CC BY
11
Научни трудове на Съюза на учените в България-Пловдив, серия Б. Естествени и хуманитарни науки, т. XVIII, ISSN 1311-9192 (Print), ISSN 2534-9376 (On-line), 2018. Scientific researches of the Union of Scientists in Bulgaria-Plovdiv, series B. Natural Sciences and the Humanities, Vol. XVIII, ISSN 1311-9192 (Print), ISSN 2534-9376 (On-line), 2018.
ФРЕЙМОВИ ПРЕДСТАВЯНИЯ И ПРИЛОЖЕНИЯ Силвия Гафтанджиева, Росица Донева, Георги Тотков Пловдивски университет „Паисий Хилендарски"
FRAME REPRESENTATIONS AND APPLICATIONS Silvia Gaftandzhieva, Rositsa Doneva, George Totkov University of Plovdiv "Paisii Hilendarski"
Abstract: The generality of the frame representations determines their broad application in a lot of diverse areas. The article introduces a part of a research on the implementation of the frame representations in e-learning, which is devoted to theoretical study of frame models and analysis of their known applications.
Keywords: Knowledge Representation, Knowledge Extraction, Frame Models
Въведеоие
Използването на фрейми като средство за представяне на знания в изкуствения интелект е предложено от Minsky през 1974 г. (Minsky, 1974). Според него фреймът е структура за представяне на стереотипна ситуация, чрез която се организират знанията на хората. Rich и Knight (Rich, 1991) определят фрейма като колекция от атрибути и свързани стойности, описващи обекти от реалния свят. Фреймите предоставят удобен начин за комбиниране на декларации и процедури при представяне на знание (Barr, 1981) и позволяват кратко, структурирано представяне на отношения, наподобяващи начина, по който експертите търсят данни в база от знания (Fikes, 1985). Чрез тях знанията могат да бъдат организирани в йерархични структури (Reichgelt, 1991), като основната техника, използвана в наследяването е свързана със стойности по подразбиране, вградени процедури и използване на евристика.
Най-общо казано, фреймът е структура за организиране на знанието за обект по естествен начин. Фреймите представят знанието за обекта като набор от слотове (атрибути) и асоциирани стойности, като всеки слот описва определен атрибут или действие на фрейма. Стойностите на слота могат да бъдат попълнени след инициализация, от потребител, външни програми, други фрейми или в резултат на наследяване. Всеки слот може да включва фасети (facets), които представят разширени познания за стойностите на слота и позволяват да се контролират неговите стойности. След като фреймът е дефиниран, той може да бъде използван за дефиниране на нови фрейми, които наследяват свойствата му. Фреймите използват определени слотове за генериране на йерархична структура и свойствата могат да бъдат наследени в рамките на тази структура. Основната идея за наследяването е, че атрибутите на класовете представляват неща, които обикновено са верни за всички обекти в класа, а слотовете в инстанциите могат да бъдат запълнени с
действителни данни. Сред основните предимства на фреймовите системи е възможността за дефиниране на действия (демони или процедури), които трябва да се изпълняват при определени условия.
Статията представя част от изследване за прилагане на фреймовите представяния в е-обучението, която е посветена на теоретичното проучване на фреймовите модели и анализа на техните приложения в области като проектиране, представяне на знание, компютърно моделиране на семантични мрежи, извличане на информация от текст и уеб портали, системи за вземане на решения и др.
Известни фреймови модели и техни приложения
Minsky илюстрира теорията си чрез система от фрейми за представяне на различни страни на куб и на стаи в сграда, за разширени разкази и аналогии (Minsky, 1974). Много ситуации в ежедневния живот на хората също могат да се представят с фрейми - напр. парти за рожден ден, обслужване на клиент в ресторант и др. В рамките на конференцията MUC-4 (Riloff'1993) е проведен експеримент за извличане на информация за събития от новинарски статии чрез използване на фрейми. Информацията за всяко описано в текста събитие се попълва в шаблон (фрейм с набор от предварително дефинирани слотове).
В края на XX-ти век фреймите се използват в CAD системи за проектиране, скриптови системи за разбиране на естествени езици, системи за управление на риска и обектно-ориентирани програмни системи (Lehnert, 1988). В последните години фреймите намират приложение в експертни системи за взимане на решения (Khan, 2013).
Известни са малко на брой техники за представяне на знания (мрежи на Бейс, факти и правила, семантични мрежи, концептуални зависимости, фрейми, невронни мрежи), всеки от които има своите предимства и недостатъци. В системите FRL, KEE, KL-ONE и FRAIL знанията са представени чрез фрейми. В други системи, сред които KRYPTON, KANDOR, FRORL и CLASSIC са комбинирани два или повече метода за представяне на знания. Сред недостатъците на изброените системи е ограничената изразителност на предоставяните от тях фреймови езици - прости твърдения не могат да се обяснят директно в езика и трябва да бъдат изразени чрез правила или процедури. В (Nado, 1992) са представени концептуално опростени разширения на основна система от фрейми, които значително разширяват изразителната й сила, като запазват предимствата на концептуалната простота и ефикасността на изпълнението. Предлаганите разширения са реализирани в системата JOSIE (Baeden,1990), която се използва за подпомагане на разработването на практически помощни средства за корпоративни одитори и данъчни консултанти.
Голяма част от фреймовите системи (напр. KRL и KL-ONE) се фокусират върху проблемите на структурното представяне на данните. Съхраняваната във фреймите информация често се разглежда като "база данни" на системата от знания, а контролът на разсъжденията се оставя на други части на системата (Fikes, 1985). В други езици (FRL и KRL) стойността на слот може да бъде изчислена (вместо да се съхранява изрично), като се използва аташиране на процедура към слот, която се активира от заявка.
Сравняването на техники за представяне на знания е предмет на редица изследвания. Като рамка за извършване на анализите в (Nault, 1998) са използвани обекти. Поради факта, че чрез използване на абстракции на данни, фреймите позволяват и обработка на данните, те са най-подходящи за решаване на проблеми за извличане на данни и правене на изводи. B сравнение със семантичните мрежи фреймите са по-гъвкави, имат повече слотове за съхранение на данни и представят данните като интегрирана структура (Turban, 2003).
Рамка за сравняване и оценяване на схеми за представяне на знания на базата на изисквания адекватност на представяне, свойства за представяне, методи и изисквания за изводи е представен в (Bingi, 1995). Чрез рамката са сравнени и оценени 4 схеми за представяне на знания в експертни системи - логика, производствени правила, семантични мрежи, фрейми. Направеното сравнение показва, че нито една от разгледаните схеми за
представяне на знания няма всички характеристики, които трябва да притежава доброто представяне на знания. Сред предимствата на фреймите са ефективност в представянето и поддържането на знания, възможност за кратко представяне на бази от знания, липса на ограничения на типове, възможност за поддържане на вероятностни разсъждения (Barr, 1981). Основният недостатък на фреймите е липсата на ясна семантика и ограничената способност за изразяване на непълно познание (Reichgelt, 1991).
Фреймите са основна структура за данни в езика за програмиране APL2, подходящ за разработване на приложения за изкуствен интелект. Те могат да се разглеждат като матрица с две колони - име на слот и стойности на слот. Представянето на демони и процедури също е позволено. Различните обекти във фреймовата система се свързват и образуват йерархия.
Фреймите намират приложение в системи за извличане на информация от документи. Системата PALKA (Kim, 1995) генерира модели за извличане, представени като структура фрейм-фраза. Слотовете във фрейма определят обекта да бъда извлечен заедно със свързаните с него семантични ограничения. Фразеологичният модел представя подредена последователност от лексикални записи и/или семантични категории, взети от предварително дефинирана концептуална йерархия. Структурата свързва слотовете на фрейма с елементи на модела. При прилагане на структурата върху изречение ако фразеологичният модел съвпада с изречението, структурата се активира и след това се използва съответният фрейм, който действително извлича данните.
Проведени са и експерименти и за извличане на информация от уеб страници с използване на фрейми (Soderland,1997). Парсерът Webfoot приема като входни данни кода на уеб страниции на базата на правила разделя текста на логически съгласувани сегменти, които се предават на системата за обработка на естествен език CRYSTAL, която изучава специфични правила за извличане на текст от примери. Webfoot и CRYSTAL трансформират текста във формално представяне, което е еквивалентно на записите в релационните бази данни. Експериментът е проведен с уеб страници за прогноза за времето, които извличат метеорологичните условия, свързани с ден и местоположение. Изходът е представен като фреймова структура със слотове за ден, условия, висока температура, ниска температура и местоположение. Webfoot и CRYSTAL постигат изненадващо добро представяне за система за обработка на естествен език, работеща без помощта на синтактично знание.
В (Niwa, 1984) е представена фреймова система за управление на рискове на проект. Системата е реализирана по метода на Winston и Horn, базиран на езика на представяне на фрейми FRL. Системата се състои от база от знания, инструмент за правене на изводи и подсистема за поддържане на знания. За целите на системата са създадени три основни фрейма (причина за риск, риск и дейност), на базата на които са създадени 213 фрейма.
Алгоритъмът PROMPT (Noy, 2000) позволява автоматизация на процеси за обединяване и привеждане в съответствие на онтологии. Моделът на знанието в PROMPT е базиран на фрейми. На най-високо ниво в модела на знания са класовете, слотовете, фасетите и инстанциите. Класовете са класифицирани в йерархии. Всеки клас има слотове, които се наследяват от подкласовете. Слоевете са именувани двоични отношения между клас и друг клас/примитивен обект и могат да бъдат ограничени от фасети. Моделът на знания е общ, съвместим с моделите на други системи. Това позволява генерираните от PROMPT решения да бъдат приложени върху множество системи за представяне на знания.
В последните години фреймите се използват в системи за вземане на решения. Преобразуването от различни формати за представяне на данни към фрейми е необходимо, за да се осигурят възможности за 'приятелско' извличане на данни от източници на данни в експертни системи, базирани на фрейми. В (Khan, 2013) е предложено решение за трансформиране от семантични мрежи във фрейми. Представеният симулатор генерира като резултат фреймова структура от съответната семантична мрежа (вход на симулатора).
Симулаторът е експериментирано в университетска образователна система при взимане на решения, с цел повишаване на успеха на студенти. Резултатите показват, че прилагането му подобрява системата и води до точни и навременни решения за всяка организация.
Заключение
Представеният в статията анализ е част от научно изследване (Totkov, 2017), посветено на приложението на фреймовите модели за представяне на знания и процеси в е-обучението. Предлаганият в изследването подход за представяне и извличане на знания и процеси се основава на идея, свързана с формализиране не само на откриването и извличането на елементарни данни и съставни структури, но и на идентификация на техните синтактични и семантични характеристики. Интелигентните технологични решения за нуждите на е-обучението се търсят чрез използване на фреймови представяния и методи на концептуалното моделиране и компютърната лингвистика. В рамките на изследването се предлагат, изследват и апробират средства и методика за извличане и агрегиране на данни, подходящи за подготовка и провеждане на е-обучение.
Работата е подкрепена от проект МУ17-ФФ-023 „Акумулативни фреймови модели за извличане и агрегиране на данни за знания и процеси в обучението" към Фонд „Научни изследвания" на ПУ „Паисий Хилендарски".
Литература
Baeden J., R. Nado, Performing deductions from implicit beliefs, Proceedings of IEEE Tools/or
Artificial Intelligence, pp. 848-855, 1990. Barr A., A. Feigenbaum, The handbook of artificial intelligence, Vol. 1., 1981. Bingi R., D. Khanzanchi, S. Yadav, A framework for the comparative analysis and evaluation of knowledge representation schemes, Information Processing & Management, Vol. 31. No. 2, pp. 233-247, 1995.
Fikes R., T. Kehler, The role of frame-based representation in reasoning. Communications of the
ACM, 28, 904-920, 1985. Khan S., Transformation of Semantic Networks into Frames, International Journal of Innovation,
Management and Technology, Vol. 4, No. 1, February 2013 Kim, J., Moldovan, D. Acquisition of linguistic patterns for knowledge-based information
extraction. IEEE Transactiops on Knowledge and Data Engineering 7(5):713-724, 1995. Lehnert W., Knowledge based natural language understanding, Epioring Artificial Intelligence, 1988.
Minsky M., A Framework for Representing Knowledge, MIT, Cambridge, 1974.
Nado R., R. Fikes, SAYING MORE WITH FRAMES: SLOTS AS CLASSES, Computers M,qh.
Applic. Vol. 23, No. 6-9, pp. 719-'44"31, 1992 Nault B. R., Using Object Concepts to Match Artificial Intelligence Techniques to Problem Types, 1998
Niwa K., K. Sasaki, H. Ihara, An Experimental Comparison of Knowledge Representation
Schemes, AI Magazine Volume 5 Number 2, pp. 29-36, 1984. Noy F., M. Musen, Algorithm and Tool for Automated Ontology Merging and Alignment, AAAI-
00 Proceedings, American Association for Artificial Intelligence, 2000 Reichgelt, H. (1991). Knowledge representation: An AI perspective. Norwood, NJ: Ablex, 1991. Rich, E., and Knight, K., Artificial Intelligence, 2nd edition, Mc-Graw Hill, Inc., New York, 1991. Riloff E., Automatically Constructing a Dictionary for Information Extraction Tasks, Proceedings
of the Eleventh National Conference on Artificial Intelligence, 1993. Soderland St., Learning to Extract Text-based Information from the WWW, KDD-97 Proceedings, 1997.
Totkov G., S. Gaftandzhieva, R. Doneva. Accumulative frame models in e-learning, The Scientific
Works of the USB - Plovdiv, 2017 (in Bulgarian) (in print). Turban E., J. Eronson, Decision Support Systems and Intelligent Systems, 6th Ed: Prentice. 2003. За контакти: Гл. ас. д-р Силвия Гафтанджиева (sissiy88@uni-plovdiv.bg), Проф. д-р Росица
Донева (rosi@uni-plovdiv.bg), Проф. д.м.н Георги Тотков, (totkov@uni-plovdiv.bg).
