

Comments are closed.