CC BY
4УДК 681.3.07
КОНЦЕПЦИЯ СТРУКТУРИЗАЦИИ ЗНАНИЙ ПОСРЕДСТВОМ РЕЛЯЦИОННЫХ
ТАБЛИЦ
Напалков А.К., студент группы 13ПИ(ба)Эк, Оренбургский государственный университет, Оренбург
e-mail: alexey2807-95@mail.ru
Научный руководитель: Панова Н.Ф., старший преподаватель кафедры прикладной информатики в экономике и управлении, Оренбургский государственный университет, Оренбург
В статье рассмотрены достоинства и недостатки различных видов моделей представления знаний в интеллектуальных системах. На основе проведенного критического анализа, был сделан вывод о несомненных преимуществах использования продукционной модели с использованием нескольких таблиц хранения правил.
Ключевые слова: реляционные таблицы, информатика, информационные системы, хранение данных.
При создании интеллектуальных информационных систем разработчик каждый раз сталкивается с необходимостью использовать те или иные концепции для реализации интеллектуальных функций. Несмотря на то, что большинство современных интеллектуальных систем, основанных на продукционной модели представления знаний, используют концепцию хранения в текстовой форме или в одной реляционной таблице, существует более оптимальная концепция.
Как известно, существуют следующие модели представления знаний в интеллектуальных системах: модель «тройка»; сетевые модели; продукционные модели; фреймовые модели [1].
Наибольшее распространение получило продукционное представление знаний, в котором знания представляются множеством правил перехода из одного состояния задачи в другое, называемых продукциями [2, 4].
Дадим краткую характеристику продукционной модели. Продукционная модель знания - модель, основанная на правилах, позволяет представить знание в виде предложений типа «Если (условие), то (действие)».
Модель предусматривает разработку системы продукционных правил, имеющих вид: Если Ai и А2 и ... и Ап, то Bi или B2 или ... или Bm
Чтобы перейти непосредственно к концепции хранения правил с использованием продукционной модели представления знаний, проанализируем структуру правил.
Первая часть каждого правила, состоящая из простых высказываний, связанных союзом «и» называется предпосылкой и сужает область ситуации, которую описывает эта предпосылка. Вторая часть каждого правила называется выводом и описывает совокупность тех действий или определений, которые, согласно правилу, есть следствие предпосылки [3, 5].
Хранение правил интеллектуальной системы в одной реляционной таблице происходит следующим образом. Имеется таблица с полями, часть из которых отводится под предпосылки, а часть под выводы. Число предпосылок и выводов в этом случае закладывается на стадии проектирования базы данных для хранения правил, то есть на ранних этапах разработки интеллектуальной системы.
Простой вывод всех правил из одной реляционной таблицы может быть осуществлён с помощью такого запроса на языке SQL: «SELECT name, premisei, premise2, premise3, inferencei, inference2, inference3 FROM rules;», где «name» - поле с именем правила, «premise» с
176 ШАГ В НАУКУ
соответствующим номером - предпосылки, «inference» с соответствующим номером - выводы, «rules» - название таблицы с правилами.
Для того, чтобы не возникла ситуация, при которой предпосылок или выводов при добавлении правил в базу правил оказалось недостаточно для формирования определённого правила, требуется дополнительный анализ, в результате которого определялось бы минимально необходимое эксперту число предпосылок и выводов в ходе дальнейшего использования интеллектуальной системы, что требует дополнительных затрат и не всегда даёт точный результат. А для этого существуют объективные причины: предметная область интеллектуальной системы может динамически изменяться либо не иметь чётких границ, а для её описания могут потребоваться гораздо более сложные правила, чем предполагалось на момент разработки интеллектуальной системы.
Помимо этого, такая организация хранения правил не оптимальна, она ограничивает возможность использовать ранее созданные предпосылки и выводы для формирования новых правил, а также затрудняет любую аналитическую работу с правилами. Также при данном способе хранения правил в случае большого числа правил с количеством предпосылок и выводов, меньших отведённых на них полей таблицы правил, в таблице с правилами будет большое число незаполненных полей (со значением null), что ещё раз показывает неоптимальность такого способа хранения.
Хранение правил в нескольких реляционных таблицах является логичным вариантом решения описанных выше проблем. Структура базы правил реляционной модели может представлять собой совокупность двух или трёх таблиц, связанных между собой, а правила базироваться на этих связях. Для этого достаточно, чтобы внешние ключи таблиц с предпосылками и/или выводами использовались для связи с таблицей правил [6].
Плюсы хранения правил в нескольких реляционных таблицах:
- все существенные поля таблиц для построения правил заполнены;
- не требуется изменять структуру таблиц при увеличении числа предпосылок и выводов в одном правиле (неограниченное число элементов в правиле);
- легко проводить поиск и анализ предпосылок и выводов, использовать ранее созданные предпосылки и выводы для формирования новых правил.
Вывод всех правил из нескольких реляционных таблиц происходит, например, с использованием следующего запроса на языке SQL (в случае хранения в двух реляционных таблицах): «SELECT rule.name, rule_part.content, rule_part.is_premise FROM rule, rule_part WHERE (rule.id = mle_part.mle_id);», где поле «content» в таблице предпосылок и выводов c именем «rule_part» - содержание предпосылки, а поле «is_premise» указывает, является ли данная часть правила предпосылкой (в противном случае она является выводом).
Приведём пример, в котором наглядно раскрывается преимущество хранения правил в нескольких реляционных таблицах. Допустим, в нашей интеллектуальной системе используется лишь одна таблица, содержащая информацию о правиле в строго определённом количестве предпосылок (3) и выводов (3).
Предпосылки: человек часто не высыпается; несколько дней в году что-то учит; временами очень суеверен.
Если эксперт добавит в интеллектуальную систему правило с названием «Признак студента» и укажет один вывод «Это студент», то однозначно трёх данных предпосылок будет недостаточно, чтобы эксперт был уверен в том, что человек, подходящий под эти правила, есть студент. А максимальное количество полей с предпосылками, указанное ещё при создании интеллектуальной системы, равно трём, поэтому либо эксперт добавит неверное правило, либо не добавит вовсе. Чтобы преодолеть это противоречие, понадобится изменять структуру базы данных системы и вносить поправки в механизм логического вывода.
В случае же, если использовалась концепция хранения правил в нескольких реляционных таблицах, эксперт спокойно добавит следующие предпосылки: любит слово «автомат»; самое ожидаемое в его жизни - стипендия.
Таким образом, одна реляционная таблица - не самая оптимальная структура для хранения правил в базе знаний продукционной модели представления знаний, а использование нескольких таблиц для хранения правил в базе знаний позволяет не ограничиваться строго установленным числом предпосылок и выводов и хранить правила более организованно.
Литература
1. Брешенков, А.В. Проектирование баз данных на основе информации табличного вида: учебн. пособие. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2006. - 150 с.
2. Вашкевич, Н.П. Формализация алгоритмов управления многопоточным доступом к разделяемым ресурсам на основе использования событийных недетерминированных автоматов / Н.П. Вашкевич, Р.А. Бикташев, М.П. Синев // Интеллект. Инновации. Инвестиции.
- 2014. - № 1. - С. 128-133.
3. Гаврилова. Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем: учебник. - СПб.: Питер, 2000. - 384 с.
4. Крипак, Е.М. Построение системы сбалансированных показателей для производственно-торгового предприятия с использованием нечетко-множественных моделей / Е.М. Крипак, Д.Н. Тимофеев, Т.Н. Тимофеева // Экономика и предпринимательство. - 2013. -№ 11 (40). - С. 408-412.
5. Сошников, Д. В. Методы и средства построения распределённых интеллектуальных систем на основе продукционно-фреймового представления знаний: диссертация... кандидата физико-математических наук: 05.13.11. - Москва: 2002. - 195 с.
6. Тарасов, В.Н. Практические вопросы применения многомерной классификации распределенных информационно-вычислительных систем при решении проектных задач / В.Н. Тарасов, Д.В. Горбачев, Р.Н. Подольских // Интеллект. Инновации. Инвестиции. - 2015. - № 1.
- С. 130-136.
