Сетевое издание

Современные проблемы науки и образования

ISSN 2070-7428

"Перечень" ВАК

ИФ РИНЦ = 1,006

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Целых А.Н. 1 Котов Э.М. 1

---

1 ФГАОУ ВПО «Южный федеральный университет»

Статья содержит аналитический обзор методов формализации процессов принятия решений в социальных системах. Рассматривается понятие нечеткой семантической сети, представленной в виде нечеткого ориентированного социального графа. Рассмотренная модель применяется в тех случаях, когда необходимо определить принадлежность текущей ситуации к тому или иному классу ситуаций или же для некоторой желаемой ситуации найти ближайшую из множества реально имеющихся в базе данных. Предложена модель поиска оптимальных решений с использованием нечеткой семантической сети, основанная на определении степени принадлежности текущей ситуации к тому или иному классу эталонных ситуаций на основе степени нечеткого сходства. Под нечетким сходством понимается отношение нечеткого включения, обладающее свойством транзитивности. Значение оценки релевантности (степени нечеткого сходства) вычисляется с помощью метода минимального значения.

Статья в формате PDF

163 KB

семантическая сеть

социальный граф

1. Берштейн Л.С., Карелин В.П., Целых А.Н. Модели и методы принятия решений в интегрированных интеллектуальных системах : монография. - Ростов/Д : Изд-во РГУ, 1999. – 268 с.

2. Карелин В.П., Целых А.Н. Модели принятия решений в чрезвычайных экологических ситуациях при нечетких исходных данных // Материалы Всероссийской научно-технической конференции «Мониторинг и прогнозирование чрезвычайных ситуаций». – СПб., 1998.

3. Кофман А. Введение в теорию нечетких множеств / пер. с фр. – М. : Радио и связь, 1982.

4. Ларичев О.И. Анализ процессов принятия человеком решений при альтернативах, имеющих оценки по многим критериям : обзор // Автоматика и телемеханика. – 1981. – № 8. – С. 131-141.

5. Представление и использование знаний / пер. с яп.; под ред. Х. Уэно, М. Исидзука. – М. : Мир, 1989. – 220 с.

6. Реброва М.П. Автоматическая классификация в системах обработки информации. Поиск документов. – М. : Радио и связь, 1983. – 92 с.

7. Целых А.Н., Целых А.А., Котов Э.М. Методы интеллектуального анализа данных в системах принятия решений. – Таганрог : Изд-во ЮФУ, 2013. – 129 с.

8. Lucarella D., Morara R. FIRST: Fuzzy Information Retrieval System // Structural Engineering International. – 1991. – Vol. 17. – № 2.

Введение

Семантические сети являются универсальной структурной моделью формализации процесса принятия решений [7]. Особенность семантической сети как модели заключается в целостности системы поиска решений, выполненной на ее основе, позволяющей не разделять базу знаний и механизмы выводов [5].

Базовым функциональным элементом семантической сети служит структура, состоящая из узлов и связывающих их дуг. Каждый узел представляет некоторое понятие, а дуга – отношение между парами понятий. Каждая такая пара отношений определяет некоторое утверждение, являющееся функциональным элементом семантической сети. Узлы помечаются именами соответствующего отношения.

Дуги имеют направленность, благодаря чему между понятиями в рамках некоторого утверждения определено отношение типа «субъект – объект». Каждый узел может быть соединен с любым числом других узлов, в результате чего обеспечивается формирование сети утверждений.

С позиции алгебры логики базовую структуру семантической сети можно рассматривать в качестве эквивалента предиката (дуги) с двумя аргументами (узлами). При выборе различных обозначений для описания отношений можно представлять самые различные совокупности утверждений.

При описании ситуаций в виде семантических сетей особый практический интерес имеет связь вида «являться», отражающая принадлежность объекта к некоторому классу. К другим видам связей, нашедшим конкретное применение при отражении общих представлений об объекте, относятся связи: вида «иметь», указывающая на то, что один объект представляет часть другого, и вида «есть», указывающая на то, что одно понятие служит атрибутом другого. Пользуясь подобными отношениями, можно представлять иерархические совокупности утверждений. Из утверждений можно строить различные иерархические структуры, увеличивая количество понятий и связей. Иерархия, построенная на основе наследования свойств, обеспечивает эффективный способ представления знаний, сокращающий объем информации, которая требуется для описания каждого конкретного утверждения. Это дает возможность упростить процесс обработки знаний, а также извлекать нужную информацию с помощью запросов.

Поиск оптимальных решений с использованием нечетких семантических сетей

При функционировании систем представления знаний на основе семантических сетей используется поисковый режим, где запрос можно представить социальным графом, в котором вершины-акторы заранее не определены.

Выделяют два основных типа запросов: на существование и на перечисление. Запрос на существование не содержит переменных и предусматривает ответ типа «да», если изоморфное вложение графа запроса в семантическую сеть удалось найти, и «нет» в противоположном случае. При обработке перечисляющего запроса происходит поиск всех возможных изоморфных графу запроса подграфов в семантической сети, а также конкретизация переменных.

Частным случаем нечеткой семантической сети, описывающей некоторую совокупность объектов или явлений (ситуаций), является семантическая сеть, рассмотренная в [2].

Здесь нечеткая семантическая сеть представлена в виде ориентированного социального графа где – множество вершин – концептов (признаки, свойства, значения, факторы), – множество вершин – объектов (ситуации, заключения), – множество взвешенных ориентированных ребер - функция на ребре , определяющего для ребер – степень наличия данного свойства (признака, значения) ситуации (объекта) , а для ребер - силу семантической ассоциации между концептами и . Здесь . Связи между вершинами из могут соответствовать различным видам отношений или типам взаимодействия и определяются как неопределенно транзитивные, т.е. если имеются и , то

.

Из этого определения следует, что сила связей вершин задана силой наиболее слабой связи. Социальный граф строится экспертом данной предметной области и позволяет в сжатом виде описывать либо все множество объектов или ситуаций ПР, либо лишь эталоны – представители классов ситуаций. Социальный граф задает нечеткое отношение включения на множестве вершин .

Запрос, по которому осуществляется вывод (поиск соответствующего объекта или ситуации), представляет в общем случае нечеткое подмножество концептов (признаков), заданных значениями степени принадлежности, описывающих некоторую текущую ситуацию или объект, подлежащий классификации (поисковый образ).

Логический вывод сводится к определению пути с максимальной оценкой между вершиной – запросом Z, соответствующей классифицируемой ситуации, и всеми вершинами – объектами (заключениями) на социальном графе , образованном присоединением вершины Z, соответствующей текущей ситуации, к социальному графу , задающему поле знаний. При этом присоединяемая вершина Z соединяется с вершинами – концептами , ориентированными ребрами , с весами , соответствующими степеням принадлежности конкретного концепта (признака, свойства, фактора) в описании исходной (классифицируемой) ситуации (поискового образа). Степень соответствия некоторого объекта (заключения, ситуации) , определяется оценкой пути, полученного в результате логического вывода.

Рассмотренная модель применяется в тех случаях, когда необходимо определить принадлежность текущей ситуации к тому или иному классу ситуаций или же для некоторой желаемой ситуации найти ближайшую из множества реально имеющихся в базе данных. Очевидно, что в обоих случаях приходится вычислять степень нечеткого сходства сравниваемых ситуаций. Под нечетким сходством здесь будем понимать отношение нечеткого включения, обладающее свойством транзитивности [3]

.

Следует отметить, что наличие семантически обусловленных ассоциативных связей между признаками позволяет уточнять описание ситуаций и тем самым способствовать повышению правдоподобности модели.

В частности (рис. 1), если признак не вошел в описание ситуации у, но ассоциативно связан с признаком , вошедшим в описание у , где то это означает, что в социальном графе отсутствует ребро , но присутствуют ребра т.е. В силу транзитивности можно в граф ввести ребра с весом

Если же в социальном графе имеется еще одна вершина , связанная с вершиной у ребром с весом , а с вершиной – ребром с весом то в социальный граф можно ввести ребро с весом

Рис. 1. Пример наличия семантически обусловленных ассоциативных связей

Вводя дуги на основе свойства транзитивности, мы фактически применяем операцию транзитивного замыкания.

Воспользовавшись ею, можно отобразить лишь зависимость вершин у от x и исключить зависимость между вершинами . В результате получим социальный граф нечеткого соответствия, показанный на рис. 2.

Рис. 2. Граф нечеткого соответствия

Процедура нахождения транзитивного замыкания нечеткого отношения включения выполняется в результате последовательного осуществления операций максиминной композиции матрицы смежности R социального графа и матрицы , где 1, 2, …, и операции объединения по формуле

.

Причем, если для некоторого имеем , то

[3]. (1)

Результат операции определяется функцией принадлежности

(2)

Процедура нахождения транзитивного замыкания нечеткого отношения включения позволяет установить степень принадлежности концепта (признака, свойства, фактора) , ранее не входившего в описание ситуации . Если же концепт входит в описание ситуации , т.е. существует ребро , то наличие ассоциативной связи с и связи с позволяет уточнить вес ребра по формуле

Это дает возможность с большей точностью определять степень нечеткого сходства ситуаций и, соответственно, находить более адекватное решение.

Способы определения значения нечеткой релевантности

Процедуры сравнения нечетких описаний искомого объекта (ситуации) и эталонных объектов, хранящихся в базе знаний, лежат в основе построения интеллектуальных информационно-поисковых систем [6], систем принятия решений на основе определения сходства ситуаций [1], ситуационных советующих систем [4] и т.п.

Рассмотрим более подробно способы определения значения нечеткой релевантности (степени нечеткого сходства) классифицируемой текущей ситуации (поискового образа, запроса) и ситуации, хранящейся в базе знаний при работе с нечеткой семантической сетью.

Чтобы описать правила вывода для поиска, введем следующие предикаты [8]:

Z(z,x) – «запрос z описывается концептом x»; Y(y,x) – «ситуация y описывается концептом x»; L(xi,xj) – «концепт xi связан ассоциативно с концептом xj»; RX(y,x) – «ситуация y релевантна концепту x»; RX(y,z) – «ситуация y релевантна запросу z»; RZX(z,x) – «запрос z релевантен концепту x». Значение истинности для этих предикатов варьируется в интервале [0;1]. В дальнейшем, без потери общности, будем полагать, что запрос описывается лишь одним концептом, хотя на самом деле он описывается несколькими концептами из множества . Предлагается следующее правило поиска:

.

Если запрос и ситуация описываются концептом , то данная ситуация считается релевантной концепту . Правило ограничивает рамки возможных значений истинности предиката интервалом, заданным

. (3)

Затем поиск расширяется по сети, начиная с концепта , в соответствии с правилом:

Даже если ситуация не описывается концептом , ситуация считается настолько релевантной , насколько существует связь между и , а описывается концептом . Это ограничивает возможное значение истинности предиката интервалом

. (4)

Для каждого концепта из множества, связанного с концептом существуют значения истинности, выведенные по последнему правилу. Задавая

получим .

Для определения релевантности ситуации концепту используется соотношение

. (5)

В большинстве случаев запрос (классифицируемая ситуация) описывается несколькими концептами (признаками), множество которых можно обозначить через . Для каждого концепта получают значение релевантности и задают значение .

Эти значения используются для оценки общей релевантности d ситуации у запросу z. Если предполагать, что концепты не соединены связками и/или, то можно использовать усредненную функцию

(6)

Данный запрос z на базе правил поиска и определения релевантности позволяет в качестве решения (результата поиска) получить множество ситуаций, релевантных , как нечеткое подмножество множества всех ситуаций.

(7)

С целью ограничения множества релевантных ситуаций величиной релевантности можно взять уровень , и тогда получим нечеткое множество ситуаций.

.

Формализация процедур оценки релевантности всех концептов ситуации реализуется при помощи рассмотренной выше процедуры получения транзитивного замыкания матрицы смежности (нечеткого отношения) для исходного нечеткого социального графа (нечеткой семантической сети).

В результате для каждой ситуации получаем нечеткое подмножествоконцептов, описывающее ситуацию , где

.

С другой стороны, запрос (классифицируемая ситуация) также нечетко описывается концептами и задается нечетким множеством

.

Определение значения релевантности (степени нечеткого сходства) ситуации запросу осуществляется по формуле (6). Будем называть рассмотренный способ оценки релевантности методом минимального значения.

Заключение

В результате анализа методов формализации процессов принятия решений предложена модель поиска оптимальных решений с использованием нечеткой семантической сети, основанная на определении степени принадлежности текущей ситуации к тому или иному классу эталонных ситуаций на основе степени нечеткого сходства, где под нечетким сходством понимается отношение нечеткого включения, обладающее свойством транзитивности.

Работа выполнена в рамках гранта Южного федерального университета № 213.01-24/2013-79 «Разработка и исследование методов нечетко-множественного анализа и моделирования социальных графов».

Рецензенты:

Гуда А.Н., д.т.н., профессор, проректор по научной работе, зав. кафедрой «Информатика» ФГБОУ ВПО «Ростовский государственный университет путей сообщения», г. Ростов-на-Дону.

Курейчик В.В., д.т.н., профессор, заведующий кафедрой систем автоматизированного проектирования ФГАОУ ВПО «Южный федеральный университет», г. Ростов-на-Дону.

Библиографическая ссылка