混合式模糊本體推理機框架設(shè)計

董美霞，李冠宇，李海燕

（大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連116026）

0 引 言

語義網(wǎng)中的知識結(jié)構(gòu)通常以本體作為表現(xiàn)形式，而本體的性質(zhì)是 “概念的集合”，其中模糊本體是客觀事件的本質(zhì)屬性在人腦中的反映［1］，例如人的 “高、矮、胖、瘦”等都是模糊概念，是沒有確切的標準可以衡量的，這就要求我們通過對模糊本體進行推理，明確概念描述的程度。

本文首先介紹了模糊本體的有關(guān)知識，如模糊本體的表示方式、模糊規(guī)則語言，模糊推理機等，針對當前沒有一種高效的模糊本體推理機的局限性，提出設(shè)計了一種混合式模糊本體推理機框架，通過將Pellet與fuzzyDL結(jié)合，同時利用通用規(guī)則推理機Jena的外部連接優(yōu)勢，實現(xiàn)了模糊本體的推理服務(wù)，使推理結(jié)果更加準確高效。

1 相關(guān)概念介紹

1.1 模糊本體

在語義網(wǎng)中，本體是共享概念模型的形式化規(guī)范說明［2］，而模糊本體可以用一個五元組F＝＜I，C，T，N，X＞［3］表示，其中：I是個體的集合，也被叫做概念實例。C是模糊概念集合 （或者是OWL中的類，個體、類別、類型），每一個概念是基于實例領(lǐng)域的模糊集。

模糊本體的整個集合被定義成E＝C∪I。

T表示集合C中的模糊分類關(guān)系，它把概念組織到子概念的樹狀結(jié)構(gòu)中，其中分類關(guān)系T（i，j）表明子類j是帶有某個度的父類i的概念分類。

N表示連通整個樹形結(jié)構(gòu)的未分類的模糊組合關(guān)系集。例如：

命名關(guān)系，描述概念名字；

定位關(guān)系，描述概念的關(guān)系定位；

函數(shù)關(guān)系，描述概念的函數(shù)或是屬性；

X是公理集通過一種合理的邏輯語言被表達。

模糊本體融合了模糊集理論和模糊描述邏輯理論，能夠很好的表達模糊概念間的語義關(guān)系和關(guān)聯(lián)程度。

1.2 知識推理

知識表示是一組描述知識對象的語法和語義的約定。當前的知識表示方法主要有以下幾種：一階邏輯、產(chǎn)生式系統(tǒng)、模糊推理、單調(diào)推理、次協(xié)調(diào)推理、信念推理、基于案例的推理。

在知識推理方法中主要用到基于規(guī)則和基于謂詞邏輯兩種。基于謂詞邏輯的推理是確定性推理，這是指推理中所用到的證據(jù)是確定的，推理所用的規(guī)則是確定的，推出的結(jié)論也是確定的。在現(xiàn)實世界，不管是在自然界還是在人們的認識中往往存在著不確定的因素，這是由于人們對信息的掌握不夠完善和精確，或者說對知識的掌握具有不確定性［4］。這就要求人們在進行推理、解決問題時要考慮這種不確定的因素，盡量做到符合客觀實際。

1.3 模糊描述邏輯

描述邏輯 （description logic，DL）又稱為術(shù)語邏輯（terminological logic）或是KL－ONE系統(tǒng)。它有2個重要的元素：概念和角色 （關(guān)系）。由于它無法應(yīng)用于模糊概念所涉及的領(lǐng)域。為了表示模糊概念，必須擴展描述邏輯，使之表達能力更強。

模糊描述邏輯［5－6］（fuzzy description logics）把概念和角色分別解釋為模糊概念集合 （模糊個體集合）和模糊關(guān)系集合 （模糊個體對集合）。這樣用模糊描述邏輯表達的模糊本體就有能力處理模糊知識。不過模糊概念集合和模糊關(guān)系集合都使用了成員函數(shù)來為它的元素給出隸屬度。例如：李四的身高是180cm，張三的身高是175cm。他們屬于 “高個子人”，這個概念的隸屬度分別為0.9和0.8。

由此可見，模糊描述邏輯的提出為模糊本體的表達與知識推理奠定了理論基礎(chǔ)和理論根源。

1.4 模糊規(guī)則語言

在知識推理中知識庫主要由規(guī)則庫和事實庫組成。模糊本體進行推理時通過將事實與規(guī)則進行匹配實現(xiàn)模糊推理。其中的規(guī)則庫是由特定的規(guī)則語言進行描述，這里的規(guī)則語言主要是 RuleML［7］規(guī)則和SWRL［8－9］規(guī)則語言。

SWRL是融合了OWL和RuleML的規(guī)則語言，它可以很好的跟本體結(jié)合進行推理服務(wù)［10］。然而SWRL不能提供任何方式處理不精確性和不一致性信息。f－SWRL是SWRL的一個擴展［11］，它是基于SWRL規(guī)則語言并且使用SWRL強大的語義基礎(chǔ)作為它的形式支撐。在f－SWRL里，模糊個體公理包括一個模糊隸屬度 （它的取值在0到1之間），在該范圍內(nèi)我們能夠斷言一個個體是否屬于該實例（屬性），在f－SWRL的原子里包括一個權(quán)值 （它的取值在0到1之間）它代表在該規(guī)則里原子的 “重要性”。例如下面的模糊規(guī)則斷言：判斷一個人是否是幸福要看他的健康狀況與他所擁有的財富的比重：Rich（？p）＊0.5Healthy（？p）＊0.9－＞Happy（？p）。

上面的規(guī)則定義中Rich，Healthy和Happy是類名，0.5和0.9分別是Rich（？p）和Healthy（？p）的權(quán)值。

1.5 推理判定算法

推理判定算法是一種證明在一系列假設(shè)中隱含結(jié)論的系統(tǒng)化方法。推理機實現(xiàn)推理主要是依賴于內(nèi)部的推理算法，而一個高效的推理算法能提高推理機的推理效率，當前主流的推理算法主要有Tableau算法［12］和Rete算法。

Tableau算法被廣泛用于各種描述邏輯中以判定概念的可滿足性或概念間的包含關(guān)系。其中Pellet推理機內(nèi)部就是用Tableau算法進行本體的不一致性檢測。

定義1 設(shè)D是一個ALC概念 （D是否定范式），C為所有可能概念的集合，RD是出現(xiàn)在D中的角色集合，RD＝ ｛R｜R出現(xiàn)在D中｝。定義D的ALCTableau為一個三元組 （S，L，ε）：

S：個體的集合；

L：S→C將S中的個體映射為C中的概念；

RD→2S×S：將RD中的角色映射為一個體對的集合，同時要求存在某個個體s∈S使得D∈L（s）可以很輕松地通過Tableau構(gòu)造模型，或通過模型構(gòu)造Tableau。

Rete算法是效率較高的用空間換取時間的正向鏈推理算法，其中推理機Jena和Drools內(nèi)部用到的則是推理效率較高的Rete算法［13］。它通過一個Rete算法的模式匹配來提高推理效率。

2 當前主流模糊本體推理機分析

目前的主流推理機主要是對精確本體的推理，而對于模糊本體的推理還在起步發(fā)展階段，由于信息的表現(xiàn)形式各不相同，一個好的推理機應(yīng)該能處理各種可能的信息。下面對當前處理模糊本體的推理機簡單概述如下：

2.1 Jena推理機

Jena推理機是HP實驗室開發(fā)的開源資源，它可以實現(xiàn)對OWL最簡單子集OWL Lite的不確定信息推理，目前的Jena2［14］是Jena的第二個版本，它主要是對RDFS和OWL語言進行推理，允許從實例數(shù)據(jù)和類描述中推斷出額外的事實。

Jena推理機包括一個基于推理引擎的產(chǎn)生式規(guī)則，它允許一系列推理引擎插入Jena，這樣的引擎被用來獲取額外的rdf斷言。

Jena推理機內(nèi)部包括一些定義好的推理機，如RDF規(guī)則推理機、DAMLmicro推理機、傳遞推理機和通用推理機等，其中通用推理機支持用戶自定義規(guī)則，用戶可以根據(jù)自身推理需要定義自己的規(guī)則。

Jena推理機的規(guī)則定義：

Rule：＝ bare－rule.

or［bare－rule］

or［ruleName：bare－rule］

其中bare－rule可以有forward rule和backward rule兩種形式。

2.2 Jess規(guī)則引擎

Jess是基于Java平臺的規(guī)則引擎，它為規(guī)則的創(chuàng)建提供一個豐富靈活的推理環(huán)境，它是Sandia國家實驗室的Ernest Friedman－Hill開發(fā)的，被稱為 “專家系統(tǒng)外殼”。

Jess推理引擎利用目前一種主流的推理算法Rete算法進行模式匹配，通過模式匹配語言對事實進行操作，它的規(guī)則表達形式沿用了CLIPS的語法結(jié)構(gòu)通過對推理模式中的前件和后件進行限定，豐富了模式匹配語言，使得Jess有了強大的知識表示能力。

雖然Jess規(guī)則引擎擁有如此的推理能力，但是Jess推理機中的事實和規(guī)則卻不能捕獲領(lǐng)域本體中的不確定性和不精確性，F(xiàn)uzzyJess的提出實現(xiàn)了Jess的模糊擴展，它集成了FuzzyJ Toolkit和Jess，同時允許我們使用Jess的FuzzyJ Toolkit去定義模糊概念和利用這些概念創(chuàng)建模糊規(guī)則，F(xiàn)uzzyJ Toolkit本身就是一個模糊專家系統(tǒng)外殼，但是它只支持模糊前件和模糊后件的推理方式，通過將它與Jess結(jié)合，形成功能強大的專家系統(tǒng)外殼FuzzyJess，目前的FuzzyJess不但擁有Jess的強大功能，而且能表達精確事實、模糊事實同時執(zhí)行模糊推理。

2.3 Pellet推理機

Pellet推理機是一種可靠完備的基于描述邏輯表的DL推理機，它是用Java語言實現(xiàn)的能夠支持枚舉類型和表算法。

Pellet推理機的核心算法是內(nèi)部的描述邏輯表Tableau算法，該算法能檢查知識的一致性。2008年7月11日MINDSWAP研究室將Pellet的功能進行了擴展，設(shè)計了Pronto插件，它能夠在OWL本體語言中推理概率性知識。Pronto為知識庫中的不確定性知識提供了核心的OWL推理服務(wù)，它依賴于Pellet1.5.2而存在。Pronto擴展了Pellet部分功能，描述如下：①增加了OWL本體中的概率陳述；②從概率本體中推理出新的概率描述；③對概率推理的結(jié)果進行解釋。

下面對幾種常用本體推理機進行比較如表1所示。

3 模糊本體的知識推理設(shè)計

在本體推理機中，主要以基于描述邏輯和基于規(guī)則兩種推理機為主。其中描述邏輯的推理主要是基于知識庫KB（TBox，ABox）而言，在知識庫中TBox實現(xiàn)本體的可滿足性和包容性檢測，ABox主要是對TBox檢測結(jié)果的驗證，可見描述邏輯推理機的推理功能主要體現(xiàn)在一致性判斷和相容性檢測。由于基于描述邏輯的推理機不能表示一般形式如If Then之類的規(guī)則形式，使得基于規(guī)則的推理引擎［15］應(yīng)運而生。基于規(guī)則的推理引擎是通過將本體與規(guī)則進行結(jié)合來彌補OWL DL的推理缺陷實現(xiàn)更強大的知識表示和推理能力。

表1 模糊本體推理機比較

雖然規(guī)則引擎和本體推理機已經(jīng)有很多種，但是在眾多推理機中能同時支持規(guī)則和描述邏輯并且兼顧模糊本體推理的卻很罕見。為此，我們結(jié)合目前幾種主流的推理機的優(yōu)點，設(shè)計出了混合式模糊本體推理機框架，通過將Pellet、Jena和fuzzyDL系統(tǒng)進行結(jié)合實現(xiàn)模糊本體的知識推理，提高模糊本體的推理效率。

（1）Jena是一種基于產(chǎn)生式規(guī)則的前向鏈通用推理引擎，它支持用戶自定義規(guī)則，能夠很容易的與其它推理機進行連接實現(xiàn)推理能力；

（2）fuzzyDL系統(tǒng)［16］是僅有的支持模糊描述邏輯和模糊粗糙集理論的基于Java的描述邏輯推理機；

（3）Pellet是可靠完備的DL推理機，同時它支持枚舉類型和表算法，它在對本體進行不可滿足性檢測時能夠以公理的形式給出錯誤的原因，這是其它推理機無法實現(xiàn)的。

基于上述，本文提出的混合式模糊本體推理機框架，其工作流程如圖1所示。當用戶發(fā)出交互信息請求時，通過在Fuzzy OWL2Protégé中對信息進行編碼描述，同時結(jié)合領(lǐng)域資源信息構(gòu)建模糊本體，將模糊本體與推理規(guī)則導(dǎo)入推理機中進行推理。這里用到的推理機即為fuzzyDL描述邏輯推理機，在推理模塊中主要是進行本體的一致性檢測，修復(fù)不一致信息，同時進行本體解析，最終將結(jié)果通過圖形接口返回給應(yīng)用用戶。

本文的核心部分是上圖1中推理模塊，它內(nèi)部的構(gòu)造實現(xiàn)如圖2所示。

在該推理模塊中用Pellet實現(xiàn)模糊本體的一致性檢測，同時修復(fù)其中的不一致信息，發(fā)現(xiàn)隱含知識并添加到知識庫中；在推理檢測部分主要用到基于描述邏輯的Pellet推理機進行模糊本體的一致性檢測，它是一個完全的OWLDL推理機，它的推理是基于tableaux算法，這一點跟上面提到的基于規(guī)則的推理引擎Jena有很大的不同。Pellet用Jena解析OWL的目的在于Jena的模塊把OWL解析為三元組，然后在Pellet中利用這些三元組再轉(zhuǎn)換為描述邏輯表示，即是把OWL本體中所描述的所有類、類的公理 （各種關(guān)系，如等價類，disjoint等）都轉(zhuǎn)換為描述邏輯表示的方式，存儲在知識庫knowledge base中。Pellet關(guān)于類關(guān)系的推理工作就是利用subsumption來判斷兩個類概念之間的關(guān)系，同時可以歸約轉(zhuǎn)化為判斷類概念的可滿足性問題。

在對模糊本體的解析中主要用fuzzyDL系統(tǒng)。在這里需要用到Fuzzy OWL2Protégéplug－in，用OWL2的模糊擴展Fuzzy OWL對模糊本體進行描述。這是目前W3C提出的標準模糊本體描述語言，使用OWL2注解屬性的方法去表示模糊本體進行推理，同時利用Jena將兩種推理機進行連接，實現(xiàn)混合式模糊本體推理機框架的推理功能。

下面通過一個實例來重點闡述如何在混合式模糊本體推理機框架中利用Fuzzy OWL2Protégé結(jié)合fuzzyDL對模糊本體進行推理的過程，其中在Protégé中的本體構(gòu)建如圖3所示。

部分代碼描述如下：

圖3 matchmaking本體的構(gòu)建

＜rdfs：Datatype＞

＜owl：onDatatype rdf：resource＝"http：//www.w3.org/2001/XMLSchema＃double"/＞

＜owl：withRestrictionsrdf：parseType＝"Collection" ＞

＜rdf：Description＞

＜xsd：maxInclusive rdf：datatype＝"http：//www.w3.org/2001/XMLSchema＃integer" ＞ 100000 ＜/xsd：maxInclusive＞

＜/rdf：Description＞

＜owl：withRestrictions＞

＜/rdfs：Datatype＞

＜/owl：intersectionOf＞＜/rdfs：Datatype＞

＜/owl：equivalentClass＞

＜fuzzyLabel＞＜fuzzyOwl2fuzzyType＝"datatype" ＞

＜Datatypetype＝"leftshoulder"a＝"22000"b＝"24000"/＞ ＜/fuzzyOwl2＞＜/fuzzyLabel＞

＜/rdfs：Datatype＞

在創(chuàng)建好模糊本體以后我們可以用混合式模糊本體推理機框架對模糊本體進行一致性檢測，這里用到推理框架中的Pellet推理機。

對模糊本體不一致性的推理檢測主要完成以下任務(wù)：①檢查公理集的一致性。判斷輸入的公理中是否包含矛盾；②從公理集中推斷出新的公理。從斷言公理系統(tǒng)中推理得出公理的真實性是合乎邏輯的，任何非空的本體集中都可能推出無窮多的推論。

對模糊本體用Pellet進行一致性檢測的結(jié)果圖展示如圖4所示。

接下來是對模糊本體的推理部分，這里主要用到fuzzyDL推理機，在該推理機中主要完成以下任務(wù)：①在模糊知識庫中添加公理和實例；②創(chuàng)建事實隸屬度；③完成對模糊本體構(gòu)建語言O(shè)WL2的解析。

下面通過一個具體實例說明推理的過程。實例描述如下：一個4S店價格目錄上賣奧迪TT是＄31500。一個買主想以不超過＄30000左右的價格買一輛跑車，這樣的兩個事實在進行規(guī)則匹配時會考慮賣家跟買家理想的價位，賣家希望以大于＄31500出售，但是可以降到＄30500，而買家希望花不超過＄30000，但是可以不高于＄32000。

圖4 模糊本體一致性檢測

我們可能用下面的公理來表示這些事實：

（define－fuzzy－concept AudiTTPriceright－shoulder （0，50000，30500，31500））

（define－concept AudiTT （and SportsCar（some hasPrice AudiTTPrice）））

買家的詢問可以被定義為：

（define－fuzzy－concept BuyerPrice left－shoulder （0，50000，30000，32000））

（define－concept BuyerQuery （and SportsCar （some hasPrice BuyerPrice）））

為了去推理買家跟賣家都能接受的一個合理價位值，我們需要去計算概念 （和BuyerQuery AudiTT）的最大滿意度。通過fuzzyDL系統(tǒng)去計算買家要求的和賣家條件里匹配的最大概率，代碼實現(xiàn)如下：

（max－sat？（and BuyerQuery AudiTT））

（show－fillers？hasPrice）

通過圖5的推理結(jié)果顯示最終返回值是0.5，也就是下面兩條線的交點，所以最終這款車很可能被賣MYM31000。

部分代碼顯示如下：

（functional hasPrice）

＃ （define－concrete－feature hasPrice＊real＊0 150000）

（define－fuzzy－concept AudiTTPrice right－shoulder

（0，50000，30500，31500））

（define－concept AudiTT （and SportsCar（some hasPrice AudiTTPrice）））

（define－fuzzy－concept BuyerPrice left－shoulder、 （0，50000，30000，32000））

（define－concept BuyerQuery （and SportsCar （some hasPrice BuyerPrice）））

＃ （concept－satisfiable？（and BuyerQuery AudiTT））

（max－sat？（and BuyerQuery AudiTT））

（show－concrete－fillers hasPrice）

圖5 推理結(jié)果分析

4 結(jié)束語

語義網(wǎng)的不斷發(fā)展使模糊知識的推理探索已越來越受到人們的關(guān)注，而目前的主流推理機也只能處理一部分模糊信息，如何在現(xiàn)有不確定性推理機的基礎(chǔ)上實現(xiàn)推理效率高、推理范圍廣是我們下步工作研究的重點。本文通過將基于描述邏輯和基于規(guī)則的本體推理機進行結(jié)合，設(shè)計了一種混合式模糊本體推理機框架，突破了原有推理機對模糊本體的推理局限性，使得對模糊本體的知識推理能力有所改進，接下來的工作將著眼于改進混合式推理機框架的各部分推理算法從而提高推理效率，同時能將模糊本體的推理推廣到粗糙本體中。

［1］WEN Min.Application of SVM－FuzzyES in fault diagnosis of wastewater treatment technics ［D］.Chongqing：Chongqing University，2006（in Chinese）.［文敏.智能故障診斷技術(shù)在污水處理中的應(yīng)用研究 ［D］.重慶：重慶大學(xué)，2006.］

［2］SONG Wei，ZHANG Ming.A first step towards the semantic web［M］.Beijing：Higher Education Press，2004 （in Chinese）.［宋煒，張銘.語義網(wǎng)簡明教程 ［M］.北京：高等教育出版社，2004.］

［3］Silvia Calegari，Davide Ciucci.Fuzzy ontology fuzzy description logics and fuzzy－OWL ［G］.LNAI 4578：Berlin，Heidelberg：Proceedings of the 7th International Workshop on Fuzzy Logic and Applications：Applications of Fuzzy Sets Theory，2007.

［4］Incubator Group Report.Uncertainty reasoning for the world wide web W3C ［EB/OL］.http：//www.w3.org/2005/Incubator/urw3/XGR－urw3/，2008.

［5］Thomas Lukasiewicz，Umberto Straccia.Managing uncertainty and vagueness in description logics for the semantic web ［J］.Web Semantics Science Services Agents on the World WideWeb，2008，6 （4）：291－308.

［6］Straccia，Umberto.Towards a fuzzy description logic for the semantic web（preliminary report）［C］.Proceedings of the 2nd European Semantic Web Conference，2005.

［7］Ian Horrocks，Peter F Patel－Schneider，Harold Boley，et al.SWRL：A semantic web rule language combining OWL and ruleML［S］.National Research Council of Canada Network Inference and Stanford University W3CMember Submission，2004.

［8］ WANG Song.Research on inference mechanism based on SWRL in semantic web service［D］.Dalian：Dalian Maritime University，2008（in Chinese）. ［王松.語義網(wǎng)服務(wù)中基于SWRL推理機制的研究 ［D］.大連：大連海事大學(xué)，2008.］

［9］Martin O＇Connor，Holger Knublauch，Samson Tu，et al.Rule system interoperability on the semantic web with SWRL ［C］.Sardinia，Italy：International Semantic Web Conference，2005.

［10］Robert E，McGraph，Joe Futrelle.Reasoning about provenance with OWL and SWRL rules［Z］.National Center for Supercom－puting Applications University of Illinois，Urbana－Champaign，2008.

［11］Jeff Z Pan，Giorgos Stamou，Vassilis Tzouvaras，et al.F－SWRL：A fuzzy extension of SWRL ［C］.Proceedings of the International Conference on Artificial Neural Networks，2005.

［12］JU Qi.Reasoning service for rule－based tourism ontology［D］.Jilin：Jilin University，2010 （in Chinese）.［鞠奇.基于規(guī)則的旅游本體推理 ［D］.吉林：吉林大學(xué)，2010.］

［13］GUO fang，BAI Jianjun.JBoss rules engines based on Rete algorithm ［J］.Computer Era，2008，26 （1）：8－10 （in Chinese）. ［郭芳，白建軍.基于Rete算法的規(guī)則引擎JBoss Rules［J］.計算機時代，2008，26 （1）：8－10.］

［14］Dave Reynolds.Jena2inference support ［EB/OL］.［2009－03－01］.http：//jena.sourceforge.net/inference/.

［15］QIAN Ling.The design and implementation of an ontology and rule inference based query system ［D］.Nanjing：Southeast University，2007（in Chinese）.［錢凌.一個基于本體和規(guī)則推理的查詢系統(tǒng)的設(shè)計與實現(xiàn) ［D］.南京：東南大學(xué)，2007.］

［16］Stasinos Konstantopoulos，Georgios Apostolikas.Fuzzy－DL reasoning over unknown fuzzy degrees ［C］.Proceedings of OTM Confederated International Conference， 2007：1312－1318.