8.2.4. Примеры онтологий

В настоящее время исследования в области онтологий и онтологических систем являются «горячими точками» не только в ИИ, но и в работах по интеллектуализации информационного поиска, в первую очередь, в среде Интернет; в работах по мультиагентным системам; в проектах по автоматическому «извлечению» знаний из текстов на естественном языке; в проектах, ведущихся в смежных областях.

При этом разные авторы вводят различные типизации онтологий [Gruber, 1995; Guarino, 1996], суммируя которые можно выделить классификации по:

•    степени зависимости от конкретной задачи или предметной области;

•    уровню детализации аксиоматизации;

•    «природе» предметной области и т. д.

Дополнительно к этим измерениям можно ввести и классификации, связанные с разработкой, реализацией и сопровождением онтологий, но такая типизация более уместна при обсуждении вопросов реализации онтологических систем.

По степени зависимости от конкретной задачи или предметной области обычно различают:

•    онтологии верхнего уровня;

•    онтологии, ориентированные на предметную область;

•    онтологии, ориентированные на конкретную задачу;

•    прикладные онтологии.

Онтологии верхнего уровня описывают очень общие концепты, такие как пространство, время, материя, объект, событие, действие и т. д., которые независимы от конкретной проблемы или области. Поэтому представляется разумным, по крайней мере в теории, унифицировать их для больших сообществ пользователей.

Примером такой общей онтологиии является CYC® [Lenat, 1995]. Одноименный проект — CYC® — ориентирован на создание мультиконтекстной базы знаний и специальной машины вывода, разрабатываемой Сусогр. Основная цель этого гигантского проекта — построить базу знаний всех общих понятий (начиная с таких, как время, сущность и т. д.), включающую семантическую структуру терминов, связей между ними и аксиом. Предполагается, что такая база знаний может быть доступна разнообразным программным средствам, работающим со знаниями, и будет играть роль базы «начальных знаний». В онтологии, по некоторым данным, уже представлены 106 концептов и 105 аксиом. Для представления знаний в рамках этого проекта разработан специальный язык CYCL.

Другим примером онтологии верхнего уровня является онтология системы Gene- railized Upper Model [Braetman et al., 1994], ориентированная на поддержку процессов обработки естественного языка: английского, немецкого и итальянского. Уровень абстракции этой онтологии находится между лексическими и концептуальными знаниями, что определяется требованиями упрощения интерфейсов с лингвистическими ресурсами. Модель Generalized Upper Model включает таксономию, организованную в виде иерархии концептов (около 250 понятий) и отдельной иерархии связей. Фрагмент системы понятий этой онтологии приведен на рис. 8.10.

В целом же можно констатировать, что, несмотря на отдельные успехи, создание достаточно общих онтологий верхнего уровня представляет собой очень серьезную задачу, которая еще не имеет удовлетворительного решения.

Предметные онтологии и онтологии задач описывают, соответственно, словарь, связанный с предметной областью (медицина, коммерция и т. д.) или с конкретной задачей или деятельностью (диагностика, продажи и т. п.) за счет специализации терминов, введенных в онтологии верхнего уровня. Примерами онтологий, ориентированных на определенную предметную область и конкретную задачу, являются ТОѴЕ и Plinius соответственно [ТОѴЕ, 1999; Van der Vet et al., 1994].

Онтология в системе TOVE (Toronto Virtual Enterprise Project) [TOVE, 1999] предметно ориентирована на представление модели корпорации. Основная цель ее разработки — отвечать на вопросы пользователей по реинжинирингу бизнес- процессов, извлекая эксплицитно представленные в онтологии знания. При этом система может проводить дедуктивный вывод ответов. В онтологии нет средств для интеграции с другими онтологиями. Формально онтология описывается с помощью фреймов. Таксономия понятий онтологии ТОѴЕ представлена на рис. 8.11.   :

Прикладные онтологии описывают концепты, зависящие как от конкретной предметной области, так и от задач, которые в них решаются. Концепты в таких онтологиях часто соответствуют ролям, которые играют объекты в предметной области в процессе, выполнения определенной деятельности. Пример такой онтологии — онтология системы Plinius [Van der Vet et al., 1994], предназначенная для полуавтоматического извлечения знаний из текстов в области химии. В отличие от других, упомянутых выше онтологий, здесь нет явной таксономии понятий. Вместо этого определено несколько множеств атомарных концептов, таких как, например, химический элемент, целое число и т. п., и правила конст-

руирования остальных концептов. В онтологии описано около 150 концептов и 6 правил. Формально онтология Plinius тоже вписывается с помощью фреймов.

Как показывает анализ работ в этой области, научными сообществами и колекти- вами создаются онтологии разных типов, но в целом в настоящее время наиболее активно разрабатываются и используются на практике предметные онтологии. Вместе с тем, независимо от типа онтологии, для их представления и использования требуются Специальные алгоритмические средства, к обсуждению которых мы и переходим в следующем параграфе.