BOOSTING OF BIOINSPIRED ALGORITHMS FOR SOLVING PROBLEM OF DATA INTEGRATION
Abstract
Currently, the integration of data is an actual problem. Data integration can be presented at
various levels. The existing methods for solving the problem of data integration are quite complex
and still far from solving the problem of semantics. Analysis of the methods shows that when solving
the problem of heterogeneity at the semantic level, methods are used which were based on the use of
a single ontology of the upper level. Due to the fact that data in information systems usually represent
information objects that model some parts of the domain, which in turn has its own ontology, in order
to solve the problem of semantic heterogeneity of data, it is necessary to conform to the concepts of
subject domains of interaction objects. In this case, the coordinated semantics of the subject area can
be built interaction of information systems. The paper considers the semantic level at which data is
analyzed in terms of their semantic properties, as well as in the aspect of a unified ontology. To resolve
this class of problems, it is proposed to use evolutionary and, in particular, bioinspired algorithms.
The paper proposes to use boosting, the idea of which is to apply several algorithms sequentially.
The process of integration of information systems is reduced to solving the problem of estimating
the semantic proximity of objects of inhomogeneous ontologies, based on a hybrid measure of
similarity, including attribute, taxonomic and relational. The structure of boosting bioinspired algorithms
for searching for concepts and evaluating their semantic proximity is proposed. It is proposed
to use the dynamic probability of choosing algorithms based on the results obtained.
References
для семантического поиска // Матер. II научно-практической конференции студентов,
аспирантов и молодых ученых. – Донецк: ДонНТУ, 2011. – С. 244−248.
2. Вагин В.Н., Михайлов И.С. Разработка метода интеграции информационных систем на
основе метамоделирования и онтологии предметной области // Программные продукты
и системы. – 2008. – С. 22-26.
3. Курейчик В.В., Курейчик Вл.Вл. Биоиспирированный поиск при проектировании и
управлении // Известия ЮФУ. Технические науки. – 2012. – № 11 (136). – С. 178-183.
4. Родзин С.И., Курейчик В.В. Теоретические вопросы и современные проблемы развития
когнитивных биоинспирированных алгоритмов оптимизации // Кибернетика и програм-
мирование. – 2017. – № 3. – С. 51-79.
5. Тузовский А.Ф. Работа с онтологиями в системе управления знаниями организации // Сб.
тезисов докладов второй международной конференция по когнитивной науке CogSci-
2006. – СПб.: СПбГУ, 2006. – Т. 2. – C. 581-583.
6. Батоврин В.К., Когаловский М.Р., Королев А.С., Петров А.Б. Разработка понятийной
схемы (онтологии) для обеспечения единой семантики в среде открытой системы инте-
грации разнородных данных // Телематика-2006: Матер. Всероссийской научно-
методической конференции. – СПб.: Изд-во СПбГУ, 2006. – С. 90-91.
7. Тузовский, А.Ф., Козлов С.В. Работа с онтологиями в системе управления знаниями ор-
ганизации // Сб. тезисов докладов второй международной конференция по когнитивной
науке CogSci-2006 – Санкт-Петербург, 9−13 июня 2006. – СПб.: СПбГУ, 2006. – Т. 2.
– C. 581-583.
8. Тузовский А.Ф. Онтолого-семантические модели в корпоративных системах управления
знаниями: дисс. … д-ра техн. наук. – Томск: Томский политехнический университет,
2007.
9. Скворцов Н.А. Вопросы согласования неоднородных онтологических моделей и онтологи-
ческих контекстов // Онтологическое моделирование. – M.: ИПИ РАН, 2008. – С. 149-166.
10. Курейчик В.В., Курейчик В.М., Сороколетов П.В. Анализ и обзор моделей эволюции //
Известия РАН. Теория и системы управления. – 2007. – № 5. – С. 114-126.
11. Родзин С.И., Курейчик В.В. Состояние, проблемы и перспективы развития биоэвристик
// Программные системы и вычислительные методы. – 2016. – № 2. – С. 158-172.
12. Зайцев А.А., Курейчик В.В., Полупанов А.А. Обзор эволюционных методов оптимизации
на основе роевого интеллекта // Известия ЮФУ. Технические науки. – 2010. – № 12
(113). –С. 7-12.
13. Mayr A., Binder H., Gefeller O., Schmid M. The Evolution of Boosting Algorithms –
From Machine Learning to Statistical Modelling // Methods Inf. Med. – 2014. – Vol. 53.
– P. 419-427.
14. Freund Y. and Schapire R. Experiments with a new boosting algorithm // In Thirteenth International
Conference on Machine Learning. Bari, Italy, 1996. – P. 148-156.
15. Freund Y. and Schapire R. A decision-theoretic generali zation of on-line learning and an application
to boosting // Journal of Computer and System Sciences. – 1997. – Vol. 55 (1).
– P. 119-139.
16. Курейчик В.М., Курейчик В.В., Родзин С.И. Модели параллелизма эволюционных вы-
числений // Вестник Ростовского государственного университета путей сообщения.
– 2011. – № 3 (43). – С. 93-97.
17. Noy N., Musen M. The PROMPT Suite: Interactive Tools For Ontology Merging And Mapping.
– Stanford Medical Informatics, Stanford University, 2003.
18. Ehrig, Marc and Staab, Steffen QOM – Quick Ontology Mapping. in S.A. McIlraith et al.
(Eds.): ISWC 2004, LNCS 3298. – 2004. – Р. 683-697.
19. Курейчик В.М., Курейчик В.В., Родзин С.И., Гладков Л.А. Основы теории эволюционных
вычислений. – Ростов-на-Дону: ЮФУ, 2010. – 222 c.
20. Курейчик В.В., Бова В.В., Курейчик Вл.Вл. Комбинированный поиск при проектировании
// Образовательные ресурсы и технологии. – 2014. – № 2 (5). – С. 90-94.
