论文部分内容阅读
语义网是一种能理解人类语言的智能网络，目的是完成基于语义的知识表示和推理。RDF是W3C推荐的一种语义网信息描述方式，用于表达任何可在Web上被标识的事物信息，它提供的语义丰富了网络可表达的知识。然而，语义网中的RDF仅提供一种简单的数据模式，它不能表示逻辑程序中的经典非(Classicalnegation，用符号“￢”表示)，也不支持推理规则。回答集程序是一种重要的知识表示和推理的描述性程序语言，不但具有丰富的表达能力，而且是推导潜在事实的重要工具，这些特点使其在语义网领域得到了广泛的研究和应用。本文的研究主要针对语义网中的RDF技术，以扩展其表达和推理能力。
本文针对RDF不能表示知识表示中的经典非的问题，在RDF中引入回答集程序中经典非的概念，形成一种新的语义网知识表示形式——￢RDF。由于￢RDF可以被转化成回答集程序中的事实部分，这样用户通过增加自定义的回答集程序规则，即可对￢RDF进行推理，以发掘￢RDF知识库中蕴含的新事实。￢RDF在RDF的基础上引入经典非，并允许用户定义回答集程序规则对其推理，不仅使语义网可以表达逻辑中经典非的概念，而且使用户可以通过回答集程序对其进行推理，增强了语义网的知识表示和推理能力。
由于经典非的引入和用户所定义的规则往往带有主观性，使得用户通过回答集程序对￢RDF进行推理时容易出现不一致的情况，导致程序无解。加权的回答集程序给每条规则赋予了一个非负的权值，代表该条规则被否定时的代价，通过否定部分规则，使得不一致的回答集程序具有相对符合用户的解。因此，为了避免对￢RDF推理时出现这种不一致而导致程序无解的情况，本文借鉴加权的回答集程序的思想，在￢RDF中引入权值的概念，形成加权的￢RDF(记作￢WRDF)。由于￢WRDF可以被转化成加权的回答集程序，这样用户可以通过加权的回答集程序规则对￢WRDF进行推理，使其在不一致的情况下仍然可以得到最接近用户需求的解。另外，由于加权的回答集程序在选择回答集的优劣时，仅仅考虑被否定规则的代价，而没有考虑规则体部的文字成立的程度对回答集满意度的影响。针对该问题，本文进一步提出了加权的回答集程序答集求解的优化方法，来获取最符合用户需求的回答集，这种计算方法考虑的因素更全面，从而使得挖掘出的事实，也更加可信。