安敬民　李冠宇

(大連海事大學(xué)信息科學(xué)技術(shù)學(xué)院　遼寧 大連 116026)

0　引　言

目前隨著傳感器和計(jì)算機(jī)技術(shù)的高速發(fā)展和普及，普適計(jì)算時(shí)代正在到來(lái)。普適計(jì)算要求傳感器等設(shè)備能夠感知到用戶的上下文信息及其變化[1]。在普適計(jì)算的環(huán)境中，傳感器采集的上下文具有異構(gòu)、多變和數(shù)量大等特點(diǎn)。在對(duì)具有這些特點(diǎn)的上下文進(jìn)行推理時(shí)，推理過(guò)程中獲取信息的不完整性和上下文模型的弱可擴(kuò)展性是主要的兩個(gè)問(wèn)題。推理結(jié)果的準(zhǔn)確性很大程度上取決于所構(gòu)建的上下文本體模型的方法。但就目前而言，在現(xiàn)有的上下文建模技術(shù)當(dāng)中主要有基于邏輯[2]的、基于證據(jù)論[3]的以及基于本體語(yǔ)言[4]的上下文建模和基于元情景構(gòu)建本體[5]等，這些方法主要目的都是強(qiáng)調(diào)如何提高推理出的知識(shí)和信息最后結(jié)果的準(zhǔn)確性，但是忽略了在獲取上下文信息的過(guò)程中，對(duì)上下文信息是否完整的重視，推理的對(duì)象信息不夠完整，推理的結(jié)果自然會(huì)存在不準(zhǔn)確性；同時(shí)也忽略了對(duì)模型推理出新知識(shí)后的處理。如何能讓模型本體處于不斷的學(xué)習(xí)狀態(tài)，那就必須保證本體有很好吸納新知識(shí)和信息的能力，即具有好的可擴(kuò)展性。信息不完整性和模型弱擴(kuò)展性的致因主要有兩個(gè)方面：(1) 在收集的上下文信息過(guò)程中，遺漏了部分上下文隱含的有用信息，對(duì)上下文信息的不確定性處理程度不夠；(2) 因?yàn)樯舷挛谋旧碛捎陬愋筒煌?，存在異?gòu)性，所以無(wú)論是從上下文本體模型內(nèi)部的上下文之間還是內(nèi)部上下文與外界上下文之間考慮，都具有差協(xié)同性的特點(diǎn)，使得模型本身不具備好的可擴(kuò)展性。

本文針對(duì)上述兩個(gè)問(wèn)題，提出以下觀點(diǎn)：(1) 引入粗糙形式概念分析，對(duì)上下文進(jìn)行粗糙處理，即將獲取到的上下文作為形式背景，對(duì)形式背景做冪集運(yùn)算，得到多個(gè)隱含的形式背景(上下文)，再排除無(wú)價(jià)值的形式背景，最終得到含有有用信息被隱含的上下文；(2) 引入概念代數(shù)，對(duì)上下文深度形式化表示，利用概念代數(shù)的運(yùn)算規(guī)則(組成運(yùn)算和關(guān)系運(yùn)算)將深度形式化的上下文構(gòu)建成概念網(wǎng)，再將其轉(zhuǎn)化為本體模型。概念網(wǎng)具有良好的可擴(kuò)展性，可實(shí)現(xiàn)本體內(nèi)部的擴(kuò)展，同時(shí)可實(shí)現(xiàn)與外界不同本體之間兼容性，可進(jìn)行通信和互操作。

1　基本概念

1.1　形式背景

設(shè)形式背景為一個(gè)三元組，為B=(O,A,R)，其中O為形式對(duì)象，A為屬性集合，R為O與A之間的二元關(guān)系R?O×A[6]。

1.2　形式概念

定義1若二元組C=(M,N)滿足：M?O,N?A,令M={a∈A|?o∈M,oRa}，N={o∈O|?a∈N,oRa}，其中，M是O中所有的對(duì)象集，N是A中所有的屬性集，則C被稱為B中的一個(gè)精確形式概念[6]。其中M,N分別被稱為C的外延和內(nèi)涵。

在精確形式概念中，引入上近似外延和下近似外延，進(jìn)而擴(kuò)展引出了粗糙形式概念。

定義2若設(shè)形式背景B=(O,A,R)，若三元組D=(M上,M下,N)滿足：M上={o∈O|?a∈N,oRa},M下={o∈O|?a∈N,oRa},N={a∈A|?o?M上,?o∈M下,oRa}，則D被稱為形式背景B的一個(gè)粗糙形式概念[7-8]。其中M上、M下、N分別被稱為粗糙形式概念的上近似外延、下近似外延和內(nèi)涵。

1.3　概念代數(shù)

定義3上下文是含有語(yǔ)義的情景(語(yǔ)境)，可形式化表示為Θ=(O1，A1，R1)，其中O1為全部對(duì)象集，A1為全部屬性或狀態(tài)集，R1為對(duì)象和屬性之間的關(guān)系集[9]。形式背景的形式化定義如1.1節(jié)所述，二者在形式化定義上的結(jié)構(gòu)是同構(gòu)的且元素是相似的，本文提出Θ→B。

定義4根據(jù)Wille的形式概念分析[6]，形式背景可以用形式概念分析處理為一個(gè)形式概念為二元組(O,A)，對(duì)其進(jìn)行擴(kuò)展，在概念代數(shù)中一個(gè)語(yǔ)義環(huán)境的形式概念C表示為一個(gè)五元組C=(M，N,Rc,Ri，Ro)[9-11]，其中M?O是對(duì)象集，N?A是屬性集合；Rc?M×N，表示對(duì)象與屬性之間的關(guān)系，Ri?N×N1(N1是其他概念C1的內(nèi)涵)，表示概念C與C1的輸入關(guān)系(這里的關(guān)系是從人類認(rèn)知角度出發(fā)的，是指腦內(nèi)部與外部的關(guān)系，本文將概念視作腦內(nèi)知識(shí)，其他均為腦外概念)，其中N1?O且N1?N，也即從其他概念到概念C的關(guān)系；Rc恰與Ri相反，是輸出關(guān)系[9-12]。

定義5一個(gè)語(yǔ)義環(huán)境B下的概念代數(shù)CA定義為一個(gè)三元組，CA=(C,OP,B)=({O,A,Rc,Ri,Ro},{OPr,OPc},B)[9-11]，其中OPr、OPc分別表示關(guān)系運(yùn)算集和組合運(yùn)算集，具體含義如下所述：

關(guān)系運(yùn)算集OPr={?,?/,,?,=,?,～}[9-11]。集合中的元素分別表示概念之間的相關(guān)和不相關(guān),若C1?C2則A1∩A2≠φ，反之A1∩A2=φ，則C1?/C2；子概念與超概念，C1C2，即A2?A1，則C1為C2的子概念，C2為C1的超概念以及等價(jià)，(C1=C2)(A2=A1)∧(O1=O2)，則C1與C2等價(jià)；一致，(C1?C2)(C1C2)∨(C1?C2)和類比，(C1～C2)( #(A1∩A2)/#(A1∪A2)，即內(nèi)涵交集與并集的比值，比值在0到1之間，如果值為1，則是等價(jià)關(guān)系。還包括因果關(guān)系(—°)和行為關(guān)系(do:?)，C1—°C2表示C1是C2的因，C1do?C2表示C2是C1的一種行為的被作用對(duì)象(?表示to do)[12]。

利用概念的關(guān)系運(yùn)算，可判斷概念之間的關(guān)系，進(jìn)而對(duì)概念進(jìn)行關(guān)聯(lián)組合。

上述概念代數(shù)相關(guān)的運(yùn)算規(guī)則，在本體實(shí)際應(yīng)用中，文獻(xiàn)[12]上已經(jīng)得到了較好的驗(yàn)證，所以合理使用這些規(guī)則構(gòu)建上下文本體是可行的。而且，上述各規(guī)則與已經(jīng)在本體中經(jīng)常使用的形式概念中的關(guān)系有著天然的對(duì)應(yīng)關(guān)系。如繼承關(guān)系對(duì)應(yīng)kind-of關(guān)系；組合與分解對(duì)應(yīng)part-of關(guān)系；泛化和特化對(duì)應(yīng)kind-of關(guān)系；實(shí)例化對(duì)應(yīng)instance-of關(guān)系[12]。

定義6概念網(wǎng)CN是使用概念代數(shù)規(guī)則構(gòu)成的，CN形式化表示為：CN={a|P→Q,R}。其中，P,Q分別表示n個(gè)概念的集合，R是上述綜述的概念代數(shù)運(yùn)算規(guī)則；也即表示規(guī)則R下P集合對(duì)Q集合的映射所構(gòu)成的集合CN。

1.4　上下文及本體

上下文表示事物的狀態(tài)或?qū)傩裕梢允沁^(guò)去的狀態(tài)，也可以是現(xiàn)在的狀態(tài)[13]。而形式背景定義為一個(gè)三元組，形如B=(O,A,R)，其中O為對(duì)象，A屬性或狀態(tài)，R為對(duì)象和屬性之間的某種關(guān)系，所以根據(jù)對(duì)應(yīng)關(guān)系，可以把上下文視為一個(gè)形式背景，可以用形式概念分析(FCA)處理，在本文定義3中已經(jīng)提出。

Studer[14]提出的本體概念中，包含四部分：概念模型，是指領(lǐng)域的主要概念；明確的，是指概念有明確定義；形式化,是指本體中的數(shù)據(jù)、信息以及概念計(jì)算機(jī)可讀； 共享，是指領(lǐng)域內(nèi)共識(shí)。

2　基于RFCA的上下文抽取方法

2.1　屬性集冪集

定義7令f(S)={x|x?S}，S是任意一個(gè)集合，則稱f(S)為S的冪集[15]。若集合S中有n個(gè)元素，則它的冪集個(gè)數(shù)為2n個(gè)，如S={a,b}，那么它的冪集f(S)={{a},,{a,b},{}}。

一個(gè)集合的冪集就是包括了所有它的子集，所以屬性集的冪集包括了它的所有屬性可能的組合，不僅保留了原屬性集還補(bǔ)充了一些隱含的屬性集合，這樣保證了形式背景概念抽取的完整性[7],進(jìn)而可以較好地處理概念的不確定性。

2.2　RFCA抽取屬性集合冪集方法

粗糙形式概念可以由三元組D表示，如D=(M上,M下,N)，其中M上上近似外延和M下下近似外延組成其外延部分；上近似外延和下近似外延需要通過(guò)從形式背景中抽取其屬性(內(nèi)涵)來(lái)計(jì)算得出，本文利用王丹等[7]提出的方法，構(gòu)造了粗糙形式概念抽取方法框架圖，如圖1所示。

圖1　粗糙形式概念抽取方法框架圖

2.3　實(shí)　例

如將一個(gè)上下文作為一個(gè)形式背景，抽取出對(duì)象集O={1,2}，屬性集A={a,b}，將形式背景用二維表表示，如表1所示。

表1　形式背景

由屬性集可求得冪集P(A)={{a},,{a,b},{}}，再求的上近似外延和下近似外延，如表2所示。

表2　內(nèi)涵與上近似外延和下近似外延計(jì)算表

然后合成粗糙形式概念，除去空集(無(wú)意義)，得到三種定義良好的粗糙形式概念，具體如表3所示。

表3　形式背景對(duì)應(yīng)的粗糙形式概念

表3中具有良好定義的粗糙形式概念RFC1、RFC2及RFC3都可以將其作為一條上下文。其中，RFC3是初始得到的上下文，RFC1及RFC2是隱含的上下文。

2.4　上下文抽取方法

基于RFCA的上下文抽取的關(guān)鍵步驟如下：

(1) 發(fā)現(xiàn)新的上下文，從上下文庫(kù)提出將新的上下文寫入庫(kù)申請(qǐng)；將該上下文從申請(qǐng)隊(duì)列中取出做準(zhǔn)備。

(2) 上下文庫(kù)中的啟發(fā)性知識(shí)對(duì)該上下文進(jìn)行判斷，若不滿足一致性，則直接刪除該上下文；否則，將該上下文交到形式背景處理模塊，執(zhí)行(3)。

(3) 將滿足一致性的上下文作為形式背景，使用2.2節(jié)所述的方法，將形式背景中的對(duì)象和屬性抽取出來(lái)，對(duì)屬性進(jìn)行冪集計(jì)算，計(jì)算出上近似外延和下近似外延，最后合成粗糙形式概念。

(4) 將合成的粗糙形式概念逐一轉(zhuǎn)換成上下文的格。

至此，一次上下文更新或者對(duì)一個(gè)新的上下文處理就完成了。

算法1基于RFCA上下文抽取算法

輸入：一個(gè)語(yǔ)義情景(上下文)

輸出：一個(gè)或多個(gè)粗糙形式概念

1.Begin：

2.(O,A)=f_constructFormalContext(O,A,R);

3.objectSet=f_construct(O);

4.attributeSet=f_construct(A);

5.A_powerSet=f_constructPowerSet(attribute);

6.for(i=1;i

7. { M= objectSet[i];

N= A_powerSet[i];

8. if(DKE(M,N)==1)

9. { down_extention=M;

10. connotation =N; }

11. else if(DKE(M,N)==0)

12. { up_extention=M;

connotation =N; }

13. else loop; }

14 .End

算法1中，輸入一個(gè)上下文，使用函數(shù)f_constructFormalContext()將該上下文的三元組中的對(duì)象和屬性抽取出來(lái)，然后利用構(gòu)造函數(shù)f_constructPowerSet()對(duì)屬性集進(jìn)行冪集計(jì)算；將對(duì)象集以及屬性集的冪集做笛卡爾積運(yùn)算(DKE())，判斷是部分相關(guān)還是完全相關(guān)，進(jìn)而得到對(duì)象的上近似集(up_extention)和對(duì)象的下近似集(down_extention))，最后輸出一個(gè)或多個(gè)粗糙形式概念(M上/下，N)。

3　基于CA的上下文本體建模

上述是概念代數(shù)中的運(yùn)算規(guī)則，本文將其引入到上下文本體建模當(dāng)中，將一個(gè)上下文視為一個(gè)形式背景，利用概念代數(shù)對(duì)形式背景進(jìn)行深度形式化(深度形式化表示的上下文是一個(gè)概念)和利用運(yùn)算規(guī)則進(jìn)行復(fù)雜計(jì)算(含有語(yǔ)境)。將一個(gè)概念作為起點(diǎn)，將與其有關(guān)聯(lián)關(guān)系(上述提到的7+9=16種運(yùn)算關(guān)系)的外部概念聯(lián)系起來(lái)，并做概念的語(yǔ)法和語(yǔ)義沖突處理。從一個(gè)獨(dú)立的概念不斷擴(kuò)展成多個(gè)概念的關(guān)系集合，最后成為一個(gè)概念網(wǎng)(CN)-本體。如圖2所示。

圖2　基于概念代數(shù)的上下文本體建?？蚣軋D

3.1　上下文深度抽象化

利用上下文存儲(chǔ)庫(kù)中的啟發(fā)性知識(shí)判斷上下文是否滿足一致性[1]，若不滿足一致性需要?jiǎng)t直接刪除，對(duì)于滿足一致性的上下文，使用Jena對(duì)其解析，得到OWL表示的對(duì)象集，屬性集和對(duì)象與屬性的關(guān)系集。將上述得到的結(jié)果構(gòu)建形式背景，其對(duì)應(yīng)關(guān)系如表4所示。對(duì)得到的形式背景使用概念代數(shù)CA進(jìn)行擴(kuò)展和深度形式化。

表4　上下文與形式背景對(duì)應(yīng)關(guān)系

3.2　上下文本體模型

對(duì)由上下文抽象化(如3.1節(jié)所述)得到的形式背景，使用概念代數(shù)對(duì)其運(yùn)算，得到形式背景的概念代數(shù)表示，與初始概念關(guān)聯(lián)合并，借用WordNet知識(shí)庫(kù)對(duì)概念進(jìn)一步判斷概念間關(guān)系，如有沖突，需要使用WordNet或者領(lǐng)域?qū)＜疫M(jìn)行處理，否則合成構(gòu)建概念網(wǎng)。

關(guān)于概念網(wǎng)中概念間相互關(guān)聯(lián)的關(guān)聯(lián)規(guī)則[12]如下:

規(guī)則1:根據(jù)WordNet判斷概念之間(內(nèi)部概念和外部概念)關(guān)系，以當(dāng)前概念為核心，若其他概念為上位詞，利用泛化表示；若為下位詞，用繼承(擴(kuò)展、裁剪或替換)表示。

規(guī)則2:對(duì)整體和局部關(guān)系，以當(dāng)前概念網(wǎng)為核心，若為上位詞，利用組合表示；若為下位詞利用分解表示。

規(guī)則3:對(duì)于概念之間的屬性關(guān)系，需要進(jìn)一步判斷，是屬于因果關(guān)系還是行為關(guān)系(do:?，一個(gè)對(duì)象作用于另一個(gè)對(duì)象)。

以上概念之間的關(guān)聯(lián)規(guī)則在文獻(xiàn)[12]中用于原有本體之間的合并(以一個(gè)本體為核心)；而本文目的在于構(gòu)建新的本體，所以本文以一個(gè)概念為核心構(gòu)建概念網(wǎng)表示的本體。提出適用本文方法的形式背景概念代數(shù)表示-概念與內(nèi)部概念構(gòu)成概念網(wǎng)(CN)算法描述如下：

(1) 初始化概念網(wǎng)L，初始化內(nèi)部概念C1，以為C1中心。

(2) 對(duì)上下文抽象化，得到對(duì)象，屬性以及其之間的關(guān)系，構(gòu)建形式背景B。

(3) 對(duì)B進(jìn)行概念代數(shù)運(yùn)算，深度形式化，記為Ci(i=2,3,4,…)。

(4) 將Ci加入到概念網(wǎng)L中，與C1或者已有的概念網(wǎng)進(jìn)行關(guān)聯(lián)。

(5) 根據(jù)WordNet判斷新加入的概念與L中已有的概念是否關(guān)聯(lián)，如果不相關(guān)，刪除此概念，不加入到概念網(wǎng)L中轉(zhuǎn)到執(zhí)行(2)；如果相關(guān)執(zhí)行(6)。

(6) 新概念節(jié)點(diǎn)加入到概念網(wǎng)L中，根據(jù)概念網(wǎng)L原有的概念之間關(guān)系(局部概念網(wǎng))以及WordNet，依據(jù)人的常識(shí)以及領(lǐng)域?qū)＜业闹R(shí)判斷新節(jié)點(diǎn)與原有節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系(上述第1節(jié)所述的概念代數(shù)運(yùn)算規(guī)則)。

(7) 運(yùn)用概念代數(shù)的組成運(yùn)算和關(guān)系運(yùn)算對(duì)概念節(jié)點(diǎn)進(jìn)行運(yùn)算并關(guān)聯(lián)。

(8) 轉(zhuǎn)到執(zhí)行(2)；上下文存儲(chǔ)庫(kù)沒有新的上下文，結(jié)束。

算法2基于概念代數(shù)的上下文本體建模算法

輸入：內(nèi)部概念C；上下文存儲(chǔ)庫(kù)ContextDB

輸出：概念網(wǎng)CN

1.Begin：

2. N=relate(C2,C1);

3. i=3；

4. while(ContextDB[i]>0)

5.{ If( hasrealitionWordNet(Ci,N))

6. { If( hasrealitionWordNet(Ci,N) .equals(enqivalent))

7. N=relate(N,Ci);

8. else i++; continue;}

9. else

loop:i++;}

10.End

算法2中，輸入內(nèi)部概念與ContextDB，以已有的內(nèi)部概念C1和C2為核心，在上下文存儲(chǔ)庫(kù)中有新的上下文(ContextDB[i]>0)時(shí)，先后判斷與原有概念網(wǎng)是否相關(guān)，具體與哪個(gè)結(jié)點(diǎn)相關(guān)；利用函數(shù)relate()(該函數(shù)是使用上述概念代數(shù)的關(guān)系運(yùn)算和組成運(yùn)算定義的復(fù)合函數(shù))將現(xiàn)有的概念與原概念網(wǎng)關(guān)聯(lián)，最后輸出加入新節(jié)點(diǎn)的概念網(wǎng)。

利用上述構(gòu)建本體算法以及第1節(jié)介紹的概念代數(shù)的關(guān)系運(yùn)算和組成運(yùn)算規(guī)則給出以Knowledge這個(gè)概念為內(nèi)部概念(核心)的一個(gè)概念網(wǎng)(局部)，如圖3所示。

圖3　“knowledge”概念網(wǎng)-本體(局部)圖

圖3中：

E:extensionT1:tailoringobjectT:tailoring，A:attribute-ofD:decomposionI:instance-of，do:表示行為。

對(duì)圖3給出的概念網(wǎng)，給出其形式化表示，如下：

classicalChinesedo:spokeninEnglish;

4　實(shí)驗(yàn)驗(yàn)證與分析

在上下文本體建模過(guò)程中，利用R-FCA將獲取到的上下文進(jìn)行粗糙處理是構(gòu)建模型的基礎(chǔ)，所以它的實(shí)用性決定了構(gòu)建的上下文本體的性能。

本文根據(jù)上述所提出方法的原理以及算法，結(jié)合文獻(xiàn)[3] 給出的數(shù)據(jù)集，分為6組測(cè)試用例，分別為100,300，…，900,1 000個(gè)上下文(文獻(xiàn)[3]與文獻(xiàn)[16]已經(jīng)做過(guò)對(duì)比實(shí)驗(yàn)，本文只給出與文獻(xiàn)[3]的對(duì)比實(shí)驗(yàn))。先對(duì)其進(jìn)行上下文隱含概念的抽取，并使用Jena推理機(jī)解析得到具體可用的上下文(現(xiàn)實(shí)中存在的符合人的邏輯思維的對(duì)象與屬性的組合)。再使用文獻(xiàn)[3]提出的上下文推理方法(由于本文是對(duì)用于構(gòu)建本體的上下文做處理來(lái)提高原有推理方法的準(zhǔn)確率，所以只選擇文獻(xiàn)[3]的推理方法進(jìn)行對(duì)比實(shí)驗(yàn)，以證實(shí)本文提出方法的有效性)，對(duì)二者進(jìn)行推理準(zhǔn)確率統(tǒng)計(jì)，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4　推理結(jié)果實(shí)驗(yàn)分析

本體的可擴(kuò)展性對(duì)比實(shí)驗(yàn)，根據(jù)對(duì)本體中的原有概念結(jié)點(diǎn)在新加入概念之后，各個(gè)節(jié)點(diǎn)的變化情況做統(tǒng)計(jì)，利用式(1)，計(jì)算出本體結(jié)構(gòu)的改變率，改變率越小說(shuō)明可擴(kuò)展性越好，如圖5所示。

圖5　本體擴(kuò)展性對(duì)比實(shí)驗(yàn)

(1)

式中：p(i)是本體結(jié)構(gòu)第i次實(shí)驗(yàn)改變率，M是第i次在新加入概念節(jié)點(diǎn)后本體中原概念結(jié)點(diǎn)結(jié)構(gòu)發(fā)生變化個(gè)數(shù)，N是第i次實(shí)驗(yàn)之前本體中概念結(jié)點(diǎn)總數(shù)。

如圖4所示，由實(shí)驗(yàn)發(fā)現(xiàn)，文獻(xiàn)[3]中是將得來(lái)的數(shù)據(jù)直接用于推理；本文提出先對(duì)上下文進(jìn)行粗糙形式概念處理得到隱含而有用的粗糙上下文再進(jìn)行推理。從實(shí)驗(yàn)結(jié)果上，當(dāng)數(shù)據(jù)集為100時(shí)，二者準(zhǔn)確率差值近似為0，但是當(dāng)測(cè)試用例數(shù)量為300時(shí)，準(zhǔn)確率差值1%，隨著用例不斷加大，為500,…，900甚至1 000時(shí)，二者準(zhǔn)確率相差了5%，說(shuō)明本文的方法在原方法上準(zhǔn)確率提高5%。通過(guò)因果分析，可以發(fā)現(xiàn)，由于不同的上下文含有的對(duì)象個(gè)數(shù)和屬性個(gè)數(shù)不同，屬性個(gè)數(shù)多的上下文通過(guò)粗糙處理后得到的隱含上下文信息就多(如：一個(gè)上下文中含有n個(gè)屬性，通過(guò)粗糙處理可得到2n個(gè)上下文)，而且經(jīng)過(guò)Jena解析之后雖然會(huì)去除一些沒有價(jià)值的上下文，但是有用的上下文個(gè)數(shù)仍然很多。

根據(jù)本文的數(shù)據(jù)集，經(jīng)過(guò)實(shí)驗(yàn)得到有價(jià)值的上下文分別為248、525、923、1 346、1 921和2 298，所以使用本文的方法處理上下文再進(jìn)行推理時(shí)，信息源明顯增大，推理的準(zhǔn)確率自然變高。當(dāng)構(gòu)建上下文本體時(shí)，如果對(duì)含有屬性較多的上下文不做粗糙處理，那么丟失上下文中那些有用信息的數(shù)量就非常巨大，而且直接對(duì)后繼的模型推理造成推理結(jié)果不全面和不完整。從實(shí)驗(yàn)效果上看，采用本文所提的方法獲取隱含的上下文信息是可行的、有效的。

如圖5所示，本文對(duì)文獻(xiàn)[3,5]中構(gòu)建的上下文本體與本文提出的基于粗糙FCA-概念代數(shù)的上下文本體進(jìn)行了本體可擴(kuò)展性對(duì)比實(shí)驗(yàn)，并用式(1)分別計(jì)算出文獻(xiàn)[3,5]和本文的方法的本體結(jié)構(gòu)改變率。數(shù)據(jù)集共分為6組，為100,200，…，600(個(gè)RDF)，具體實(shí)驗(yàn)結(jié)果如表5所示。

表5　本體結(jié)構(gòu)改變率實(shí)驗(yàn)對(duì)比結(jié)果表

表5各組實(shí)驗(yàn)數(shù)據(jù)的結(jié)果表明，本文提出的方法

的本體結(jié)構(gòu)改變率明顯低于文獻(xiàn)[3]和文獻(xiàn)[5]，所以在本體可擴(kuò)展性方面要優(yōu)于前二者。本文使用概念代數(shù)構(gòu)建本體，利用數(shù)學(xué)運(yùn)算計(jì)算概念間的關(guān)聯(lián)關(guān)系，并改變概念網(wǎng)的結(jié)構(gòu)，使得本體每次只需局部變化而非整體變化，致使本體具有較好的可擴(kuò)展性。

5　結(jié)　語(yǔ)

粗糙形式概念分析對(duì)形式背景進(jìn)行冪集計(jì)算，可以將上下文中隱含的有用信息提取出來(lái)，得出多個(gè)有用上下文；概念代數(shù)將形式背景高度形式化，再將已經(jīng)高度形式化的概念，以網(wǎng)狀形式進(jìn)行構(gòu)建，進(jìn)而直接得到本體且具有較好的可擴(kuò)展性和協(xié)同性。本文將粗糙形式概念分析和概念代數(shù)二者結(jié)合來(lái)構(gòu)建上下文本體，目的是從收集上下文到構(gòu)建上下文本體的過(guò)程中，對(duì)上下文都做不完整性處理，使得所得到的上下文本體含有更多有用和有效的上下文，進(jìn)而提高本體推理的正確性，使本體可以提供更全面和準(zhǔn)確的服務(wù)。通過(guò)本文理論和實(shí)驗(yàn)驗(yàn)證，證實(shí)將二者結(jié)合是可行的和有效的。同時(shí)本文為構(gòu)建本體前期和后期的處理方法提供了新的視角。本文存在的不足是未在該方法的效率上進(jìn)行驗(yàn)證分析。

[1] 張慧,李冠宇,王元?jiǎng)?語(yǔ)用網(wǎng)驅(qū)動(dòng)的上下文感知系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用研究,2015,32(5):1412-1416.

[2] 胡博,王智學(xué),董慶超,等.基于描述邏輯的上下文知識(shí)獲取與推理方法[J].計(jì)算機(jī)科學(xué),2013,40(4):199-203.

[3] 李艷娜,喬秀全,李曉峰.基于證據(jù)理論的上下文本體建模以及不確定性推理方法[J].電子與信息學(xué)報(bào),2010,32(8):1806-1811.

[4] Hervás R,Bravo J,Fontecha J.A Context Model based on Ontological Languages:a Proposal for Information Visualization[J].Journal of Universal Computerence,2010,16(16):1539-1555.

[5] Lu Z J,Li G Y,Pan Y.A Method of Meta-Context Ontology Modeling and Uncertainty Reasoning in SWoT[C]//International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery.IEEE,2017:128-135.

[6] 甘特爾,威爾.形式概念分析[M].馬垣,譯.科學(xué)出版社,2007.

[7] 王丹,黃映輝,李冠宇.粗糙形式概念抽取的屬性集合冪集方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2011,32(9):3162-3165.

[8] 曲開社,翟巖慧,梁吉業(yè),等.形式概念分析對(duì)粗糙集理論的表示及擴(kuò)展[J].軟件學(xué)報(bào),2007,18(9):2174-2182.

[9] Wang Y.On concept algebra:A denotational mathematical structure for knowledge and software modeling[J].International Journal of Cognitive Informatics and Natural Intelligence (IJCINI),2008,2(2):1-19.

[10] Wang Y.On concept algebra and knowledge representation[C]//Cognitive Informatics,2006.ICCI 2006.5th IEEE International Conference on.IEEE,2006,1:320-331.

[11] Tian Y,Wang Y,Hu K.A knowledge representation tool for autonomous machine learning based on concept algebra[M]//Transactions on Computational Science V.Springer Berlin Heidelberg,2009:143-160.

[12] 韓國(guó)栓,李冠宇,王元?jiǎng)?概念代數(shù)在本體合并中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(10):53-57.

[13] Delbru R,Tummarello G,Polleres A.Context-dependent owl reasoning in sindice-experiences and lessons learnt[C]//International Conference on Web Reasoning and Rule Systems.Springer Berlin Heidelberg,2011:46-60.

[14] Staab S,Studer R,Schnurr H P,et al.Knowledge processes and ontologies[J].IEEE Intelligent systems,2001,16(1):26-34.

[15] 蘇北.Z規(guī)格說(shuō)明中冪集算子自動(dòng)求精的研究與實(shí)現(xiàn)[D].沈陽(yáng):沈陽(yáng)工業(yè)大學(xué),2006.

[16] Jousselme A L,Grenier D,Bossé é.A new distance between two bodies of evidence[J].Information fusion,2001,2(2):91-101.