知识推理_ 字节宝

参考链接：从列表中移除满足Java中给定谓词元素

 本体知识推理简介与任务分类

OWL本体语言

知识推理任务

OWL本体推理

实例化(materialization)的一个例子:

OWL本体推理:不一致性检测

OWL本体非标准推理:计算辩解

 本体推理方法与工具介绍

基于Tableaux运算的方法

 Tableaux运算的正确性

相关工具介绍

RDFox实践

基于一阶查询重写的方法

相关工具介绍

基于产生式规则的方法

产生式规则推理用于辅助证券交易

相关工具介绍

 实践展示: 使用Jena进行知识推理

 本体知识推理简介与任务分类

OWL本体语言

 OWL本体语言

 是知识图谱语言中最规范,最严谨,表达能力最强的语言

 基于RDF语法,使表示出来的文档具有语义理解的结构基础

 促进了统一词汇表的使用,定义了丰富的语义词汇

 允许逻辑推理

 语法

 RDF语法,三元组

 逻辑基础: 描述逻辑

 描述逻辑系统

 一个描述逻辑系统包括四个基本的组成部分

1)最基本的元素:概念、关系和个体

2)TBox术语集 (概念术语的公理集合)

3)ABox断言集 (个体的断言集合)

4)TBox和ABox上的推理机制

 不同的描述逻辑系统的表示能力与推理机制由于对这四个组成部分的不同选择而不同。

 概念

 解释为一个领域的子集

 例如,学生: x|student(x)

 关系

 解释为该领域上的二元关系(笛卡尔乘积)

 例如,朋友: x, y |friend(x, y)

 个体

 一个领域内的实例

 例如,小明: Ming

 TBox——泛化的知识

 描述概念和关系的知识,被称之为公理 (Axiom)

 描述逻辑的公理可以用来定义术语,所以称为Terminological Box,简称Tbox

 ABox——具体个体的信息

 ABox包含外延知识 (又称断言 (Assertion)),描述论域中的特定个体

描述逻辑的知识库K ≔ T, A , T即TBox, A即ABox

 Tbox语言

 定义: 引入概念以及关系的名称

 例如,Mother,Person,has_child

 包含: 声明包含关系的公理

 例如, Mother ⊑ ∃has_child. Person

 Abox语言

 概念断言——表示一个对象是否属于某个概念

 例如,Mother(Alice),Person(Bob)

 关系断言——表示两个对象是否满足特定关系

 例如,has_child(Alice, Bob)

概念和概念,关系和概念之间可以组成更复杂的概念:交 (⊓),并(⊔),非 (¬),存在量词 (∃)和全称量词 (∀)

 描述逻辑语义

 解释I 是一个映射

 给定解释I

 TBox公理的模型

 I ⊨ C ⊑ D 如果 C I  D I

 I ⊨ R ⊑ S 如果 R I  S I

 ABox断言的模型

 I ⊨ C(a) 如果 a I  C I

 I ⊨ R(a,b) 如果 (a I ,b I )  R I

 描述逻辑语义

 解释I是知识库K的模型,当且仅当I是K中每个公理或者断言的模型

 若一个知识库K有一个模型,则称K是可满足的

 若断言σ对于K的每个模型都是满足的,则称K逻辑蕴含σ,记为K ⊨ σ

 对概念C,若K有一个模型I使得C I ≠ ∅,则称C是可满足的

知识推理任务

可满足性 (satisfiability)

分类 (classification)

实例化 (materialization)

不一致性检测

推理就是通过各种方法获取新的知识或者结论,这些知识和结论满足语义。

OWL本体推理

 可满足性 (satisfiability)

 本体可满足性

 检查一个本体是否可满足,即检查该本体是否有模型。如果本体不可满足,说明存在不一致

 概念可满足性

 检查某一概念的可满足性,即检查是否具有模型,使得针对该概念的解释不是空集

 分类 (classification)

 针对Tbox的推理,计算新的概念包含关系

 实例化 (materialization)

 实例化即计算属于某个概念或关系的所有实例的集合

实例化(materialization)的一个例子:

一个兼并重组 (可以是业务兼并,不是收购)套利策略:

策略思想: 与大盘股公司兼并重组的上市企业有很高的预期收益。

∃merge.BigCapital ⊑ ValueSecurity

定义什么是大盘股 (按照策略自己调整):

上证50和沪深300指数中的标的属于大盘股。

SZ50 ⊑ BigCapital, HS300 ⊑ BigCapital, SZ180 ⊑ HS300

选股目标: 找出兼并重组策略下所有高预期公司:使用OWL的实例化推理

一个兼并重组套利策略:

∃merge.BigCapital ⊑ ValueSecurity

SZ50 ⊑ BigCapital, HS300 ⊑ BigCapital, SZ180 ⊑ HS300

选股目标: 找出兼并重组策略下所有高预期公司:

merge(SZ300377, SH600570) 赢时胜和恒生电子在区块链方面有业务兼并

SZ180(SH600570) 恒生电子是上证180的成分股

推理:

HS300(SH600570), BigCapital(SH600570), ValueSecurity(SZ300377)

结论: SZ300377赢时胜在短期内是一家高收益公司。

这本质上用基于消息面的套利,推理机可以完成复杂股票筛选的过程。

OWL本体推理:不一致性检测

• 不一致检测 :

“不一致”也是本体错误的一种形式。在丰富与演化知识库的时候,我们需要声明不相交性的知识或者公理(disjointness)。比如我们若用A,B来分别代表概念“心脏病”和“脑科疾病”,那么我们便有如下的声明:

A disjoin B 或者A ⊓ B ≡ ⫠

因为“心脏病”和“脑科疾病”肯定是不相交的集合。如果我们在构建知识库的时候,将“心内膜炎”这条知识既归为A的实例,又归为B的实例。那么这里就出现了一个“不一致”。对“不一致”进行检测也是提升知识库质量的重要一环。

OWL本体非标准推理:计算辩解

• 辩解是什么 :辩解原始本体当中可以解释结论的公理集 1

• 利用辩解来修正知识库 :

通过分类,我们发现一个错误的事实“Meningitis⊑ ∃has-loc.Heart”,脑膜炎不可能发生在心脏。所以一定是原始本体有错。通过计算辩解,我们发现引起错误的原因是这条公理“Meningitis⊑HeartDisease”。遂修改之。

 本体推理方法与工具介绍

基于Tableaux运算的方法

 Tableaux运算

 适用场合

 检查某一本体的可满足性,以及实例检测

 基本思想

 通过一系列规则构建Abox,以检测可满足性,或者检测某一实例是否存在于某概念

 基本思想类似于一阶逻辑的归结反驳

 Tableaux运算规则 ( 以主要DL算子举例 )

初始情况下, ∅ 是原始的Abox,迭代运用如下规则:

⊓ -规则:若C⊓D(x) ∊ ∅, 且C(x),D(x)∉ ∅,则∅ :=∅∪{C(x),D(x)};

⊓ − -规则:若C x , D(x) ∊ ∅, 且C ⊓ D(x)∉ ∅,则∅ :=∅∪{C ⊓ D(x)};

∃-规则:若∃R.C x ∊ ∅, 且R(x,y),C(y)∉ ∅,则∅ :=∅∪{R(x,y),C(y)},

其中,y是新加进来的个体;

∀-规则:若∀R.C x ∊ ∅, R(x,y) ∊ ∅ ,且C(y)∉ ∅,则∅ :=∅∪{C(y)};

⊑-规则:若C x ∊ ∅, C ⊑ D,且D(x)∉ ∅,则∅ :=∅∪{D(x)};

⊥-规则:若⊥ x ∊ ∅, 则拒绝∅ ;

 Tableaux运算规则举例

给定如下本体,检测实例Allen是否在Woman中?

给定如下本体,检测是否可满足?

 Tableaux运算的正确性

 基于Herbrand模型

 利用Tableaux算法构建的Abox本质上是该本体的Herbrand模型

 一个本体的Herbrand模型与该本体任意模型的一个子集是同构的

 拒绝Herbrand模型,就是拒绝了本体的所有模型,因此该本体一定是不可满足的

 无法拒绝Herbrand模型,那么该模型本身就是本体的一个模型;只要本体有模型,那么一定是可满足的

相关工具介绍

 KAON2

 OWL推理机、本体管理API

 基于一阶消解原理

 针对大规模ABox进行优化

 使用举例

创建本体

OntologyManager ontologyManager=KAON2Manager.newOntologyManager();

Ontology ontology=ontologyManager.createOntology("http://kaon2.semanticweb.org/example04",new

HashMap<String,Object>());

创建推理机

Reasoner reasoner=ontology.createReasoner();

并用于查询

Query whatDoPeopleKnowAbout=reasoner.createQuery(new Literal[] {

KAON2Manager.factory().literal(true,person,new Term[] { X }),

KAON2Manager.factory().literal(true,personKnowsAboutTopic,new Term[] { X,Y }),

},new Variable[] { X,Y});

 RDFox

https://www.cs.ox.ac.uk/isg/tools/RDFox/

 由牛津大学开发的可扩展、跨平台、基于内存的

RDF三元组存储系统

 支持并行Datalog推理、SPARQL查询

 使用举例

创建本体与存储

OWLOntologyManager manager = OWLManager.createOWLOntologyManager();

OWLOntology ontology =manager.loadOntologyFromOntologyDocument(IRI.create(“test.owl"));

DataStore store = new DataStore(DataStore.StoreType.ParallelSimpleNN, true);

导入本体进行推理

store.importOntology(ontology);

store.applyReasoning();

相关工具介绍

 Ontop

最先进的OBDA系统

兼容RDFS、OWL 2 QL、R2RML、SPARQL标准

支持主流关系数据库:Oracle、MySQL、SQL Server、Postgres

开源 (Apache License 2.0)

基于产生式规则的方法

 产生式系统

Feigenbaum研制的化学分子结构专家系统DENDRAL，Shortliffe研制的的诊断感染性疾病的专家系统MYCIN...

 一种前向推理系统,可以按照一定机制执行规则从而达到某些目标,与一阶逻辑类似,也有区别

 应用

 自动规划

 专家系统

 产生式系统的组成

 事实集合 (Working Memory)

 产生式/规则集合

 推理引擎

 事实集/运行内存 (Working Memory, WM)

 事实 (WME)的集合

 用于存储当前系统中所有事实

 事实 (Working Memory Element, WME)

 描述对象

 形如(type attr 1 : val 1 attr 2 : val 2 ... attr n : val n ),其中type, attr i , val i 均为原子 (常量)类比类和对象

 例如: (student name: Alice age: 24)

 描述关系 (Refication)

 例如:(basicFact relation: olderThan firstArg: John secondArg: Alice)简记为(olderThan John Alice)

 产生式集合 (Production Memory, PM)

 产生式的集合

 产生式

 IF conditions THEN actions

 conditions是由条件组成的集合,又称为LHS

 actions是由动作组成的序列,又称为RHS

 LHS

 条件 (condition)的集合,各条件之间是且的关系

 当LHS中所有条件均被满足,则该规则触发

 每个条件形如 (type attr 1 : spec 1 attr 2 : spec 2 ... attr n : spec n )

 其中spec i 表示对attr i 的约束,形式可取下列中的一种

原子,如:Alice

变量,如:x (斜体)

表达式,如:[n 4]

布尔测试,如:{> 10}

约束的与、或、非操作

 RHS

 动作 (action)的序列,执行时依次执行

 动作的种类如下:

 ADD pattern

 向WM中加入形如pattern的WME

 REMOVE i

 从WM中移除当前规则第i个条件匹配的WME

 MODIFY i (attr spec)

 对于当前规则第i个条件匹配的WME,将其对应于attr属性的值改为spec

产生式规则推理用于辅助证券交易

 推理引擎

 控制系统的执行

 模式匹配

 用规则的条件部分匹配事实集中的事实,整个LHS都被满足的规则被触发,并被加入议程(agenda)

 解决冲突

 按一定的策略从被触发的多条规则中选择一条

 执行动作

 执行被选择出来的规则的RHS,从而对WM进行一定的操作

该步骤是产生式系统的核心,具体算法在后面介绍

产生式系统=事实集产生式集合推理引擎

 产生式系统执行流程

 模式匹配

 用每条规则的条件部分匹配当前WM

(type x y , subClassOf y z ⇒ ADD (type x z)

 模式匹配

 RETE算法

 1979年由Charles Forgy (CMU)提出

 将产生式的LHS组织成判别网络形式

 用空间换时间

 模式匹配

 RETE算法

 冲突解决

 从被触发的多条规则中选择一条

 常见策略

 随机选择在推理的场景下,被触发的多条规则可全被执行

 从被触发的规则中随机选择一条执行

 具体性 (specificity)

 选择最具体的规则

Student name: x ⇒ ⋯

Student name: x age: 20 ⇒ ⋯

 新近程度 (recency)

 选择最近没有被触发的规则执行动作

相关工具介绍

 Drools

rule “name”

attributes

when

LHS

then

RHS

end

 商用规则管理系统,其中提供了一个规则推理引擎

 核心算法基于RETE算法改进

 提供规则定义语言,支持嵌入Java代码

 使用举例

创建容器与会话

KieServices ks = KieServices.Factory.get();

KieContainer kContainer = ks.getKieClasspathContainer();

KieSession kSession = kContainer.newKieSession("ksession-rules");

触发规则

kSession.fireAllRules();

 Jena

 RDF4J (原Sesame)

 GraphDB (原OWLIM)