СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Работа содержит описание контролируемого естественного языка, предназначенного для работы с онтологиями. Благодаря формализованному определению понятийной структуры предметной сферы в онтологии становится возможной машинная обработка онтологических сведений, применяемая в новых поисковиках, системах информационной интеграции, экспертных системах.

Приводится краткий анализ аналогов, а также обоснование необходимости разработки специализированного языка. Систематизированы требования, предъявляемые к языку с учетом области применения. Описано позиционирование разрабатываемого языка по отношению к другим представителям группы онтологических языков. В настоящей работе предлагается один из возможных вариантов контролируемого языка, изначально ориентированный на русскоязычного пользователя. Однако, как показала практика, мультиязычный вариант представления оказался возможным и весьма полезным для целей профессионального обучения в связи с тем, что структура многих языков может быть представлена достаточно единообразно. Поскольку контролируемый естественный язык является подмножеством естественного языка, он не противоречит синтаксическим правилам русского языка, а также его лексемы семантически соответствуют. В свою очередь, естественный язык является более выразительным и сложным. При этом контролируемый естественный язык должен однозначно отображаться в стандартный язык представления онтологий OWL. Язык OWL базируется на дескриптивной логике (DL), ввиду этого достигается трехстороннее соответствие языков.

Дано описание структуры, синтаксиса и грамматики языка,представление дескриптивной логики и правил в конструкциях языка. Приведены примеры представления знаний в описываемом формате в сравнении с аналогами. Описано использование контролируемого естественного языка для составления повествования с поддержкой онтологического формата. В рамках разработки языка некоторые конструкции были упрощены относительно англоязычного аналога, а также адаптированы к специфике русского языка.

Эффективность процесса управления знаниями напрямую зависит от формы их представления. Широкое распространение онтологий в целях организации контента открывает новые возможности для работы с семантикой, заключенной в текстах. Контролируемый естественный язык является двунаправленным, воспринимаемымкак человеком,так и машиной логического вывода. Его использование позволит найти более широкое применение онтологиям, а также снизить порог входа для работы с ними.

1. Safwat H., Davis B., Zarrouk M. Engineering an aligned gold-standard corpus of human to machine oriented Controlled Natural Language // 2018 IEEE/WIC/ACM International Conference on Web Intelligence (WI). – Santiago, Chile, 2018. – P. 421–427. – DOI: 10.1109/WI.2018.00-58.

2. Kuhn T. Controlled English for knowledge representation: Doctoral thesis / Faculty of Economics, Business Administration and Information Technology of the University of Zurich. – Zurich, 2010. – 242 p.

3. Weichbroth P. Fluent editor and Controlled Natural Language in ontology development // International Journal on Artificial Intelligence Tools. – 2019. – Vol. 28, N 4. – P. 243.

4. Милов Ю.П. О стандарте сетевого русского языка, или Да здравствует КРЯ! // Информационные ресурсы России. – 2016. – № 3. – С. 40–41.

5. Toti D., Longhi A. SEMANTO: a graphical ontology management system for knowledge discovery // Journal of Ambient Intelligence and Humanized Computing. – 2018. – Vol. 9, N 4. – P. 1075–1084.

6. Хабаров В.И., Волегжанина И.С. Цифровые трансформации в профессиональном образовании (на примере подготовки кадров транспорта): монография. – М.: Русайнс, 2018. – 210 с.

7. Тузовский А.Ф., Чириков С.В., Ямпольский В.З. Системы управления знаниями (методы и технологии) / под общ. ред. В.З. Ямпольского. – Томск: Изд-во НТЛ, 2005. – 258 с.

8. W3C OWL Working Group. Web Ontology Language [Electronic resource]. – URL: https://www.w3.org/TR/owl2-overview/ (accessed: 13.12.2019).

9.      Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем: учебное пособие. – СПб.: Питер, 2000. – 382 с.

10.    Минский М. Фреймы для представления знаний. – М.: Мир, 1979. – 151 с.

11.    Методы представления знаний: методические указания / сост. И.Л. Коробова. – Тамбов: Изд-во Тамбов. гос. технол. ун-та, 2003. – 24 с.

12.    Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – 4-е изд. – М.: Вильямс, 2005. – 283 с.

13. Hitzler P., Parsia B. Ontologies and rules // Handbook on ontologies / S. Staab, R. Studer (eds.). – Berlin: Springer, 2009. – P. 111–132.

14. Hu X., Dang D. Natural language aggregate query over RDF data / X. Hu, D. Dang, Y. Yao, L. Ye // Information Sciences. – 2018. – Vol. 454–455. – P. 363–381.