36、基于上下文不可区分关系在粗糙描述逻辑中表示不确定概念

基于上下文不可区分关系在粗糙描述逻辑中表示不确定概念

1. 引言

当前网络具有不确定性这一内在特征，作为一个异构且分布式的信息源，它自然包含着不确定、不完整和/或相互矛盾的信息。因此，管理不确定性对于将网络扩展到语义网而言，是一个极为重要的课题。

在描述逻辑（DLs）中对不确定概念进行建模，通常采用数值方法，如概率和可能性方法。然而，这些方法的一个缺点是会在模型中引入不确定性，这往往会使方法在概念和/或计算上变得更为复杂。一种更为简单的替代方法是基于粗糙集理论，由此产生了新的表示和专门的推理程序。

粗糙描述逻辑（RDLs）引入了一种互补机制，通过对概念进行明确的近似来对不确定知识进行建模。RDLs在经典DLs的基础上扩展了两个类似模态的运算符，即下近似和上近似。这两个概念分别作为特定的子概念和超概念，对一个未充分指定（不确定）的概念C进行近似，分别描述哪些元素肯定是和可能是该概念的元素。

近似是基于捕捉个体之间的不可区分关系R。上近似 (C)I 定义为与至少一个已知属于该概念的个体不可区分的个体集合，即 (C)I := {a ∈ΔI | ∃b : (a, b) ∈RI ∧b ∈CI}；下近似 (C)I 定义为与所有不可区分的个体都属于该概念的个体集合，即 (C)I := {a ∈ΔI | ∀b : (a, b) ∈RI →b ∈CI}。

为避免在模型中引入不确定性，这些近似需要以明确的方式定义。虽然RDLs可以在标准DLs中进行模拟，但将概念C的上近似和下近似表示为明确的概念可能并非易事。知识工程师或领域专家可能无法总是给出近似概念的内涵定义，而只能提供示例。因此，将概念近似表示为明确概念的问题可以看作是一个学习问题。

不可区分