Ziel Wissensrepräsentation
formalisms: wohldefinierte Syntax: formal, eindeutig
high-level-descriptions: nur relevante Aspekte - geringere Ausdruckslkraft als Prädikatenlogik akzeptabel
intelligent applications: können schlussfolgern, implizites aus explizit repräsentierten Wissen ableiten
effectivly used: Fokus Praktikabilität
Beschreibungslogiken
Familien verschiedener Logiken (Teilmengen der Prädikatenlogik)
Fokus praktische Anwendbarkeit
Repräsentation terminologischen Wissens über Anwendungsdomäne
Beschreibung von Klassen, einzelnen Objekten, und Beziehungen
als Konzepte, Individuen und Rollen
effektives und effizientes Schließen auf implizites Wissen aus explizit repräsentierten Wissen
haben sich als Ontologiesprachen durchgesetzt
Architektur/Bestandteile eines Beschreibungslogik-Systems
Die Beschreibungssprache ACL – Syntax
ACL = Attribute Language with Complement
Bestandteile Beschreibungssprachen
Domäne
Individuen
Konzept
Rolle
Domäne ist die Menge aller Individuen
Individuen sind Objekte der Anwendungsdomäne
Ein Konzept ist eine Teilmenge von individuen
Eine Rolle ist eine binäre Relation zwischen je zwei Individuen
Semantik ACL
Tbox
ABox
Assertorisches Wissen besteht aus Fakten über Individuen um Assertorisches Wissen zu repräsentieren, müssen die Individuen benannt werden.
Objekte der betrachteten Dom ̈ane ∆I (z.B. alle Menschen)
Konzepte
Teilmengen von Domäneindividuen (z.B. Mutter)
⊤: Top-Konzept = alle Domäneindividuen, ⊤ = ∆I
⊥: Bottom-Konzept = leere (Individuen-)Menge, ⊥ = ∅
Rollen
binäre Beziehungen (Relationen) zwischen zwei Konzepten (z.B. verheiratet)
Konzeptbeschreibung
Formale Beschreibung eines Konzepts mittels Konzeptnamen NC , Rollennamen NR und Konstruktoren
Konstruktoren
¬ (Negation), ⊔ (Disjunktion) und ⊓ (Konjunktion), ∃.(Existenzrestriktion) und ∀.(Werterestriktion)
Interpretationen
I = (∆I , ·I ): Weist Individuennamen Dom ̈aneindividuen, Konzeptnamen Teilmengen von Individuen, Rollennamen binäre Relationen auf Individuen und Konstruktoren Mengenoperationen zu: Komplement (¬), Vereinigung (⊔), Schnittmenge (⊓) und speziell konstruierte Teilmengen für ∃ und ∀
Konzeptdefinitionen
Definition eines Konzeptnamens durch eine (komplexe) Konzeptbeschreibung (z.B. Elternteil ≡ Mensch ⊓ ∃hatKind.Mensch)
Konzept Inklusions Axiome
(general concept inclusion, GCI): Definition einer Subsumptions-(Teilmengen-)Beziehung zwischen zwei (komplexen) Konzepten (z.B. Saeugetier ⊑ Wirbeltier)
TBox
terminologisches Wissen (allgemeines, intensionales Konzeptwissen u ̈ber eine Anwendungsdom ̈ane, relativ konstant) in Form von Konzeptdefinitionen und GCIs
Konzept- und Rollenassertion
Zuweisung eines Individuums zu einem Konzept bzw. eines Paares von Individuen zu einer Rolle (z.B. Mutter(johanna), hatKind(johanna, niklas)
assertorisches Wissen (extensionales Wissen über konkrete Domäneindividuen, variabel) in Form von Konzept- und Rollenassertionen
Modell
Interpretation, so dass alle Konzeptdefinitionen und Assertionen in TBox bzw. ABox gültig sind
Qualified Number Restrictions
Inverse Role
Inferenz Probleme
Terminologische
Subsumption: Konzept Teilmenge anderen Konzeptes
Äquivalenz: zwei Konzepte besschreiben gleiche Teilmenge
Erfüllbarkeit: gibt es endgültige INterpretation der TBox, sodass das Konzept nicht leer ist
Klasssifikation: Wie sieht gesamte Konzepthierarchie aus
Assertorische
Konsistenz: existiert gemeinsames Modell für ABox und TBox
Instanz: Gehört Insidividuum zum Konzept C
Realisation: Wie sieht gesamte Zuordnung von individuen zu Konzepten aus (alle Instaz Beziehungen)?
3 Notwendige Kriterien für Inferenz-Algorithmen für effektive Entscheidungsprozedur + zwei weitere Kriterien
Korrektheit
positive Antworten müssen korrekt sein
Vollständigkeit
alle positiven Antworten müssen gefunden werden, d.h. alle negativen Antworten müssen korrekt sein
Termination
jede zulässige Frage muss in endlicher Zeit entschieden werden
Effizienz
kurze Laufzeit, klassischerweise polynomiell oder amotisiert ähnlich
Praktikabilität
einfach implementierbar, optimierbar
Grundsätzlich immer ein Trade-Off zwischen Ausdrucksstärke der Beschreibungssprache einerseits und Effizienz der Entscheidungsprozedur andererseits.
Leichtgewichtige Beschreibungslogik EL
zu Gunsten der Effizienz auf großen/ umfangreichen Ontologien weniger ausdrucksstark
beschränkt sich auf Konstruktoren ⊓, ∃, ⊤
Erfüllbarkeit und Konsistenz
Inferenzprobleme lassen sich aufeinander zurückführen
braucht nicht für jedes Inferenz Problem eigenen Algorithmus
Äquivalenz auf Subsumption
Subsumption auf Nicht-Erfüllbarkeit
Erfüllbarkeit auf Konsistenz
Instanz auf Inkonsistenz
Zusammenfassung Description Logics
Ausschnitte der Prädikatenlogik
neue Syntax für praktische Anwendbarkeit
geringere Ausdrucksstärke, dafür praxisrelevante Algorithmen
Arbeitspferd der ontologiebasierten Wissensaquisition und repräsentation
durch DL umfangreiche medizinische Klassifikationen formalisiert
sehr aktuelles Anwendungs- und Forschungsgebiet
Ontologien in der Medizin (GALAN)
Semantic Web (OWL)
Last changeda year ago