Ігровий метод кластеризації онтологій

Simple item page
dc.citation.epage39
dc.citation.issue5
dc.citation.journalTitleВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
dc.citation.spage26
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorКравець, П. О.
dc.contributor.authorБуров, Є. В.
dc.contributor.authorЛитвин, В. В.
dc.contributor.authorKravets, Petro
dc.contributor.authorBurov, Evgeniy
dc.contributor.authorLytvyn, Vasyl
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2020-03-25T08:22:37Z
dc.date.available2020-03-25T08:22:37Z
dc.date.created2019-02-26
dc.date.issued2019-02-26
dc.description.abstractРозглянуто актуальну проблему кластеризації онтологій для оптимізації операцій інтелектуального опрацювання даних в умовах невизначеності, зумовленої неточністю або неповнотою даних про предметну область. Кластеризація онтологій – це процес автоматичного розділення множини онтологій на групи (кластери) на основі ступеня їхньої подібності. Для розв’язування задачі кластеризації необхідно задати міри близькості онтологій, вибрати або розробити алгоритм кластеризації та виконати змістовну інтерпретацію результатів кластеризації. Для кластеризації онтологій в умовах невизначеності запропоновано застосувати стохастичний ігровий метод. Повторювальна стохастична гра полягає у реалізації керованого випадкового процесу вибору кластерів онтологій. Для цього закріплені за онтологіями інтелектуальні агенти випадково, одночасно і незалежно вибирають один із кластерів у дискретні моменти часу. Для агентів, що обрали один кластер, обчислюють поточну міру подібності онтологій, яка може враховувати близькість концептів, атрибутів та відношень між концептами. Цю міру використовують для адаптивного перерахунку змішаних стратегій гравців. Збільшуються імовірності вибору тих кластерів, поточний склад яких призвів до зростання міри подібності онтологій. У ході повторювальної гри агенти сформують вектори змішаних стратегій, які забезпечать максимізацію усереднених мір подібності розділених на кластери онтологій. Для розв'язування задачі ігрової кластеризації онтологій розроблено адаптивний марківський рекурентний метод на основі стохастичної апроксимації модифікованої умови доповняльної нежорсткості, справедливої у точках рівноваги за Нешем. Запропонований ігровий метод має фільтрувальні властивості щодо викидів у вхідних даних і практично не залежить від закону розподілу випадкових завад. Комп'ютерне моделювання підтвердило можливість застосування моделі стохастичної гри для кластеризації онтологій із врахуванням факторів невизначеності. Збіжність ігрового методу забезпечується дотриманням фундаментальних умов та обмежень стохастичної оптимізації. Достовірність експериментальних досліджень підтверджується повторюваністю отриманих результатів для різних послідовностей випадкових величин. Результати роботи доцільно використати для розв'язування задач інтелектуального аналізу даних, усунення дублювання інформації в базах знань, зменшення невизначеності у межах кластера онтологій, виявлення новизни інформації, організації високорівневої семантичної взаємодії між агентами під час розв’язування ними спільної задачі.
dc.description.abstractIn this paper the important problem of ontology clustering is considered with the purpose of optimization of intelligent data processing in conditions of uncertainty caused by inaccuracy or incompleteness of data in the subject area. The clustering of ontologies is the process of automatic splitting of a set of ontologies into groups (clusters) based on their similarity degree. For the resolution of this problem it is necessary to adopt the set of measures for the affinity of ontologies, to choose or develop an algorithm of clusterization and to execute the thorough interpretation of clusterization results. For the clustering of ontologies in conditions of uncertainty, it is proposed to use a stochastic game method. A repetitive stochastic game consists in the implementation of a controlled random process for selecting clusters of ontologies. To this effect, the intelligent agents, assigned to ontology, randomly, simultaneously and independently choose one of the clusters at discrete moments of time. For agents that have selected a cluster, the current measure of similarity of ontologies is calculated, which takes into account the proximity of concepts, attributes, and relationships between concepts. This measure is used to adapt the recalculation of mixed player strategies. Thus, the probability of selection is increased for clusters having the composition, which led to the growth of the ontologies similarity degree. During the repetitive game, agents will form vectors of mixed strategies that will maximize the averaged measures of similarity to clusters of ontologies. To solve the problem of game clusterization for ontologies, an adaptive Markovian recurrent method was developed based on stochastic approximation of a modified complementary slackness condition, valid at the points of the Nash equilibrium. The proposed game method has filtering properties for spikes in the input data and practically does not depend on the law of distribution of random noises. The computer modeling confirmed the possibility of using a stochastic game model for clustering ontologies, taking into account uncertainty factors. Convergence of the game method is ensured by observing the fundamental conditions and restrictions of stochastic optimization. The reliability of experimental studies is confirmed by the repeatability of results obtained for various sequences of random variables. The results of the work could be used to solve the problems of intellectual data analysis, to eliminate duplication of information in knowledge bases, to reduce uncertainty within the cluster of ontologies, to identify the novelty of information, to organize high-level semantic interaction between agents in the course of executing their common task.
dc.format.extent26-39
dc.format.pages14
dc.identifier.citationКравець П. О. Ігровий метод кластеризації онтологій / П. О. Кравець, Є. В. Буров, В. В. Литвин // Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2019. — № 5. — С. 26–39.
dc.identifier.citationenKravets P. Game method of ontology clustering / Petro Kravets, Evgeniy Burov, Vasyl Lytvyn // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Informatsiini systemy ta merezhi. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2019. — No 5. — P. 26–39.
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/47793
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.relation.ispartofВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 5, 2019
dc.relation.references1. Wooldridge, M. (2009). An Introduction to Multiagent Systems. United Kingdom: John Wiley & Sons.
dc.relation.references2. Рогушина, Ю. В. (2018). Теоретичні засади застосування онтологій для систематизації ресурсів WEB. Проблеми програмування, 2–3, 197–203.
dc.relation.references3. Hashemi, P., Khadivar, A., Shamizanjani, M. (2018). Developing a domain ontology for knowledge management technologies. Online Information Review, 42 (1), 28–44.
dc.relation.references4. Довгий, С. О., Велічко, В. Ю., Глоба, Л. С. та ін. (2013). Комп’ютерні онтології та їх використання у навчальному процесі. Теорія і практика: Монографія. – К.: Інститут обдарованої дитини.
dc.relation.references5. Буров, Є. В., Пасічник, В. В. (2015). Програмні системи на базі онтологічних моделей задач. Вісник Нац. ун-ту “Львівська політехніка”. Серія: “Інформаційні системи та мережі”, 829, 36–57.
dc.relation.references6. Berko, A., Alieksieiev, V. (2018) A method to solve uncertainty problem for Big Data sources. Proceedings of the 2018 IEEE 2nd International Conference on Data Stream Mining and Processing (DSMP). Lviv, Ukraine, August 21–25, 32–37.
dc.relation.references7. Mirkin, B.G. (2005). Clustering for Data Mining. A Data Recovery Approach. CRC Press.
dc.relation.references8. Batet, M. (2011). Ontology-based semantic clustering. AI Communications, 24 (3), 291–292.
dc.relation.references9. Зайченко, Ю. П., Гончар, М. А. (2007) Нечеткие методы кластерного анализа в задачах автоматической классификации в экономике. Вісник НТУ України “Київський політехнічний інститут”. Серія: “Інформатика, управління та обчислювальна техніка”, 47, 198–206.
dc.relation.references10. Бодянский, Е. В., Колчигин, Б. В., Волкова, В. В., Плисс, И. П. (2013). Адаптивная нечеткая кластеризация данных на основе метода Густафсона-Кесселя. Управляющие системы и машины, 2, 40–46.
dc.relation.references11. Литвин, В. В., Висоцька, В. А., Досин, Д. Г., Гірняк, М. Г. (2015). Розроблення методів та засобів побудови інтелектуальних систем опрацювання інформаційних ресурсів з використанням онтологічного підходу // Вісник Нац. ун-ту”Львівська політехніка”. Серія: “Інформаційні системи та мережі”, 832, 295–314.
dc.relation.references12. Aleman, Y., Somodevilla, M. J. (2017). A proposal for domain ontological learning. Research in Computing Science, 133, 63-70.
dc.relation.references13. Литвин, В. В. (2011). Інтелектуальні агенти пошуку релевантних прецедентів на основі адаптивних онтологій. Математичні машини і системи, 3, 66–72.
dc.relation.references14. Овдій, О. М., Проскуріна, Г. Ю. (2004). Онтології у контексті інтеграції інформації: представлення, методи та інструменти побудови. Проблеми програмування, 2–3, 353–365.
dc.relation.references15. Чистякова, И. С. (2014). Инженерия онтологий. Інженерія програмного забезпечення, 4 (20), 53–68.
dc.relation.references16. Slimani, T. (2015). Ontology Development: A Comparing Study on Tools, Languages and Formalisms. Indian Journal of Science and Technology, 8 (24), 1–12.
dc.relation.references17. Крюков, К. В., Панкова, Л. А., Пронина, В. А., Суховеров, В. С., Шипилина, Л. Б. (2010). Меры семантической близости в онтологии. Проблемы управления, 5, 2–14.
dc.relation.references18. Neyman, A., Sorin, S. (2012). Stochastic Games and Applications. Springer Science & Business Media.
dc.relation.references19. Назин, А. В., Позняк, А. С. (1986). Адаптивный выбор вариантов: Рекуррентные алгоритмы. Москва: Наука.
dc.relation.references20. Petrosjan, L. A., Mazalov, V. V. (2007). Game Theory and Application. New York: Nova Science Publishers.
dc.relation.references21. Neogy, S. K., Bapat, Ravindra B., Dubey, Dipti. (2018). Mathematical Programming and Game Theory. Springer.
dc.relation.references22. Kushner, H., Yin, G. G. (2013). Stochastic Approximation and Recursive Algorithms and Applications. Springer Science & Business Media.
dc.relation.referencesen1. Wooldridge, M. (2009). An Introduction to Multiagent Systems. United Kingdom: John Wiley & Sons.
dc.relation.referencesen2. Rogushina, Yu. V. (2018). Theoretical principles of application of ontologies for systematization of WEB resources. Problems of programming, 2–3, 197–203.
dc.relation.referencesen3. Hashemi, P., Khadivar, A., Shamizanjani, M. (2018). Developing a domain ontology for knowledge management technologies. Online Information Review, 42 (1), 28–44.
dc.relation.referencesen4. Dovgy, S. O., Velychko, V. Yu., Globa, L. S., at al. (2013). Computer ontologies and their use in the educational process. Theory and practice: Monograph. Kyiv: Institute of Gifted Child.
dc.relation.referencesen5. Burov, E. V., Pasichnyk, V. V. (2015). Software systems based on ontological task models. Bulletin of the Lviv Polytechnic National University. Series: “Information Systems and Networks”, 829, 36–57.
dc.relation.referencesen6. Berko, A., Alieksieiev, V. (2018) A method to solve uncertainty problem for Big Data sources. Proceedings of the 2018 IEEE 2nd International Conference on Data Stream Mining and Processing (DSMP). Lviv, Ukraine, August 21–25, 32–37.
dc.relation.referencesen7. Mirkin, B. G. (2005). Clustering for Data Mining. A Data Recovery Approach. CRC Press.
dc.relation.referencesen8. Batet, M. (2011). Ontology-based semantic clustering. AI Communications, 24 (3), 291–292.
dc.relation.referencesen9. Zaychenko, Yu. P., Gonchar, M. A. (2007) Fuzzy methods of cluster analysis in problems of automatic classification in economics. Bulletin of the NTU of Ukraine "Kyiv Polytechnic Institute". Informatics. Series: “Management and Computing”, 47, 198–206.
dc.relation.referencesen10. Bodiansky, E. V., Kolchigin, B. V., Volkova, V. V., Pliss, I. P. (2013). Adaptive fuzzy clustering of data based on the Gustafson-Kessel method. Control systems and machines, 2, 40–46.
dc.relation.referencesen11. Lytvyn, V. V., Vysotska, V. A., Dosyn, D. G., Girnyak, M. G. (2015). Development of methods and means of constructing intelligent systems for processing information resources using the ontological approach. Bulletin of the Lviv Polytechnic National University. Series: “Information systems and networks”, 832, 295–314.
dc.relation.referencesen12. Aleman, Y., Somodevilla, M. J. (2017). A proposal for domain ontological learning. Research in Computing Science, 133, 63–70.
dc.relation.referencesen13. Lytvyn, V. V. (2011). Intelligent search agents of relevant precedents based on adaptive ontologies. Mathematical Machines and Systems, 3, 66–72.
dc.relation.referencesen14. Ovdii, O. M., Proskurina, G. Yu. (2004). Ontology in the context of information integration: concepts, methods and construction tools. Problems of Programming, 2–3, 353–365.
dc.relation.referencesen15. Chistyakova, I. S. (2014). Ontology engineering. Software Engineering, 4 (20), 53–68.
dc.relation.referencesen16. Slimani, T. (2015). Ontology Development: A Comparing Study on Tools, Languages and Formalisms. Indian Journal of Science and Technology, 8 (24), 1–12.
dc.relation.referencesen17. Krjukov, K. V., Pankova, L. A., Pronina, V. A., Sukhoverov, V. S., Shipilina, L. B. (2010). Measures of semantic proximity in ontology. Problems of Management, 5, 2–14.
dc.relation.referencesen18. Neyman, A., Sorin, S. (2012). Stochastic Games and Applications. Springer Science & Business Media.
dc.relation.referencesen19. Nazin, A. V., Poznyak, A. S. (1986). Adaptive Choice of Variants: Recurrence Algorithms. Moscow: Science.
dc.relation.referencesen20. Petrosjan, L. A., Mazalov, V. V. (2007). Game Theory and Application. New York: Nova Science Publishers.
dc.relation.referencesen21. Neogy, S. K., Bapat, Ravindra B., Dubey, Dipti. (2018). Mathematical Programming and Game Theory. Springer.
dc.relation.referencesen22. Kushner, H., Yin, G. G. (2013). Stochastic Approximation and Recursive Algorithms and Applications. Springer Science & Business Media.
dc.rights.holder© Національний університет “Львівська політехніка”, 2019
dc.rights.holder© Кравець П. О., Буров Є. В., Литвин В. В., 2019
dc.subjectстохастична гра
dc.subjectумови невизначеності
dc.subjectкластеризація
dc.subjectонтологія
dc.subjectбаза знань
dc.subjectінтелектуальний агент
dc.subjectstochastic game
dc.subjectconditions of uncertainty
dc.subjectclusterization
dc.subjectontology
dc.subjectknowledge base
dc.subjectintellectual agent
dc.subject.udc004.852
dc.subject.udc004.89
dc.subject.udc004.93'14
dc.titleІгровий метод кластеризації онтологій
dc.title.alternativeGame method of ontology clustering
dc.typeArticle

Files

Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
2019n5_Kravets_P-Game_method_of_ontology_clustering_26-39.pdf
Size:
1.08 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
2019n5_Kravets_P-Game_method_of_ontology_clustering_26-39__COVER.png
Size:
446.66 KB
Format:
Portable Network Graphics
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.03 KB
Format:
Plain Text
Description:
Download

Collections

Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2019. – Випуск 5