18、语义深度学习与不一致数据下的时态查询应答

语义深度学习与不一致数据下的时态查询应答

1. 不一致数据下 DL - Lite 的时态查询应答

在不一致数据环境中进行 DL - Lite 的时态查询应答（Temporal Query Answering）是一个重要的研究领域。其中，勇敢时态联合查询（brave TCQ）应答的复杂性可通过带理由结构的勇敢布尔时态联合查询（brave BTCQ）蕴含的特征来推导。

命题 5 指出，在情况 1 下，勇敢 TCQ 应答的数据复杂度属于 P 类。其证明过程如下：
- 首先，从一个包含所有可能元组的理由结构 J 开始，该结构是关于 K 中 φ 的。
- 接着，移除不合理的元组，具体步骤如下：
1. 移除不满足条件 1、4 - 8 或 9 的每个元组。
2. 重复以下步骤直到达到不动点：从时间点 0 到 n 遍历元组，消除不满足条件 3 的元组；然后从 n 到 0 遍历，消除不满足条件 2 的元组。
- 最后，检查得到的理由结构是否包含元组 (p, Lnow, Fnow, Fprev, Fnext) ，使得 φ ∈ Fnow。

由于 J 的大小与 n 呈线性关系，此过程最多需要二次数量级的步骤。验证给定元组是否合理的数据复杂度属于 P 类（检查条件 3 或 2 与 n 呈线性关系，且仅条件 1 中从 DL - LiteR 知识库的勇敢 BCQ 蕴含依赖于 ABox 的大小），所以整个过程的数据复杂度属于 P 类。

研究还对 AR、IAR 和勇敢语义在描述逻辑的时态查询应答设置中进行了扩展。在不允许使用刚性谓词的情况下，IAR 语义下的 TCQ 应答可通过结合经典语义下的 TCQ 应答算法和非时态知识库上 IAR 语义下的