68、能力管理与发现：从理论到实践-优快云博客

本文链接：https://blog.youkuaiyun.com/android/article/details/149535101

能力管理与发现：从理论到实践

1. 能力管理与发现概述

能力管理和发现是两个关键过程，它们借助基本的推理机制和算法得以实现。这些过程基于描述逻辑（DL）中的概念分类和包含关系。我们采用分类方法将术语组织成概念层次结构和角色层次结构。在能力发现过程中，分类方法还能确定查询的满足描述。

2. 包含关系与分类

包含关系 ：直观地说，如果概念 C 所代表的个体集合包含概念 D 所代表的个体集合，那么 C 包含 D（记为 D ⊑ C）。包含关系定义了概念之间的层次结构，可通过以 ⊤ 为根的无环有向图表示。
分类过程 ：分类过程基于最小包含概念（LSCs）和最具体概念（MSCs），分为以下 3 个步骤：
1. 检索 X 的最具体概念（记为 MSCs(X)）；
2. 检索 X 的最小包含概念（记为 LSCs(X)）；
3. （可能）移除 X 的 MSCs 和 LSCs 之间的直接链接，然后更新 X 与其 MSCs 和 LSCs 之间的链接。

在查询/回答过程中，如果查询表示为概念描述 X，MSCs(X) 将是查询的“最佳满足”。若 MSC(X) 仅包含 ⊥ 概念，LSCs(X) 将是可能的满足。

我们还将分类方法扩展到角色层次结构，基于最小包含角色（LSRs）和最具体角色（MSRs）。包含关系测试是计算 MSCs 和 LSCs、MSRs 和 LSRs 的基础，通过包含测试算法完成，该算法还负责确定补概念。

3. 补概念

NC 算法 ：为测试包含关系，我们应用归一化 - 比较算法（NC 算法）。该算法是一种结构包含算法，分归一化和比较两个阶段。首先对要测试包含关系的概念描述进行归一化，然后比较其句法结构。
补概念的确定 ：当应用于能力检索时，概念描述 C 表示查询 Q 中的要求，可能的答案 D 也采用合取形式。合取范式用于确定查询的满足部分和补部分。例如，对于概念 CITY - AIRPORT 和 PORT - AIR，若 PORT - AIR 为查询，CITY - AIRPORT 为知识库中的概念，D1 ⊓ D2 是查询 C 的部分满足，C3 是待满足的补。

为计算满足和补部分，我们引入布尔数组（满意度表 ST）记录包含关系的评估结果。补由满意度表中对应值为“false”的所有原子概念的合取给出。

此外，我们引入三个观察值 ORoD、ORoS 和 ANDoS 来处理不同的满足情况：
- ORoD[i] 是 ST[∗, i] 中布尔值的析取，若为 true 表示查询 C 中的概念 Ci 至少被一个概念 Di k 满足；
- 若 ORoD 值的合取 ANDoS 为 true，则查询完全满足；
- 若 ANDoS 为 false，ORoS 为 true 表示存在部分满足，若两者都为 false 则表示查询无满足。

满足情况总结如下表：
| 情况 | LCS(Q) | MSC(Q) | ORoS | ANDoS |
| — | — | — | — | — |
| 1: 精确满足 | X | Y | True | True |
| 2: 更广泛满足 | X | ⊥ | True | True |
| 3: 互补满足 | ⊤ | ⊥ | True | True |
| 4: 部分满足 | ⊤ | ⊥ | True | False |
| 5: 失败 | ⊤ | ⊥ | False | False |

以下是这些情况的 mermaid 流程图：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;

    A([开始查询]):::startend --> B{是否精确满足?}:::decision
    B -- 是 --> C(精确满足):::process
    B -- 否 --> D{是否更广泛满足?}:::decision
    D -- 是 --> E(更广泛满足):::process
    D -- 否 --> F{是否互补满足?}:::decision
    F -- 是 --> G(互补满足):::process
    F -- 否 --> H{是否部分满足?}:::decision
    H -- 是 --> I(部分满足):::process
    H -- 否 --> J(失败):::process
    C --> K([结束]):::startend
    E --> K
    G --> K
    I --> K
    J --> K

当查询在一个中介的能力描述存储库中未完全满足时，补概念可发送给其他中介，中介可同质（使用相同的能力表示语言）或异质（使用不同的能力表示语言）。在异质情况下，需要术语和概念的映射。

4. 异质能力发现

在异质存储库环境中，能力发现包括分类、NC 算法、满意度表和补确定等步骤。我们关注异质知识表示（KR）语言问题。

原子概念结构（∀R.A）由通用量化 ∀、角色标识 R 和概念标识 A 表示。若该结构表示查询 LQuery(Q) = ∀R.A，意味着我们在寻找拥有能力 R 的实体 A。概念描述可转换为通用概念，如 DL 中的 ⊤ 概念。

为处理多种 KR 语言，需要进行术语的词汇翻译和句法映射。词汇翻译可借助公共本体，通过计算概念间的“距离”来实现。句法映射方面，例如角色 R 的查询可在不同 KR 语言中表达：
- QDL .= ∀R.X;
- QF - Logic .= FORALL X ← R(X);
- QCGs .= [Object:*X] [Object:Y ] (R ?X ?Y );

合作中介返回布尔值表示能力是否满足，结果可作为 DL 中的满足候选在满意度表中处理。

5. 互补能力与实现

我们从四个层次进行能力发现：
1. 局部完全满足 ：查询可由单个存储库中的个体完全满足，分类方法在存储库的知识层次结构中定位满足。
2. 局部复合满足 ：查询由单个存储库中的一组个体满足，关注能力匹配计算和复合答案计算。
3. 同质分布式满足 ：查询和存储库使用相同的 KR 语言，存储库分布在多个独立服务器上，使用局部复合满足的计算方法解决分布式计算问题。
4. 异质满足 ：查询和存储库使用不同的 KR 语言，存储库可能分布，关注不同 KR 语言之间的通信和互操作问题。

为验证我们的提议，我们实现了一个中介联合原型系统，该系统由两部分组成：
- ALN r + 知识库中的能力应用 ：用 Java 开发了测试包含关系、确定补和满足概念以及计算复合答案的服务。
- 异质环境中的中介服务器组合 ：三个联合中介展示了异质和分布式环境，分别支持 ALN r +、F - Logic 和概念图（CGs），通信语言分别为 ALN r +、KIF 和 CGIF。

该原型系统基于面向服务的架构（SOA），使用 Web 服务技术实现，用 Java 编写，在多种操作系统上进行了测试。它具有以下 P2P 系统的特点：
- 自主性 ：每个中介为其客户端提供发布和搜索能力的服务。
- 动态性 ：当前原型依赖 OWL - S 文档管理联合，UDDI 可用于实现中介及其服务的管理和动态发现，但本文未详细考虑。
- 去中心化 ：中介可向联合中的任何其他中介发送查询。
- 合作性 ：当本地中介无法满足查询时，可与其他中介合作计算复合答案。

在中介的上下文管理和查询传播方面，当前原型采用简单策略计算复合答案，查询传播基于接近度标准。

6. 总结与展望

我们取得了两个主要成果：定义了能力描述语言 ALN r + 以支持能力管理和推理服务；设计了中介联合系统以在异质知识表示环境中实现复合答案方法进行能力发现。

ALN r + 继承并扩展了描述逻辑的知识表示理论和技术，实现的推理服务可用于能力管理和发现。未来，可使用模态逻辑和/或二阶逻辑理论描述能力关系之间更复杂的关系，并且实现的服务可轻松扩展以处理查询答案类型的约束。

能力管理与发现：从理论到实践

7. 操作步骤解析

在能力管理与发现的实际操作中，有几个关键的操作步骤需要详细解析。

7.1 分类过程操作步骤

分类过程是能力管理与发现的基础，其具体操作步骤如下：
1. 检索最具体概念（MSCs(X)） ：确定概念 X 在概念层次结构中的最具体概念集合。
2. 检索最小包含概念（LSCs(X)） ：找出能够包含概念 X 的最小概念集合。
3. 更新链接 ：可能需要移除 MSCs(X) 和 LSCs(X) 之间的直接链接，然后更新概念 X 与 MSCs(X) 和 LSCs(X) 之间的链接。

7.2 补概念确定操作步骤

补概念的确定对于能力检索至关重要，其操作步骤如下：
1. 概念描述归一化 ：使用 NC 算法对要测试包含关系的概念描述进行归一化处理。
2. 比较句法结构 ：比较归一化后的概念描述的句法结构，确定包含关系。
3. 记录评估结果 ：使用满意度表（ST）记录包含关系的评估结果。
4. 确定补概念 ：补概念由满意度表中对应值为“false”的所有原子概念的合取给出。

8. 异质环境处理要点

在异质存储库环境中进行能力发现时，需要处理词汇翻译和句法映射问题，具体要点如下：

8.1 词汇翻译

使用公共本体 ：借助公共本体计算概念间的“距离”，实现术语的映射。
处理相似性 ：当精确映射不存在时，通过测量术语间的相似性距离来处理。

8.2 句法映射

不同语言表达 ：了解不同 KR 语言中查询的表达方式，例如：
- QDL .= ∀R.X;
- QF - Logic .= FORALL X ← R(X);
- QCGs .= [Object:*X] [Object:Y ] (R ?X ?Y );
处理结果 ：合作中介返回的布尔值结果可作为 DL 中的满足候选在满意度表中处理。

9. 原型系统特点分析

中介联合原型系统具有以下特点，这些特点使其在能力管理与发现中具有独特的优势：

特点	描述
自主性	每个中介为客户端提供发布和搜索能力的服务，保证了系统的独立性。
动态性	当前依赖 OWL - S 文档管理联合，UDDI 可用于实现中介及其服务的管理和动态发现，具有一定的扩展性。
去中心化	中介可向联合中的任何其他中介发送查询，避免了单点故障，提高了系统的可靠性。
合作性	当本地中介无法满足查询时，可与其他中介合作计算复合答案，增强了系统的处理能力。

以下是原型系统特点的 mermaid 流程图：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A([原型系统]):::startend --> B(自主性):::process
    A --> C(动态性):::process
    A --> D(去中心化):::process
    A --> E(合作性):::process
    B --> F([服务发布与搜索]):::startend
    C --> G([管理与发现]):::startend
    D --> H([查询传播]):::startend
    E --> I([复合答案计算]):::startend