ГИБРИДНЫЙ БИОИНСПИРИРОВАННЫЙ АЛГОРИТМ ОТОБРАЖЕНИЯ ОНТОЛОГИЙ В ЗАДАЧАХ ИЗВЛЕЧЕНИЯ И УПРАВЛЕНИЯ ЗНАНИЯМИ
Аннотация
Статья посвящена решению задачи отображения онтологических моделей в процес-
сах извлечения и управления знаниями. Актуальность и значимость данной задачи обуслов-
лены необходимостью сохранения достоверности и исключения избыточности знаний при
интеграции (объединении) структурированных информационных источников различного
происхождения. Близость и непротиворечивость понятийной семантики объединенного
ресурса при проводимом отображении является основным критерием эффективности
предложенных решений. В статье рассмотрены проблемы выбора соответствующих за-
даче подходов решения, сохраняющих семантику при отображении концептов. Обоснована
стратегия выбора биоинспирированного моделирования. Проанализированы аспекты эф-
фективности применения различных децентрализованных биоинспирированных методов.
Определены причины необходимости проведения гибридизации. Предложено решать зада-
чу отображения онтологических моделей с применением биоинспирированного алгоритма,
построенного на основе гибридизации оптимизационных механизмов алгоритмов бактери-
ального и кукушкиного поиска. Проведенная гибридизация данных алгоритмов позволила
объединить их основные преимущества: последовательный бактериальный поиск, обеспечивающий детальное исследование локальных областей, и значительное число глобальных
перемещений агента-кукушки при реализации полетов Леви. Для оценки эффективности
предложенного гибридного биоинспирированного алгоритма разработан программный
продукт и проведены эксперименты по отображению онтологий разного размера. Каж-
дый концепт любой онтологии имеет определенный набор атрибутов, являющийся семан-
тическим вектором признаков. Степень сходства семантических векторов сравниваемых
концептов отображаемых онтологий является критерием их интеграции. Для повышения
качества процесса отображения введена новая кодировка решений. Полученные количест-
венные оценки демонстрируют экономию времени при решении задач относительно боль-
шой размерности (от 500000 вершин онтографа) не менее 13 %. Временная сложность
разработанного гибридного алгоритма составляет Описанные исследования имеют
высокий уровень теоретической и практической значимости и напрямую связаны с реше-
нием классических задач искусственного интеллекта, направленных на поиск скрытых за-
висимостей и закономерностей на множестве элементов знаний.
Литература
Systems Association World Congress, 2016, Vol. 1, pp. 496-502.
2. Castano S., Ferrara A., Montanelli S., Racca G. Semantic information interoperability in open
networked systems, Proc. оf the Int. Conf. SNW. Paris, 2004, pp. 215-230.
3. Kravchenko Yu.A., Kursitys I.O., Markov V.V. Bioinspired Algorithm for Acquiring New
Knowledge based on Information Resource Classification, 2019 International Russian Automation
Conference (RusAutoCon).
4. Haase P., Siebes R., Harmelen F. Peer selection in peerto-peer networks with semantic topologies,
Proc. оf Int. Conf. on Semantics in a Networked World. Paris, 2004, pp. 108125.
5. Maedche A., Zacharias V. Clustering ontology-based metadata in the Semantic Web, Proc. 6th
European PKDD Conf. LNCS. Berlin: Springer, 2002, Vol. 2431, pp. 348-360.
6. Abraham A., Grosan G., Ramos V. Swarm Intelligence in Data Mining. Berlin. Heidelberg:
SpringerVerlag, 2006, 267 p.
7. Sousa T., Silva A., Neves A. Particle Swarm based Data Mining Algorithms for classification
tasks, Parallel Computing, 2004, Vol. 30, Issue 5–6, pp. 767-783.
8. Parsopoulos K.E., Vrahatis M.N. Recent Approaches to Global Optimization Problems
Through Particle Swarm Optimization, Natural Computing, 2002, No. 1 (2–3), pp. 235-306.
9. Kravchenko Yu.A., Kravchenko D.Y., Kursitys I.O. Architecture and method of integrating
information and knowledge on the basis of the ontological structure, Advances in Intelligent
Systems and Computing. 1st International Conference of Artificial Intelligence, Medical Engineering,
and Education, AIMEE 2017. Moscow, 2018, Vol. 658, pp. 93-103.
10. Kravchenko Yu.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, pp. 264-267.
11. Arijit S.D., Sambarta B., Abraham D.A. Bacterial Foraging Optimization Algorithm: Theoretical
Foundations, Analysis, and Applications, Foundations of Computational Intelligence.
Springer, 2009, Vol. 3, pp. 23-55.
12. Payne R.B., Sorenson M.D., and Klitz K. The Cuckoos. Oxford University Press, 2005.
13. Kravchenko Yu.A., Kuliev E.V., Kulieva N.V., Kureichik V.V. Problem-oriented knowledge
processing on the basis of hybrid approach, Information technologies in science. Management,
Social Sphere and Medicine (ITSMSSM 2016), pp. 510-513.
14. Martens D., De Backer M., Haesen R., Vanthienen J., Snoeck M. and Baesens B. Classification
With Ant Colony Optimization, IEEE Transactions on Evolutionary Computation, 2007,
Vol. 11, No. 5, pp. 651-665.
15. Falco I.D., Cioppa A.D., and Tarantino E. Evaluation of particle swarm optimization effectiveness
in classification, LNAI3849, 2006, pp. 164-171.
16. Soliman O.S. and Adly A. Bio-inspired algorithm for classification association rules, 8th International
Conference on Informatics and Systems (INFOS), Cairo, 2012, pp. 154-160.
17. Bova V., Zaporozhets D., and Kureichik V. Integration and processing of problem-oriented
knowledge based on evolutionary procedures, Advances in Intelligent Systems and Computing,
2016, Vol. 450, pp. 239-249.
18. Semenova A.V. and Kureichik V.M. Ensemble of classifiers for ontology enrichment, Journal
of Physics: Conference Series, 2018, Vol. 1015, Issue 3, article id. 032123.
19. Kureychik V.M. Overview and problem state of ontology models development, 9th International
Conference on Application of Information and Communication Technologies, AICT
2015 - Proceedings 9, 2015, pp. 558-564.
20. Semenova A.V. and Kureychik V.M. Application of swarm intelligence for domain ontology
alignment, Proceedings of the First International Scientific Conference “Intelligent Information
Technologies for Industry” (IITI’16), 2016, Vol. 1, pp. 261-270.
21. Bova V., Kureichik V. and Zaruba D. Heuristic approach to model of corporate knowledge
construction in information and analytical systems, 2016 IEEE 10th International Conference
on Application of Information and Communication Technologies (AICT), Baku, 2016, pp. 1-5.
22. Kureichik V., Zaporozhets D., and Zaruba D. Generation of bioinspired search procedures for
optimization problems, Application of Information and Communication Technologies, AICT
2016 - Conference Proceedings, 2016, Vol. 10.
23. Kar A.K. Bio inspired computing – A review of algorithms and scope of applications, Expert
Systems with Applications, 2016, Vol. 59, pp. 20-32.
24. Zaporozhets D., Zaruba D., and Kulieva N. Parallel approach for bioinspired algorithms, Journal
of Physics: Conference Series Ser. “International Conference Information Technologies in
Business and Industry 2018 - Enterprise Information Systems”, 2018.
25. Bova V.V., Nuzhnov E.V., Kureichik V.V. The combined method of semantic similarity estimation
of problem oriented knowledge on the basis of evolutionary procedures, Advances in Intelligent
Systems and Computing, 2017, Vol. 573, pp. 74-83.
