递进的逻辑语义基础及相关问题

递进的逻辑语义基础及相关问题（精选5篇）

篇1：递进的逻辑语义基础及相关问题

递进的逻辑语义基础及相关问题

本文以范畴为出发点,从显性与隐性、多层与转化、一致性与差异性等角度分析递进关系的建立与分类,最后分析逻辑语义在建立汉语递进范畴中的作用:语义决定形式,形式反过来又影响语义.递进的.构成基础就是递进项在逻辑语义上的兼容性与梯度性.

作 者：作者单位：刊 名：西南民族大学学报(人文社科版) PKU CSSCI英文刊名：JOURNAL OF SOUTHWEST UNIVERSITY FOR NATIONALITIES(HUMANITIES & SOCIAL SCIENCES)年，卷(期)：26(10)分类号：H14关键词：递进 逻辑 语义 形式

篇2：递进的逻辑语义基础及相关问题

随着数码产品的普及,数码照片的积累越来越多。和一般的图像不同,人们拍照片通常是因为某个特殊目的,比如捕捉某个重要的情景,与他人分享某个时刻等。数码照片是自然图片,在颜色数量、边缘样式等方面有别于其他人工图像,而且照片中含有丰富的上下文信息,如相机的拍摄元数据。在实际应用中,很多时候用户需要对照片的含义进行查询,而且更倾向于在语义层次上评定检索效果的优劣。因此,如何更好的满足用户需求检索到相关照片成为很多国内外研究人员的课题。在这方面的研究中,需要解决的主要问题是:如何获取照片的高层语义以及如何将语义检索应用到照片管理系统中从而更好的满足用户需求。笔者围绕着此类问题,分析和总结了语义检索数码照片的研究工作。

1 照片的语义

在图像检索环境下,曾经将语义看成对图像或图像区域所标注的简单文字,没有额外的结构。然而,简单地将图像翻译到文字往往不满足现实世界的语义检索系统的需求。Eakins[1]则认为图像的内容可分为三层语义,从原始图像出发,依次是底层视觉特征层、对象和空间语义层、抽象的语义层(场景、行为、情感等)。这三个层次对应着用户对图像的不同理解层次,层次越高,其语义更抽象和复杂,各层次之间的差别通常被称作语义鸿沟(Semantic Gap)。类似的,文献[2]提出图像的语义层次模型,这些层次被分为几个方面:对象、空间、时间、活动/事件,抽象及相关概念、背景和主题。其他的研究还发现多媒体的语义并不是独立的或永不改变的,而是根据背景由多重语义组成,此外,语义还会随着时间的推移而变换[3]。照片也是如此,它的含义几乎不是单独或静态的,它的含义要么同其他相同背景的照片交互而得到,要么会变化。在实际应用中,用户查询照片的语义大多是图像地点、拍摄对象(如人物等)、相关事件、季节、时间概念(如夜晚)、天气状况、光线状态等[4]。

2 照片的语义及语义提取

语义检索方法的目标是最大限度地减小图像简单视觉特征与丰富语义之间的语义鸿沟。图像的语义提取是由低层特征向高层语义转化的过程,它致力于连接各层之间的语义鸿沟。语义提取是图像语义检索的核心问题,语义提取的最终目标是将图像库中的每一幅图像用一定的语义表示。研究学者们从不同的目的出发,提出各种照片语义提取的方法和技术。其语义主要来源于图像的内容和上下文两方面。下文分别进行介绍。

2.1 基于内容的语义提取

照片语义的一个重要方面是人物的存在和身份,这就需要人脸检测技术。这项技术的最大挑战是人脸是非刚性的,在大小、形状、颜色和纹理方面有高度的变异性。研究图像和视频人脸识别的文献[5]和[6]都对当时的人脸识别技术进行详细分析和研究,前者还考虑到光照和姿态变化的等相关问题。虽然两篇文章的年代较远,但是在现在仍然适用。现在许多应用程序普遍使用了Viola和Jones当时提出的人脸检测算法[7]。

而第一个试图将图片和文字关联起来的研究应该是Yasuhide等[8],它提出了关键字到矩形图像区域的低层特征的共现模型(co-occurrence model)。此后的基于内容的图像语义自动提取方法大致可分为两类:一是先将图片分割成不同的部分,提取区域或对象的底层特征,再根据不同的领域知识或规则,采用层次化的概率模型等方法,分析这些对象或区域的语义并进行标注,最后得到整幅图像的语义;二是将图片看成一个整体,采用机器学习、统计分类等方法从图像的全局底层特征中推导出图像所属的语义类,然后得到图像的语义描述。下面是这两类照片语义提取的研究。

Duygulu等[9]提出了基于机器翻译模型TM,TM对分割后互不重叠的图像区域特征进行聚类,将连续特征变成离散视觉关键字单词表。此方法后来被采用和扩展成跨媒体概率相关模型(Cross-Media-Relevance-Model,CMRM)和连续空间相关模型(Continious-space Relevance Model,CRM)。Cusano等[10]则采用多级支持向量机将图像区域为分类为各种基本类,如天空和地面等。

利用全局的图像视觉特征提取照片的语义主要是面向场景的。Vailaya等人[11]提出了一种图像内容描述的树形层次结构,通过基于Bayes概率模型的方法,实现了室内、室外、风景、城市等图像的语义的分类;Oliva和Torralba构建的系统[12]实现了基本场景的标注,如建筑物和自然风景。Yavlinskiy等人[13]采用强壮的非参数核密度估计推断方法,在Corel数据集(其收集的照片选自专有的库存照片CD)上进行自动场景分类。近年来的最优秀的高性能实时图像标注系统应该是李和王[14]创建的,其已在网络图像检索系统Alipr(http://www.alipr.com)中应用。

2.2 基于context的语义提取

单纯根据图像内容而提取出的照片语义是有限的。图像不会凭空出现,而是包含在上下文中,上下文隐含着高层的图像语义。利用图像特有的上下文信息可以提高语义提取的质量。照片上下文主要包括三类:拍摄上下文(Photo Captured Context)、个人上下文(Personal Context)和社交网络上下文(Social Network Context)。

拍摄上下文包括照片的拍摄时间、GPS、相机品牌型号、色彩编码、光圈、快门等相关参数,通常镶嵌在JPEG/TIFF图像文件格式的EXIF信息中。Boutell和Luo等人[15,16,17,18,19]根据相机元数据(如时间、光圈和焦距等),有时也纳入图像内容,利用概率图模型得到场景语义,如室内,室外等。许多商业相机提供不同类型的场景设置模版,如夜间拍摄或肖像。文献[20]利用写入到照片EXIF头的设置模版对照片进行场景语义分类。时间和空间的上下文参数不仅用于组织的照片,而且通过聚类后推倒出高层次语义概念,如文献[21]所研究的协作检测用户的活动。Photo Copain[22]的作者结合采用照片上下文信息和网络上的信息,构建了半自动和多式联运的照片标注系统。Sinha和Jain[23]利用照片中有关光学的上下文信息,在来自网上的公共照片和家庭照片的数据集上训练出一个分类器,用于提取照片的诸如事件等语义,他们在另一个研究[24]中,则结合上下文和高维内容特征的一部分进行语义提取。

人们拍摄照片的设备上可能会存有照片相关的个人上下文。有些用户会使用个人移动设备上的日历编制活动或事件的行程表,Reena Pagare等人[25]根据照片EXIF信息中的拍摄时间,匹配智能手机中的行程表内容,获取事件、地点等语义信息。

网络上的信息和服务丰富且实用。文献[26]实用Exif中的GPS元数据,通过全文搜索Geo Names Web service,得出相应位置及附近1公里范围的地理名词。照片共享是社交网络服务中的一个重要的活动。利用人们在共享照片时设置的用户及好友的一些信息,文献[27]在用户登录Email后,为照片标注出用户自身的相关信息,如人名、地址等;Najeeb Elahi等[27]则可标注出相片人物的年龄,性别,位置和兴趣爱好等内容。

以上介绍的研究工作中,有些并不仅仅利用单方面的信息,而是综合运用,这里不再单独介绍。

3 语义网在照片领域中的运用

为了实现对照片语义的机器可读提高到机器可理解的程度,研究者引入了语义Web的相关技术。实现这个目标的重要前提的本体(ontology),它包含了用于标注照片语义的词汇以及用例等。

Lafon等人[28]定义了照片元数据本体(Photo RDF),使用资源描述框架(RDF)描述数码照片的内容,开发的系统能够通过HTTP检索和读取照片。M-Onto Mat-Annotizer[29]使用本体和语义网技术,构造概念网络关联MPEG-7底层特征和高层语义。Photo Stuff[30]是另一个在语义网上的标注照片的工具,它支持对图像的某个区域进行标注。文献[31]对NF2图像数据库模型进行扩展,构建图像本体并提出支持创建和管理多媒体对象的通用架构。文献[32]描述使用语义Web语言和技术来创建、存储、处理、交换和处理图像元数据的优势。除了描述与RDF和OWL词汇相关的用例,还有对现有工具的概述。作为通常所说的真正的语义Web,语义Web技术看来确实是第一个明确定义用例和领域的。文献[33]描述生物研究图像的语义网图像库用例。文献[34]提出基于语义Web技术的美术作品图像管理系统,为此,他们采用多个现有的相关本体,如Icon Class、Wordnet、ULAN和艺术与建筑的词库。

语义Web技术非常有益于数码照片的管理,使用户能够进行更多的语义查询。然而,在实践中,这种系统往往是不可行的。因为语义模型通常要么在实践中需要拓宽其意义,要么只是针对一个非常具体的领域(如艺术图片)。现如今,越来越多的人在线分享照片,越来越多的手持智能移动设备接入互联网,这将引起更多的研究者将语义Web技术应用到照片管理领域。例如语义Web技术已被移动设备成功采用,其产生的语义作为某些特定的语义信息检索源头,如概念或事件等[35,36]。

4 语义检索在照片管理中的应用

照片的标注和检索的主要应用领域之一是管理照片库。近年来图片库里增加了大量的照片,大量照片中方便的查询到想要的照片,诸如何时何地拍的,或者照片中的事件、人物或对象等,这种用户需求不断增长,因此这方面的应用显得尤为突出。

4.1 照片管理应用研究

Rodden和Wood[37]发现管理照片集或者查找一张特定的照片的主要手段是基于时间信息和隐含事件。文献[38]所研发的大照片集管理工具,能在时间信息和在相应日程表中存在的事件的基础上,检测出相关照片的事件。以下的研究工作则同时根据照片的内容和上下文聚类照片,旨在提供照片管理工具。文献[39]针对协助用户在照片的画面质量上筛选的专门应用,它提供了一个多层的时间聚集算法来确定照片集中的事件和子事件,并基于内容相似性和边缘检测从低质量的照片中确定候选者。Photo TOC[40]继承了Auto Album系统[41]的特性,根据事件信息和基于内容的相似性,在大规模照片集中自动聚类。梅等人[42]采用期望最大化算法和将事件看做是一个潜在的语义主题,基于时间、内容和相机设置来聚类相片。年代较近的文献[43]将内容和基于时间相似性与社交同伴关系相结合,聚类网络照片。

除了最容易获得的时间信息,位置信息在数码照片管理中越来越重要。智能手机通常具备有GPS定位功能,拍照时直接将位置信息存储在图像的EXIF头中,简化了标注的过程,一些照片管理工具提供按地理位置浏览照片的功能。位置信息的可用性在不断提高。Photo Compas[44]使用时间和位置信息来检测相关事件和按位置聚类照片。Medi Assist项目中的照片管理工具[45]用户可通过搜索位置和时间的途径来访问个人照片集。陈等[46]认为事件和生活片段是浏览照片的主要思路,他们利用时间和位置信息检测事件,有类似观点的Photo Geo[47]还为检测到的事件提供一个分层视图。

在移动设备上的照片管理有一些特有的目标。Medi Assist项目背景下,用于个人照片管理的移动式接口[48]支持用户按照片归档的时间、地点和其他上下文数据浏览照片。Monagham和O’Sullivan[49]利用社交网络的信息自动检测照片中的人物身份。在拍照时,启用蓝牙设备来记录哪些人在同一时间和地点中出现。Photo Map[50]基于这种情况,利用附近蓝牙设备所得到的人物信息,与FOAF(Friend-of-A-Friend)本体的概念进行关联。此种社交信息整合到Context Photo本体中,该本体结合空间、时间和计算机上下文,在采用语义Web为知识基础的移动设备上支持对照片进行标注。

4.2 面向终端用户的应用

除了上诉的语义检索的科学应用研究,也存在一些面向终端用户的商业的及开源的照片检索或管理系统。

第一个采用实例查询的商用图像和视频检索系统应该是QBIC[51]。此外,一些系统往往是在现有的IR系统上添加的,比如Oracles inter Media扩展了他们的数据库管理系统。很多CBIR研究系统往往对公众提供一个可用的开源许可证。Caliph&Emir[52,53]是基于Java的数码照片标注和检索系统,支持图像的文本标注和语义元数据提取,并支持使用MPEG-7描述的基于内容的图像检索和基于文本的检索。其他基于内容的系统还有BRISC、Anaktisi[54],GIFT,和img Seek。除了这些个人照片集的管理和索引系统,一些商业网站还提供图像搜索引擎,如谷歌,雅虎等。苹果的i Photo和谷歌的Picasa提供基于时间的自动事件检测,人物自动识别,并提供基于时间、地点、时间和人物的照片浏览功能。

复杂的语义图像分析技术也可用于其他商业终端用户系统中。比如Smile Books用户可半自动的设计个人相册并打印,该创作软件能根据图像的上下文和内容计算出照片的重要性,并提供基于重要性自动筛选照片的功能。

5 结语与展望

上诉的研究工作致力于克服照片检索的语义鸿沟,从原始图像出发,根据照片内容和各种上下文信息自下而上的提取语义,将对应的检索技术服务于照片管理,给用户带来很多便利。在人们越来越热衷于分享照片的背景下,该领域的研究会越来越多,今后的照片分析和检索研究将会更深入的影响人们对照片的看法和使用。此外,信息检索、人机交互、心理研究、艺术设计等学科的发展会更多的影响着该领域的研究,这将带来更丰富的实用结果。

摘要：随着数码产品的普及,数码照片的积累越来越多。为了更好的满足用户语义检索照片的需求,各国研究者做了很多相关工作。他们研究照片的本质和用户使用照片的习惯,使用这些知识来帮助检索和管理照片。分析和总结这些研究,主要介绍基于语义的数码照片检索研究工作中语义提取的方法、运用语义Web技术现状及其在照片管理中的应用。

篇3：递进的逻辑语义基础及相关问题

一、犯罪构成要件两种学说的逻辑分析

四要件, 实际上是以入罪为目的, 从事实角度对行为本身的一种分析: 行为出于什么心理才能入罪? 由谁实施才能入罪? 如何行为才能入罪? 行为后果侵犯了怎样的社会关系才能入罪?

而三阶层, 则是站在法律最初道德评价的起点上, 以立法者, 毋宁说行为规制者的视角对于行为的一种局域划分;或者也可以说是一种基于人类社会文明发展而做出的, 法理上的评价。笔者认为, 其中的该当性实际上是早期构成要件理论的一个缩影, 不然会很难解释所谓的“具备构成要件”作为“构成要件”本身的一部分, 这样的逻辑事实。对此最好的解释应该就是构成要件理论建立初期, 没有有责性没有违法性, 只有人们把犯罪量化为构成要件的一种显意识, 而正是这样的显意识催发了后来构成要件理论的繁荣发展。

其实, 更深层次地挖掘犯罪构成体系理论的本质, 不过是人们为认定某种行为事实是否侵害某种社会关系到可称之为犯罪行为的地步, 而将这样的认定标签化、系统化的一个过程。如果把这样的认定作为一种人类思维化过程去理解, 也就不难解释为什么三阶层论与四要件论时常又互相融通了。比如, 在四要件论中的犯罪客体, 实际上是作为三阶层的一种基础性的法益理论存在着 (1) ( 当然二者是有出发点上的差异的, 但这里且从其共性角度来看) ; 而作为三阶层论中的违法性、有责性, 又是对四要件里每个要件怎样才算“该当”必须考虑的因素。

二、不同学说的文化背景分析

为何对于犯罪构成这样一个逻辑性的问题, 学术纷争如此之大? 笔者认为这与不同地域下的文化背景密切相关。我国自古就重人治轻法治; 今天, 我国的法制建设虽在大踏步地迈进, 但国民的法律意识还较为淡薄。在这样的背景下, 犯罪要件以行为本身来分析来逻辑, 比以行为构成为基石然后再对其从法律意义上去逻辑从而做出价值评价, 要简单的多。这样的简单包含两个方面: 一是对国民法治观念的素养要求要低得多。试想, 如果对一个人犯罪, 我们可以从他自己如何行为本身, 与他的行为如何为社会所评价两个方面, 为他做出阐释———我们会选择以哪种思路为主线? 对于尚法守法, 法治思维较强的受体, 我们从法律评价角度阐释会对其思想认识产生更深刻的触动; 但如果对于一个并没有养成法治思维的人而言, 或许针对与其行为相关的主要要件, 为他一一分析, 会更有说服力。此原理对于社群而言同样适用。二是从法学研究本身的角度来说, 如此实在是对犯罪构成理论研究的简化, 实质上也是对于此类研究延展性的一种限制。

三、对于我国的出罪机能的反思

出罪机能问题, 是很多学者诟病中国四要件犯罪构成理论的主要原因。事实上, 我们的国家在实践中真的没有出罪机能吗? 《刑法》中的“但书”, 司法实践中的社会危害性理论 (2) , 无一不是我国刑法的出罪过程, 那么为什么这些出罪过程不能被逻辑到我国四要件的犯罪构成要件理论中? 我们用数学模型来做一个解释: 对于四要件论, 它是一种单纯的并集结构, 其并未考虑出罪过程而只是一种事实分析。而德日“三阶层论”的逻辑结构则是三层内容层层包含的关系: 经过该当性、违法性、有责性依次遴选, 最终同具三性的即为犯罪行为。

显然, “三阶层论”不是并集结构, 而是三个层次的母集与子集关系, 是评价过程。由此我们便可以清晰地看到学者们所述的三阶层论“递进式”、“立体型” (3) 的真正含义: 我们可以把它想象成上下无底左右无边的滤网结构, 目前该当这一层滤网滤出的并不能称之为出罪的阻却事由, 而只是像四要件说一样最简单、最基础地对于罪或非罪进行区分的一个入罪过程; 然而, 随后的两层滤网, 就分别过滤出了违法阻却事由和责任阻却事由, 完成了两次出罪过程。

学术发展永无止境, 我们不知道未来还将会有怎样的理论为三阶层论加宽或加多滤网, 但这种学术上的延展性告诉我们, 在设立类似于“犯罪构成要件”这样的理论体系时, 逻辑上的合理性十分重要, 它必将对学术发展、司法实践产生十分深远的影响。就出入罪视角来说, 四要件说的逻辑结构本身便决定了其不可能存在出罪机能, 而改进之路, 一是摒旧从新, 二是兼收并蓄。基于我国目前的法学研究, 恐怕后者是一种更现实的选择。

注释

1 杨兴培.中国刑法学对域外犯罪构成的借鉴与发展选择[J].法学论坛, 2009 (1) :36-38.

2 姚兵.论社会危害性评价的出罪功能[J].山东警察学院学报, 2010 (5) :5.

篇4：递进的逻辑语义基础及相关问题

1面向语义Web的描述逻辑本体构建的涵义和内容所谓的面向语义Web的描述逻辑实际上是一种以对象为中心的将知识进行形式化表达的工具,其本质是一种逻辑系统,其内容包括语义语法和形式语义,而语义语法又包含推理。在采用面向语义Web的描述逻辑本体的构建中,将具有相似性质的对象统一用概念(Concept)一词进行描述,而对象的性质实际上是由角色或者关系(Role)来作为解释对象之间的二元关系的。简而言之,面向语义Web的描述逻辑本体的构建实际上就是通过描述逻辑进行推理设置,从而实现快速解答人们对于相关知识库的信息内容的查询。2面向语义Web的描述逻辑本体的构建2.1面向语义Web的描述逻辑本体构建的语言描述描述逻辑本体也可以称之为描述逻辑知识库,计算机语言表述为KB=<T,A>,是由TBoxT和ABoxA两部分内容组成的。描述逻辑本体构建的过程实际上就是如何使用本体语言OWL(Web Ontology Lauguage)通过逻辑推理设计,建立的描述逻辑知识库的过程。而OWL又包含OWL Lite、OWL DL和OWL Full三种Web本体语言标准。在OWL本体构建好,并且一致、不存在矛盾的前提下,OWL Lite语言描述逻辑同SHIF(D)是等价的,而OWL DL语言描述逻辑同SHOIN(D)是等价的,因此,我们就可以通过SHIF(D)和SHOIN(D)的推理机制实现对于OWL本体的推理算法和推理系统的构建工作。2.2面向语义Web的描述逻辑本体构建过程中存在的问题和解决措施2.2.1在构建描述本体的过程中主要存在的问题一个高效的描述逻辑本体的构建必须解决以下三方面的问题:l)构建描述逻辑本体(这里我们指OWL本体)应该使用什么方法;2)如何针对逻辑本体构建过程中的完备性进行考核和检验;3)如何确保构建的描述逻辑本体是不存在冗余性;3175Computer Knowledge and Technology电脑知识与技术第10卷第13期(2014年5月)计算机工程应用技术本栏目责任编辑:梁书2.2.2构建逻辑本体过程中的问题的解决措施对于上述的问题1),可以通过采用描述逻辑的非标准推理来实现辅助本体构建过程的这一新型概念进行解决。也就是说当用户知道一个概念而却不知道如何表达时,我们就可以通过列举一些实例的方式,再经过非标准推理计算为用户自动提供相应的概念内容或者对已有的相似概念进行优化和补充构建出一个新概念来满足用户的需求。构建方法的选择方面,非标准推理中的LCS(Least Common Subsumer)推理、MSC(Most Specific Concept)推理,重写(Rewriting)推理、匹配(Matching)推理和调试(Debugging)以及保守扩充(Conservative Extensions)等推理都可以作为构建逻辑本体过程中的方法和工具。对于问题2)的如何确定描述逻辑本体完备性的问题,有两种解决措施。首先,可以通过验证描述逻辑知识库中的TBox是否明确表达了不同领域知识和不同概念之间的所有相关约束的内容;第二种就是验证描述逻辑知识库中的ABox是否表述了同一领域知识范围内的所有相关个体。问题3)的无冗余性的描述,可以通过有穷基的问题进行相关解答,本体构建工程师可以利用有穷基开始进行有目的性的使用或者测试不同领域的本体知识库,以确认描述逻辑本体的冗余性问题。3面向语义Web的描述逻辑本体构建的实践应用3.1描述逻辑与构造算子之间的关系当前一些较小的描述逻辑本体系统的构建通常采用LCS推理和MSC推理,这类本体构建所选择的语义描述逻辑实际上是考虑到了构造算子和量词的问题。一般来讲,全称量词同无附加资格限制的无约束数量构造算子的运用就不需要考虑到有关需要带资格限定的约束类构造算子,同时也包括相应的传递算子、枚举算子和逆构造算子。本体的具体数据类型以及不同关系分层之间的描述逻辑语义的表达需要更具有深入性和研究性的非标准推理理论和算法来支持,也是实现描述逻辑本体构建最好的工具和方法。3.2面向语义Web的描述逻辑本体构建的完备性证明条件描述逻辑本体的完备性是构建本体过程中的重要环节。目前比较成熟的构建逻辑本体完备性的推理和算法的完备性背景条件是通过利用形式概念进行属性的分析、探索。其操作方法如:当不同概念之间的约束关系无法通过逻辑推理机制进行推理得到解决时,为了能准确的判断概念之间的约束关系是否条件充足,就需要人类的专业人士进行参与,并且假设该人士是专家类的,具有完备性,此时,专家就可以给出所有概念之间的约束表述关系。也就是说在人类专家知识完备的前提下,通过其提供的描述逻辑本体推理算法,来证明知识库的完备性。实际上,现实生活中的人是无法具备知识的完备性的,往往无法完全解答所有概念之间的约束表述问题,同时,也不能保证其给吃的回答都是正确的。为此,对于本体完备性的问题的解决可以尝试从反方向的不完备性进行研究和猜想,以便及时对知识库的概念进行补充和扩展。3.3面向语义Web的描述逻辑本体构建的无冗余性描述如何实现描述逻辑本体构建的最小且无冗余一直以来都是构建工程师最为关注的问题,也是工程师的重点研究方向。通过研究得出的描述逻辑的有穷基特性是描述逻辑概念中的一个包含公理的最小蕴含集合,也正是确保构建本体过程中知识的最小和无冗余性的关键内容。通常情况下工程师可以根据描述逻辑的有穷基特性从最小蕴含集开始采用这些蕴含式进行相应领域本体知识库的构建工作。正是描述逻辑的有穷基为逻辑本体构建过程中的知识工程师提供了无冗余和最小知识库的标准和依据。但是鉴于描述逻辑有穷基的研究还处于初级阶段,是否不同表达能力的描述本体都具有有穷基问题还需要进一步在实践中验证和研究。因此,接下来的重点可能要放在不同表达能力情况下描述逻辑本体是否存在有穷基和相应的计算方法的讨论和研究中,以便更好的解决逻辑本体的冗余性和最小性问题。4结束语综上所述,面向语义Web的描述逻辑本体的构建是一项涉及计算机语义应用范围广,需要采用多种推理语言的辅助的复杂性知识库搭建工作。在这个过程中,我们可以通过对已有的一些概念、定义和技术方法等进行优化和改造建立出一种更符合设计要求知识库。如何更好的解决面向语义Web的描述逻辑本体的完备性和冗余性问题为构建真正适用于语义Web的描述逻辑本体提供科学理论依据和有效推理算法有着十分重要的应用意义。

摘要：随着计算机技术和网络技术的不断发展,网络信息技术已经成了人们生活中不可分割的一部分,但是,如何构建一个更加科学合理的描述逻辑本体,方便人们在数以万计的网络信息中快速、高效的找出所需要的信息和资源是当前世界范围内的迫切性问题。该文就面向语义Web的描述逻辑本体的构建做相关的讨论和研究,希望为我国网络技术中的本体构建技术问题提供一些借鉴和参考。

关键词：语义Web,逻辑本体构建

篇5：递进的逻辑语义基础及相关问题

面对信息的海洋,如何组织、管理和维护海量信息并为用户提供有效的服务已经成为一个重要而迫切的研究课题。语义Web是使Web上的信息具有计算机可理解的语义,满足因特网上异构和分部信息的有效访问和智能检索。

整个语义Web体系结构中,其核心层为XML、RDF、Ontology,这3层用于表示Web信息的语义。XML作为一种资源描述语言,由于其良好的可扩展性和灵活性适合于表示各种信息,已被认为未来Web上数据交换的标准。但仅有XML是不够的,网络资源有很多元数据,因此W3C推出了RDF专门用来描述元数据。然而,XML和RDF语义表达能力不足,毫无推理能力,因此引入了本体描述语言。目前,足够成熟的本体描述语言是W3C推出的OWL。

1 描述逻辑

描述逻辑(Description Logic,DL)是一种知识表示和描述的机制。它主要是对人们所关心的某个域(客观世界的一个子集)中的事物以及事物之间的关系进行描述。其具体做法是使用严格的带有语义的逻辑描述来定义与待描述的域相关的概念,称为“术语”,再利用这些术语定义域中各事物及它们之间的联系,称为“断言”或者“定理”。通过这些描述,人们可以更好地了解客观存在本身的性质以及它们的关系。

目前的描述逻辑系统通常由以下几个部分构成:描述知识所使用的逻辑语言(Description Language),此语言所定义的术语集合(称为Terminology Box,TBox),由术语所给出的断言集合(Assertion Box,A-Box),以及针对它们的一套推理规则(Reasoning rules)。

2 OWL

OWL的语义都是基于描述逻辑的,按本体的表示和推理能力划分OWL由3个子语言构成OWL Lite、OWL DL和OWL Full。OWL Lite适用于只需要一个概念层级分类和简单属性约束的要求。OWL DL支持既需要丰富的表达能力又需要较强推理功能的情况,OWL DL包含OWL语言中所有的语言约束用以保证推理的计算完整性和可判定性。OWL Full对RDF作出最大程度的支持允许本体在预定的RDF和OWL词汇表以外增加词汇,但不提供上述计算保障。OWL抽象句法与描述逻辑之对照见表1所示。OWL的本体有公理和事实组成,这正对应着描述逻辑的知识库。

在对OWL的逻辑语义分析中OWL DL的逻辑语义非常典型,它包含OWL中几乎所有的语言特征。OWL DL的描述风格与DL中的SHOIN(D)非常接近。SHOIN(D)源于DL中的SH簇,后者通过添加逆向角色和基数限制对描述逻辑进行扩展。OWL DL语言的表达能力由类和属性的构造算子和各种公理支持。DL语法非常紧凑下面是一段表示传递属性P的OWL文法。

OWL与描述逻辑的特征是对应的,OWL几乎完全忠实于描述逻辑,为在OWL的基础上作推理提供了可能性。表3总结了OWL所支持的公理,这些公理可以用来断言类或属性的包含或相等、类不相交性,资源的相等或不相等以及属性的不同属性。

OWL的关键特征是sub Class Of和equivalent Class公理可以应用于任意的类表达式,极大地提高了标准的基于框架语言的表达能力。

可以看出OWL DL类构造算子和公理与描述逻辑都有一定的对应关系。正是因为OWL DL和描述逻辑能力上的等价关系,用OWL DL建立的本体就能够完全适应描述逻辑的推理机制,使在研究本体的时候可以采用描述逻辑的推理机实现概念的冲突检测,发现隐藏在深层次的知识等一系列的运算。

本体论被引入计算机科学原本就是要解决人们对信息资源缺乏共同认识的问题,当然人们对事物有了一个共同的认识,那么相互利用和重复利用就变得容易实现了,所以采用基于语义Web本体论的OWL DL语言描述知识就能解决知识之间重复利用的问题。OWL DL之所以具有方便共享的特点,主要原因是OWL在XML的基础上进行了语义的描述,这样才能使对知识体有共同的认识,从而可以方便的重复利用所建立的本体知识库。

3 本体中的推理

在进行本体设计时,通常存在较多的约束条件,这些约束有比较复杂的关系制约,因此需要一套引擎可进行语意的推理,将OWL本体中存在的关系解读出来。这种推理主要是结合RDF和OWL的解释器和描述逻辑推理。若仅仅有解释器,只能解译其语法架构,但对于属性关系间是否发生冲突是无法判定的,所以需要解释器和描述逻辑推理的结合运作。这样可以由目前具有的知识推出本体隐含但未被建立的知识。

类和类之间的关系种类繁多,表现方式也多种多样,以下是总结的类别的常用关系:(1)A1合取关系:表示两个类必须同时满足;(2)B1析取关系:表示两个类中只要满足其中一个就可以了;(3)C1取反:表示某一个类别的补数的关系,例如,概念man取反就是概念woman。从这个例子可以看出,取反的关系运算是基于一个更广泛的集合(这里这个集合是people)而言的,也就是在其父类的基础上取某一类所不包含的;(4)D1部分存在表示部分值属于某个类别;(5)E1全体:表示全部的值是属于某个类别;(6)F1基数约束:分为大于等于基数和小于等于基数两种,分别表示该类别的实例数目必须大于等于或小于等于某个基数,否则不成立。

以上这些关系是通常表示类的时候经常使用的关系,根据对描述逻辑的定义,这些也是描述逻辑基本关系,因此可以用描述逻辑的方式来表达,同时根据描述逻辑和OWL DL语法的对应关系,可以清楚看出采用OWL DL来作为知识的表现方式可以解决类与类之间关系不能充分表现的问题。

4 结束语

OWL是基于Web设计的本体语言,它利用现有的Web标准(XML和RDF),添加了描述逻辑的严格形式化术语。描述逻辑系统的连接可以被作为一种算法和实现技术资源被利用,以及使用已有的描述逻辑系统为OWL应用提供部分推理支持。

语义Web和本体语言的开发还面临着许多挑战。网络本体可能会以极大的基数增加,需要有一个更好的自动处理机制来处理它们。新的推理服务包括查询、解释和非标准推理还需要得到更好的支持。

参考文献

[1]Berners-Lee T,Hendler J,Lassila O.The semantic Web[J].Sci-entific American,2001(5).

[2]史忠植,董明楷.语义Web的逻辑基础[J].信息科学,2004(10).

[3]Grigoris Antoniou.A Semantic Web Primer[M].Cambridge,Mas-sachusetts London,England:The MIT Press,2004.

[4]Horrocks I,Sattler U,Tobies S.Practical reasoning for expressive description logics[C].Proceddings of LPAR'99,Spring-Verlag,1999.

[5]Horrocks I DAML+OIL:a description logic for the semantic Web IEEE Data Engineering Bulletin,2002(1).