PN-OWL：一种从 OWL 本体学习模糊概念包含的两阶段算法
人工智能
2024-06-17 v1
摘要
OWL 本体是一种颇为流行的以类、类间关系及类实例来描述结构化知识的方式。本文针对一个 OWL 本体的目标类 T，侧重于具有实值与布尔值数据属性的本体，研究学习分级模糊概念包含公理的问题，旨在描述将个体归类为 T 类实例的充足条件。为此，我们提出 PN-OWL，这是一种由 P 阶段和 N 阶段组成的两阶段学习算法。粗略地说，在 P 阶段，算法试图覆盖尽可能多的正例（提高召回率），同时不过度牺牲精度；而在 N 阶段，算法试图排除尽可能多被 P 阶段覆盖的假正例。PN-OWL 随后通过聚合函数组合 P 阶段与 N 阶段学习到的模糊包含公理，以对个体是否为 T 的实例作出最终判定。我们还通过实验说明了其有效性。一个有趣的特性是，模糊数据类型是自动构建的，学习到的模糊概念包含可直接表示为 Fuzzy OWL 2，因此任何 Fuzzy OWL 2 推理机均可用于自动判定（以及在何种程度上）个体是否属于目标类 T。
引用
@article{arxiv.2303.07192,
title = {PN-OWL: A Two Stage Algorithm to Learn Fuzzy Concept Inclusions from OWL Ontologies},
author = {Franco Alberto Cardillo and Franca Debole and Umberto Straccia},
journal= {arXiv preprint arXiv:2303.07192},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2008.05297