Pravidla zvlnění - Ripple-down rules

Ripple-down rules ( RDR ) jsou způsobem, jak přistupovat k získávání znalostí . Získávání znalostí se týká přenosu znalostí od lidských odborníků do systémů založených na znalostech .

Úvodní materiál

Ripple-down pravidla jsou přírůstkový přístup k získávání znalostí a pokrývají skupinu technik. RDR byly navrženy společností Compton a Jansen na základě zkušeností s udržováním expertního systému GARVAN-ES1 (Compton a Jansen 1988). Původní GARVAN-ES1 (Horn et al. 1985) používal proces získávání znalostí, kde byly do databáze přidávány nové případy, které byly špatně klasifikovány systémem, a poté použity k postupnému upřesnění znalostní báze. Přidané případy, jejichž závěry byly v rozporu s radami systému, byly označeny jako „základní případy“. V důsledku toho databáze rostla iterativně s každým upřesněním znalostí. Databáze by pak mohla být použita k testování změn znalostí. Nástroje pro získávání znalostí, podobné těm, které poskytuje společnost Teiresias, byly vyvinuty s cílem najít a pomoci upravit konfliktní pravidla. Nástroje by zobrazovaly pravidla spuštěná v každém případě a návrhy na „úpravu“ znalostí za účelem odstranění konfliktů.

V rámci RDR jsou znalosti lidského experta získávány na základě aktuálního kontextu a jsou přidávány postupně. Compton a Jansen tvrdili, že znalosti odborníka jsou do určité míry „vymyšlené“, aby odůvodnily, proč měla pravdu, a ne aby vysvětlily, jak k této správné interpretaci (nebo závěru) dospěla. Odůvodnění je založeno na vlastnostech, které jsou identifikovány z aktuálního případu. Expert vytvoří pravidlo pro klasifikaci případů odpovídajících konkrétnímu kontextu. Toto pravidlo pravděpodobně nebude klasifikovat všechny případy patřící do třídy. Compton a Jansen tvrdili, že není možné vytvořit jediné elegantní bezkontextové pravidlo, protože znalosti, které sdělujeme, jsou v kontextu ospravedlněním. To znamená, že neexistuje absolutní znalost, která by fungovala jako základ jiných znalostí, protože znalosti jsou pravdivé pouze v kontextu (Compton a Jansen 1990).

Metodologie

Ripple-down pravidla se skládají ze datové struktury a scénářů získávání znalostí. Znalosti lidských expertů jsou uloženy v datové struktuře. Znalosti jsou kódovány jako sada pravidel. Proces přenosu znalostí lidských odborníků do systémů založených na znalostech v RDR je vysvětlen ve scénáři získávání znalostí.

Datová struktura

Existují různé struktury pravidel ripple-down, například pravidla klasifikace ripple-down s jednou klasifikací (SCRDR), pravidla pro ripple-down s více klasifikacemi (MCRDR), vnořená pravidla pro ripple-down (NRDR) a zvlnění s opakováním odvození vícenásobné klasifikace -devidovat pravidla (RIMCRDR). Zde popsaná datová struktura RDR je SCRDR, což je nejjednodušší struktura.

Datová struktura je podobná rozhodovacímu stromu . Každý uzel má pravidlo; formát tohoto pravidla je IF cond1 AND cond2 AND ... AND condN THEN záver. Cond1 je podmínka (booleovské hodnocení), například A = 1, je větší (A, 5) a průměr (A, ">", průměr (B)). Každý uzel má přesně dva nástupnické uzly, tyto následnické uzly jsou připojeny k předchůdčímu uzlu pomocí „JINÉ“ nebo „VÝJIMKY“.

Níže je uveden příklad stromu SCRDR (definovaného rekurzivně):

IF (OutLook = "SUNNY" AND Temperature = "COOL") THEN PLAY = "TENNIS" EXCEPT Child-1 ELSE Child-2

kde dítě 1 a dítě 2 jsou také stromy SCRDR. Například Child-1 je:

IF (Vítr = "VĚTRNÝ" A Vlhkost = "VYSOKÝ") PAK Hrát = "SQUASH" KROMĚ NoChild JINAK NoChild

Scénář získávání znalostí

Lidští experti poskytují systému případ a přidávají nové pravidlo, které opravuje klasifikaci nesprávně klasifikovaného případu. Například pravidlo Child-1 je přidáno ke správné klasifikaci případu [OutLook = "SUNNY", Temperature = "COOL", Wind = "WINDY", Humidity = "HIGH", ForeCast = "STORM", Play = "SQUASH" ]. Tento případ je nesprávně klasifikován jako Play = "TENNIS".

Když je pravidlo vytvořeno lidskými experty, podmínky tohoto pravidla by měly být splněny nesprávně klasifikovaným případem a také by neměly být splněny žádnými předchozími případy správně klasifikovanými nadřazeným pravidlem (což je v tomto kontextu první pravidlo).

Implementace

Níže je uveden seznam známých implementací RDR:

  • Alfa verze rámce RDR (MCRDR) byla vyvinuta výzkumným týmem University of New South Wales (UNSW) a University of Tasmania (UTAS) a financována ARC.
  • Klasifikátor dokumentů RDR (MCRDR) byl vyvinut Dr. Yang Sok Kimem, UNSW a AProf. Byeong Ho Kang, UTAS.
  • Erudine Behavior Engine je komerční softwarový produkt, který využívá RDR jako součást své metodiky pro získávání znalostí a modelování obchodních procesů. Je implementován v Javě.
  • Ballarat Incremental Knowledge Engine (BIKE) je komplexní open source implementace v C ++ . Obsahuje pluginy pro RDR s jednou a více klasifikací.
  • Pacific Knowledge Systems (PKS) používá komerční produkt s názvem RippleDown Expert, který je založen na pravidlech zvlnění více klasifikací.
  • Java dolování dat software Weka má verze zapracovat RDR volal Ridor. Naučí se pravidla ze sady dat s hlavním cílem předpovědět třídu v rámci testovací sady.
  • Sada nástrojů RDRPOSTagger: Pravidla zvlnění jedné klasifikace pro označování části řeči
  • Sada nástrojů RDRsegmenter: Pravidla zvlnění jedné klasifikace pro segmentaci slov

Viz také

Reference

  • DQ Nguyen, DQ Nguyen a SB Pham (2017). „Zrušte pravidla pro zodpovězení otázek.“ Sémantický web , sv. 8, č. 4, strany 511–532. [.pdf]
  • DQ Nguyen, DQ Nguyen, DD Pham a SB Pham (2016). „Robustní přístup k učení založený na transformaci využívající pravidla pro zvlnění dolů pro označování části řeči.“ AI Communications , sv. 29, č. 3, strany 409–422. [.pdf]
  • „NEJLEPŠÍ RDR (pravidla pro zvrácení dolů podle nejlepších technik odborného systému)“ . Dostupné systémy a publikace RDR . Citováno 15. února 2013 .
  • „Přírůstkový znalostní modul Ballarat“ . Úvod . Citováno 27. září 2010 .
  • R. Dazeley, P. Warner, S. Johnson a P. Vamplew (2010). „Přírůstkový znalostní modul Ballarat“. 11. mezinárodní seminář o řízení znalostí a získávání inteligentních systémů a služeb (PKAW 2010) . s. 195–207. doi : 10.1007 / 978-3-642-15037-1_17 .Správa CS1: více jmen: seznam autorů ( odkaz )
  • D. Richards (2009). „Dvě desetiletí výzkumu RDR“. Recenze znalostního inženýrství . 24 (2): 159–184. doi : 10,1017/S0269888909000241 .
  • P. Compton a R. Jansen (1988). „Znalosti v kontextu: strategie pro odbornou údržbu systému“. Proč. Druhá australská společná konference o umělé inteligenci . s. 292–306.
  • P. Compton a R. Jansen (1990). "Filozofický základ pro získávání znalostí". Získávání znalostí . 2 (3): 241–257. CiteSeerX  10.1.1.31.7340 . doi : 10,1016/S1042-8143 (05) 80017-2 .
  • K. Horn, L. Lazarus, P. Compton a JR Quinlan (1985). „Expertní systém pro interpretaci testů štítné žlázy v klinické laboratoři“. Aust J Comp . 17 : 7–11.Správa CS1: více jmen: seznam autorů ( odkaz )

externí odkazy