基于描述逻辑的复杂本体非经典知识表示和推理研究

Ontology Representation and Reasoning is an attractive research field in Semantic Web. This proposal focuses on description-logic-based representation and reasoning of current Ontology language OWL2. From existing research work, this proposal talks about three following problems: .(1)The main reasoning technique of fuzzy extension of OWL2, translating into crisp OWL2, is proved not complete. This proposal plans to design Tableau algorithm to achieve reasoning within O and Q constructors, RBox and complex assertions, and prove the correctness and completeness of Tableau algorithm. .(2) With various choices of semantic interpretations, fuzzy semantics is more complex than crisp semantics in description logics. It is tough to combine local fuzzy ontology with different semantics. This proposal intends to use membership degree function to represent fuzzy semantics and create global ontology with E-connection technique. ..(3)Comprehensive representation of fuzzy and dynamic knowledge is required in many Web applications. This proposal plans to introduce dynamic dimension to present the state changes of objects, propose reasoning problems of dynamic fuzzy description logic, and design reasoning algorithm. .From theoretical view, expected results of this proposal can make contributions to the theory of description logic and Ontology; from application view, the expected results can be an alternative for representation languages of Semantic Web. .

本体知识表示和推理是语义Web研究热点，本项目中拟讨论基于描述逻辑的当前本体语言OWL2的表示和推理研究。申请人将原有工作的基础上深入探讨下面三方面的问题：.(1)当前OWL2模糊扩展的主要推理手段经典转化方法被证明是不完备的，项目拟针对模糊语义下复杂的OQ算子、RBox以及复杂声明设计相应的Tableau算法并证明算法正确完备性。.(2)由于模糊语义原比经典语义复杂，包含多种不同的解释选择，不同语义的局部模糊本体难以整合。项目拟采用隶属度函数来表示模糊语义并采用局部级联技术形成全局本体。.(3)当前很多Web应用领域需要将模糊知识与动态知识综合表示，本项目拟引入动态维来表示对象的动态变化，研究动态模糊描述逻辑推理问题，设计实现推理算法。.在理论上，本项目的预期研究成果是对当前本体和描述逻辑理论的进一步完善；在应用上，本项目将为语义 Web的知识表示语言提供一种有力的待选方案。

本项目力图将描述逻辑、本体等复杂的知识表示和推理模型引入应用领域，检测和验证复杂知识模型在相关应用领域中的作用，具体的工作包括：基于复杂知识模型的缺陷预测模型建立与性能比较研究、基于描述逻辑的Web服务构建、基于知识关联的Python语言的经验软件工程和基于多学习器多场景下的集成测试结果分析与预测。本项目的工作表明通过引入复杂知识表示模型，能提升相关领域的应用模型表示能力，从而提升模型的性能。经过项目组成员的共同努力，完成了相应的研究内容，发表论文18篇，其中在国际期刊3篇(1篇CCF A，2篇CCF B)，国际会议6篇(1篇CCF B，1篇CCF C)。