Статья содержит обзор задач и технологий онтологического инжиниринга, включая задачи поиска информации, кластеризации, классификации, создания электронных образовательных ресурсов и др. с использованием онтологий. Выделена задача поиска проектных решений на основе семантических сетей паттернов проектирования.

Ключевые слова: онтология, база знаний, интеллектуальная технология, принятие проектных решений.

Интеллектуальные технологии на основе онтологий. Intellectual Technologies on the Base of Ontologies

 

The paper is devoted to survey of ontology application in intellectual technologies and systems. The ontology engineering problems are discussed. The approach to decisions support based on semantic nets of design patterns is suggested.

Keywords: ontology, knowledge base, intellectual technology, decision support

 

Введение. Интеллектуальные системы применяются во многих предметных областях для решения сложных слабоструктурированных проблем. Это системы, оперирующие знаниями.

Обычно под знаниями подразумевают представление субъекта о явлениях и закономерностях внешнего по отношению к субъекту мира [1]. В информатике знаниями называют информацию, которая в отличие от данных характеризуется внутренней интерпретируемостью, структурированностью, связностью, а к интеллектуальным относят системы, проявляющие способность к целенаправленному поведению [2].

Основными целями применения интеллектуальных систем являются сокращение сроков принятия решений, или повышение их качества, или и то, и другое. Среди решаемых проблем фигурируют поиск информации, аннотирование документов, подготовка отчетов, формирование учебных пособий, извлечение данных из документов, поддержка принятия решений при проектировании и управлении процессами и др.

Для решения проблем получения, анализа, обработки и представления знаний используют ряд типов интеллектуальных систем. Это системы экспертные, информационно-поисковые, поддержки принятия решений, оперативной аналитической обработки данных, управления знаниями и др. Знания представляют в виде таксономий, онтологий, семантических сетей, продукций, хромосом, фреймов, паттернов. Системы, предназначенные для сбора, хранения, поиска и выдачи знаний называют базами знаний, т.е. база знаний (БЗ) - систематизированное хранилище неструктурированной информации [1].

О создании глобальной базы знаний ("Галактической сети") и интерактивных компьютерных вычислений еще на заре компьютерной эры писал Д.Ликлайдер - разработчик сети Arpanet, являющейся прообразом Интернет. Далее грандиозный, но также неосуществленный проект глобальной гипертекстовой сети письменных документов Xanadu был предложен Т.Нельсоном [3]. Подобные проекты приобрели реальную почву после разработки Т.Бернерсом-Ли основ "всемирной паутины" World Wide Web и семантической сети (Semantic Web). Семантический Вэб – совокупность идей и средств, направленных на решение проблем семантического поиска информации через Интернет [4].

Технологии Интернет не только существенно расширяют коммуникационные возможности людей. В условиях экспоненциального роста объема накопленной человечеством информации наиболее заметно воздействие глобальной сети на интеллектуальные сферы человеческой деятельности, на технологии накопления и распространения знаний. Создаются системы баз знаний, иначе СОЗ (системы, основанные на знаниях), они включают, кроме собственно данных, также средства управления знаниями, моделирования и оценки ситуаций, логического вывода и поддержки принятия решений [5].

Системы, основанные на знаниях, могут быть мультидисциплинарными или прикладными. В качестве примера работ по созданию мультидисциплинарной системы можно назвать проект Cyc, направленный на решение сложных задач из области искусственного интеллекта на основе логического вывода и использования более миллиона утверждений, правил и общеупотребительных идей, занесенных в базы знаний системы [6,7].

Прикладные системы ориентированы на определенные предметные области. В частности, к ним относятся корпоративные базы знаний (КБЗ) [8], представляющие собой хранилища информации, наполненные проектной документацией, научно-техническими отчетами и статьями, деловой корреспонденцией, бизнес-документами и т.п., сопровождающими деятельность компании. Важное место среди СОЗ занимают интеллектуальные образовательные системы, которые могут быть как мультидисциплинарными, так и предметно-ориентированными.

Объемы информации в КБЗ непрерывно растут и достигают размеров, препятствующих нахождению в них в приемлемые сроки нужных сведений и использованию этих сведений при принятии решений. Поэтому в составе систем автоматизированного проектирования (САПР) и управления предприятиями (ERP) целесообразно иметь средства оперативного поиска требуемой информации в КБЗ и на основе ее обработки выдачи рекомендаций пользователю по принятию решений.

В основе моделей большинства СОЗ лежат онтологии предметных областей. В частности, в онтологиях должны в качестве концептов (понятий) присутствовать если не все, то, по крайней мере, многие из концептов, характеризующие возможные запросы на поиск решений и фигурирующие в метаданных документов КБЗ.

Процесс проектирования и разработки онтологий называют онтологическим инжинирингом. Основы онтологического инжиниринга изложены в [9]. Имеются примеры разработки онтологий в сейсмологии [10], медицине [11], природопользовании [12], технике [13,14,53] и других областях, применение онтологического подхода при формировании электронных учебников и учебных пособий показано в [15].

Однако разработка онтологий вызывает естественные затруднения в силу слабой формализованности задач онтологического инжиниринга. Соответственно применение СОЗ в настоящее время преимущественно носит эпизодический характер. Вместе с тем многие сложные проблемы производства, проектирования, образования, число которых имеет тенденцию к увеличению, не имеют удовлетворительного решения без применения интеллектуальных информационных технологий.

Данная статья посвящена обзору применения онтологий в интеллектуальных технологиях.

Отмечены примеры разработки, объединения и применения онтологий для поиска информации, кластеризации, классификации, извлечения информации из текстов, поддержки принятия решений и др. Кроме того, рассмотрен подход к поиску решений в КБЗ на основе семантических сетей паттернов проектирования.

Аспекты онтологического инжиниринга. Термин «онтология» впервые появился в семнадцатом веке и обозначал науку о бытии - раздел философии, посвященный проблемам мироустройства. В двадцатом веке он стал использоваться также в искусственном интеллекте, где под онтологией подразумевается система понятий (концептов, сущностей, классов), отношений между ними и правил операций над ними в определенной предметной области или, другими словами, онтология есть спецификация концептуализации предметной области [16,17]. Более формально онтология определяется как триплет

O={Т, R, F},

где Т — множество концептов предметной области, которую описывает онтология, R — множество отношений между концептами; F — функции интерпретации, заданные на сущностях и/или отношениях онтологии [18]. Иерархическая система понятий, соответствующая условию F=Ø, называется таксономией, если же F=Ø и R=Ø, то онтология преобразуется в простой словарь (глоссарий).

Онтологии классифицируются по ряду признаков [19,20]. Например, в каждой предметной области могут быть созданы свои прикладные онтологии с специфическими сущностями и отношениями. Такие онтологии называют предметными. В отличие от них метаонтологии характеризуют наиболее общие междисциплинарные понятия и их связи, а задачные онтологии, наоборот, описывают концептуализацию отдельных проблем.

Примерами метаонтологий могут служить онтологии, используемые в проектах Cyc или SUMO.

Создание онтологий – процесс итерационный и выполняется человеком с использованием поддерживающих инструментальных программных средств. Общий подход к созданию онтологий включает несколько этапов [18]:

1) определение целей и границ описываемого приложения;

2) выбор основных концептов с определением множеств синонимов (синсетов);

3) определение слотов;

4) определение типов и значений (фасетов) слотов;

5) определение

экземпляров концептов;

6) верификация созданной онтологии.

Различают нисходящий, восходящий смешанный стили разработки. При нисходящем стиле выбор концептов начинается с наиболее общих понятий, при восходящем, наоборот, с наиболее конкретных.

Инструментальные средства создания и сопровождения онтологий служат для редактирования, просмотра, документирования онтологий, импорта и экспорта онтологий между системами, могут включать и функции управления онтологиями.

Примерами редакторов онтологий могут служить Ontolingua, Protege, OntoEdit, OilEd, WebOnto, ODE, KADS22. [18,19,21,22]. В ряде систем, кроме функции редактирования онтологий, предусмотрено выполнение таких операций над онтологиями, как выравнивание — установка различного вида соответствий между двумя онтологиями для того, чтобы они могли использовать информацию друг друга; отображение (mapping) — нахождение семантических связей между подобными элементами разных онтологий; объединение — формирование онтологии, объединяющей информацию двух или более заданных онтологий [18]. Так, объединение онтологий входит в число функций систем OntoMerge, Chimaera, OBSERVER, PROMPT, автоматическая разметка Web-страниц осуществляется в SHOE’s Knowledge Annotator, MnM и др.

Известны попытки ввести в процесс разработки онтологий элементы автоматизации. Так, авторы работы [23] предлагают осуществлять построение онтологий на основе извлечения знаний из терминологических словарей с помощью разрабатываемой системы продукций.

Для описания онтологий и управления знаниями, в частности, при поиске информации, в СОЗ применяют языки онтологий [24]. К ним относятся как традиционные языки спецификации онтологий (например, Ontolingua, CycL); языки, основанные на дескриптивных логиках (LOOM); языки, основанные на фреймах (OKBC, OCML, Flogic) и языки, основанные на Web-стандартах (XOL, SHOE, UPML). Специально для обмена онтологиями через Web были созданы языки RDF [25], DAML, OIL, OWL..

Удобным способом представления концептов и отношений между ними являются семантические сети. К важным характеристикам семантической сети относятся типы учитываемых отношений. Возможен учет отношений многих типов. Примеры используемых в онтологиях типов отношений приведены, например, в [23, 26]. Как правило, среди учитываемых типов фигурируют отношения «целое-часть» и/или «род-вид». В частном случае только родовидовых отношений семантическая сеть есть таксономия, т.е. иерархическая система концептов (таксонов). Если дополнительно учитываются отношения агрегации («целое-часть»), то семантическая сеть приобретает структуру И/ИЛИ графа.

 

Применения онтологий.

Решение большинства задач в интеллектуальных системах связано в той или иной мере с поиском релевантной информации. В основе поиска лежит сопоставление запроса пользователя с поисковыми образами документов, в результате отбираются релевантные документы, т.е. документы, чьи поисковые образы соответствуют запросу. Релевантность документа определяется степенью его соответствия запросу, а эффективность поиска оценивается отношением числа выданных релевантных документов к числу имеющихся в базе релевантных документов (коэффициент полноты) или к общему числу выданных документов (коэффициент точности) [27].

Поисковые образы, называемые также моделями документов, состоят из атрибутов и/или ключевых слов документов и называются метаданными. Наиболее известной системой метаданных для документов достаточно общего вида является система Дублинского ядра DC (Dublin Core) [28]. В набор метаданных DC входят слоты (параметры, атрибуты):

- Title (Заголовок) — название, присвоенное ресурсу создателем или издателем;

- Creator (Автор) — человек или организация, создавшие ресурс;

- Subject (Предмет) — тема ресурса;

- Description (Описание) — текстовое описание содержания ресурса, например, реферат;

- Date (Дата) — дата создания ресурса;

- Type (Тип) — категория ресурса (например, учебник, статья, технический отчет);

- Identifier (Идентификатор) — уникальный идентификатор ресурса и некоторые другие (всего 15 слотов).

Другим примером набора метаданных может служить система описания образовательных ресурсов, предложенная в спецификации Learning Resource Metadata Specification [29]. В набор входят слоты: автор, название, предметная область, аннотация, владелец ресурса, ключевые слова и др.

Определение метаданных - задача семантического анализа текста документа.

Семантический анализ заключается в определении смысловых характеристик имеющихся в документе слов или словосочетаний. В простых системах семантического анализа выполняются лишь морфологический анализ слов, т.е. выделение основ слов, определение свойств слова (часть речи, падеж, число и т.п.), идентификация в множестве слов (словаре). В большинстве случаев метаданные используются для контекстно-свободного поиска документов по запросу, сопоставления множества слов (терминов), указанных в запросе пользователя, с ключевыми словами из текста документа. Более сложные методы анализа в большинстве случаев не задействуются [30].

Метаданные представляются в виде фрейма, часто называемого паттерном или шаблоном. В виде паттерна проектирования с той или иной степенью детализации можно отобразить любое проектное решение. Паттерн проектирования определяется как формализованное описание часто встречающейся задачи проектирования, представление удачного решения задачи, а также рекомендации по применению этого решения в различных ситуациях [31].

Для повышения эффективности поиска применяют контекстный поиск, основанный на использовании ключевых слов в тех или иных сочетаниях. Для образования словосочетаний используют факты близкого расположения связываемых слов в тексте документа. Так, под расстоянием между словами А и В можно понимать число слов, разделяющих А и В в тексте документа, и если слово А попадает в малую окрестность слова В, то к ключевым словам добавляется словосочетание {А,В} [32].

В задачах кластеризации и классификации документов используются модели документов в виде паттернов или множества информативных признаков терминов X=(x1, x2…, xn), где xi - вес i-го термина. В простейшем варианте взвешивания n – число терминов, вес xi=1, если термин встречается в документе, иначе xi=0. Применяют и более совершенные способы взвешивания, например, xi определяют как частоту встречаемости i-го слова в документе, учитывают тематическую близость и неравномерность использования терминов, длину документов и т.п. [33]. Обзор методов кластеризации и классификации приведен, например, в [34].

Одним из важных направлений искусственного интеллекта является развитие Data Mining, т.е. путей решения задач «добычи» знаний и порождения новых знаний путем обработки некоторых элементов уже имеющихся знаний. Частный случай Data Mining, известный как TextMining, – извлечение знаний из текстов [35]. Как отмечено в [36], систем автоматической обработки документов с целью извлечения знаний в настоящее время не создано, за исключением отдельных узкоспециализированных систем, примерами которых могут служить системы выделения из текстов ссылок на именованные объекты или обработки опубликованных в Интернете сведений о характеристиках и качестве продукции определенного типа. Такие системы, в частности, используются для решения задач автоматического аннотирования документов.

Корпоративные базы знаний состоят из множества документов, в некоторых из них содержатся те или иные сведения, касающиеся проектных решений. Принятие решения во многих случаях может быть сведено к нахождению релевантных документов в КБЗ.

Принятие решений на основе БЗ включает две фазы: поиск документов, содержащих сведения о предыдущем опыте решения аналогичных задач, и обработку сведений из найденных документов. Вопросы поиска информации с использованием онтологий рассматривались в ряде работ, например, [37]. Возможность использования при поиске окрестностей заданных в запросе концептов была высказана в [38]. В то же время, как отмечено выше, обработка сведений, как правило, выполняется вручную.

Если БЗ имеет структуру И/ИЛИ дерева, то поиск решений может выполняться на основе интерактивного справочника, задающего пользователю в вершинах ИЛИ вопросы с предложением нескольких вариантов продолжения поиска [39]. Близким к онтологическому методу поиска решений является метод поиска по подобию, когда в процессе поиска вырабатывают некоторые дополнительные оценки релевантности на основе семантики уже найденных документов.

Ключевая роль в повышении эффективности задач поиска информации, кластеризации, классификации, аннотирования документов, обработки знаний должна быть отведена онтологиям. В моделях документов в качестве параметров xi могут использоваться те или иные оценки соответствия документа и предметных онтологий. Благодаря онтологиям, появляется возможность использования семантического поиска, при котором релевантность документов оценивается «близостью» метаданных документов и концептов запроса в семантических сетях приложений. Другими словами, релевантность документов определяется не на основе близости слов в тексте, а на основе близости концептов в предметных онтологиях.

Поиск решений на основе семантических сетей паттернов проектирования.

Паттерны проектирования в зависимости от целей принятия решения и предметной области могут иметь различную структуру. Структурам паттернов проектирования посвящена работа [40], много внимания уделяется разработке паттернов проектирования программного обеспечения [31,41].

В слотах паттернов проектирования, в первую очередь, должны быть отражены сведения о предмете (приложении), проблеме (задаче), методах, средствах и результатах решения проблемы.

Пример структуры паттерна проектирования показан на рис. 1. Слот «Прочее» может содержать атрибуты, характерные для таких систем, как например DC.

 

Рис. 1. Пример структуры паттерна проектирования

 

Значениями слотов паттернов являются концепты из соответствующих онтологий предметных областей и ссылки на документы в КБЗ. Другими словами, множество концептов каждого слота и их отношения образуют семантическую сеть слота (ССС).

При решении задач слот может выполнять роль исходных данных, искомого результата или быть нейтральным, соответственно слот будем называть исходным, искомым или нейтральным.

В запросе к КБЗ при решении задач указываются концепты исходных слотов и помечаются искомые слоты, обычно это «Ссылка на документ в БЗ». Паттерны, перспективные для решения задачи принятия решения, будем называть целевыми.

Обозначим Сзi и Сki – концепты, указанные в i-м исходном слоте соответственно запроса и k-го паттерна. Очевидно, что k-й паттерн будет целевым при совпадении Сзi и Сki во всех исходных слотах. Но к целевым могут относиться и паттерны других документов, наиболее «близкие» в определенном смысле к запросу, принимаемые как релевантные.

Для оценки релевантности целевых паттернов необходимо ввести меру близости запроса и k–го паттерна Rk, как взвешенную сумму расстояний rki между концептами, указанными в исходных слотах запроса и k–го паттерна

 

где wi – весовой коэффициент, оценивающий важность i-го слота, I – множество номеров исходных слотов. Дифференциация ключевых слов по их связям с ССС повышает результативность поиска.

В свою очередь, расстояние rki определяется как минимальная из длин простых цепей, соединяющих вершины концептов Сзi и Сki в графе, соответствующем семантической сети i-го слота. При этом ССС есть подсеть общей семантической сети приложения, удовлетворяющая следующим условиям:

1) учитываются только родовидовые и агрегативные отношения;

2) любой из концептов предметной онтологии может быть отражен в семантической сети не более, чем одного слота Bi ∩ Bj = Ø,

где Bi и Bj – множества концептов i-го и j-го слотов соответственно;

3) родовидовые и агрегативные связи между вершинами семантических сетей разных слотов отсутствуют: Pij= Ø,

где Pij – множество родовидовых и агрегативных связей между Bi и Bj;

4) семантические сети слотов связаны друг с другом через вершины паттернов (рис. 2), но эти связи при определении rki не учитываются.

 

Соблюдение этих условий, в частности, подразумевает необходимость для ряда одинаковых терминов, которые, казалось бы, могли обозначать один и тот же концепт в семантических сетях двух или более слотов, вводить концепты-омонимы. Например, термин «управление» не должен рассматриваться как обозначение одного и того же концепта и в слоте «предмет», и в слоте «задача».

Таким образом, семантическая сеть паттернов проектирования (ССПП) есть объединение семантических сетей разных слотов и вершин паттернов, соответствующих конкретным документам в КБЗ.

Семантические сети слотов постоянно развиваются вместе с развитием общей онтологии приложения, в частности, формирование метаданных новых документов может вызывать появление новых концептов в онтологиях КБЗ.

 

Рис. 2. Фрагмент ССПП

 

Построение модели управления знаниями на основе онтологий предметных областей обеспечивает ряд преимуществ.

Во-первых, автоматизируется преобразование текстовых документов в гипертекстовые.

Каждое упоминание концепта (основного термина или его синонимов) в тексте документа превращается в гиперссылку и отображается в том слоте паттерна, к ССС которого относится этот концепт. Тем самым частично автоматизируется формирование паттернов проектирования.

Во-вторых, дифференцированный и взвешенный учет роли каждого ключевого слова при поиске релевантных документов повышает эффективность поиска.

В-третьих, имеются возможности регулирования размеров поискового пространства, в том числе его расширения за счет учета окрестностей ключевых концептов в ССС.

Кроме того, появляется возможность предварительной кластеризации концептов в онтологии и решения задач кластеризации и классификации документов на основе сопоставления их метаданных с кластерами концептов.

Алгоритм поиска решения, в основе которого лежит упорядочение документов из КБЗ по значениям Rk, может быть кратко описан следующим образом:

Обнуление всех R[k];

Циклический процесс по параметру i (i - номер исходного слота)

Циклический процесс по параметру k {Расчет R[k]; = R[k] + w[i]*r[k][i];

Упорядочение документов по значениям R[k]; }

Отбрасывание документов с значением R[k] выше заданного порогового значения m1;

Предъявление пользователю верхней части полученного списка документов, ограниченного значением R[k]<=m1.

Цикл по i целесообразно начинать с наиболее информативных исходных слотов.

Искомое решение (если оно имеется в документах КБЗ) может содержаться в одном или нескольких документах списка. Кроме того, если в паттернах имеются искомые слоты, значения которых отвечают потребностям пользователя, то решение может быть получено без обращения к собственно документу.

Онтологии в системах информатизации образования.

В информатизации образования выделяют группы коммутативных и сущностных проблем. В технологиях коммутативных проблем быстрый прогресс обусловлен развитием Интернет-2 [42], высокими скоростями передачи данных, потоковым видео, реализацией быстрого доступа к распределенным БЗ, агрегированием информации из разных источников с помощью средств RSS [43]. Онтологии применяют в технологиях сущностных проблем, направленных на создание, преобразование, использование контента при обучении.

В свою очередь, сущностные проблемы можно разделить на проблемы проектирования и управления содержанием (контентом) обучения. В задачи проектирования входит разработка учебных планов и обеспечивающих их электронных образовательных ресурсов (ЭОР).

Задачи управления решаются непосредственно в процессе обучения и направлены на оперативную корректировку хода обучения в зависимости от результатов промежуточного тестового контроля усвоения обучаемым предлагаемого учебного материала.

Значительную роль в вопросах создания электронных учебных изданий (ЭУИ) и их адаптации к особенностям конкретных обучаемых сыграла концепция модульности контента [44] и ее воплощение в стандарте SCORM [45].

В большинстве инструментальных сред создания гипертекстовых ЭУИ межмодульные связи являются фиксированными (рис. 3.а), что существенно ограничивает возможности изменения структуры и состава модулей в ЭУИ, т.е. ограничивает возможности адаптации контента к запросам и уровню предварительной подготовки обучаемых. Поэтому в моделях ЭУИ, соответствующих стандарту SCORM, ради адаптивности ЭУИ произошел отказ от использования межмодульных ссылок (рис. 3,б). В отличие от технологии SCORM, в онтологической технологии ТРЕК [15] модули содержат гипертекст с возможными гиперссылками на другие модули, что превращает каждый ЭУИ в средство навигации по различным разделам БЗ (рис. 3,в). Гиперссылки осуществляются через посредство концептов онтологии, которая выполняет роль интегрирующей среды, и поэтому при удалении или перемещении модулей в БЗ не требуется корректировка остающихся модулей. Появляется возможность разработки оптимальных траекторий обучения [46] и их обеспечение оперативно создаваемыми индивидуализированными ЭУИ.

Онтологии могут быть полезны также при проектировании тестов, автоматизации оценивания знаний и управления траекториями обучения по результатам тестирования.

Онтологический подход к созданию и применению ЭОР реализован в системе «База и генератор образовательных ресурсов» (БиГОР) [15].

Трудоемкость создания и сопровождения онтологий довольно велика и потому для их развития важно иметь средства объединения онтологий, созданных разными коллективами.

Взаимодействие онтологий, как разновидность из объединения, актуально также для многоагентных систем, в которых отдельные агенты руководствуются заложенными в них онтологиями, но при совместном функционировании агентов онтологии должны быть согласованными.

Задача объединения онтологий описана в ряде источников, например, [21, 47-52], однако автоматизированы лишь отдельные операции композиции онтологий.

Рис. 3. Варианты структуры ЭУИ:

а) монолитная; б) SCORM; в) на основе онтологий

 

Автоматизация объединения онтологий упрощается, если при их создании принята идентичная интерпретация разнонаправленных отношений, например, только «род-вид» с запретом интерпретаций «вид-род», т.е. из двух стилей изложения материала - дедуктивный (нисходящий) или индуктивный (восходящий) - выбран какой-либо один.

Заключение.

Рост числа проблем, для решения которых отсутствуют приемлемые формальные методы, обусловливает актуальность развития методов искусственного интеллекта. Системы, основанные на знаниях, все шире начинают использоваться в различных областях науки и образования. В ближайшее время следует ожидать появления новых интеллектуальных технологий и систем поддержки научной и образовательной деятельности, повышенная эффективность которых обусловлена применением онтологий.

 

Литература

1. Титов В.В., Кузнецов С.В. Технологии производства баз знаний. - http://www.knowbase.ru/

2. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. – 304 с.

3. Громов Г.Р. От гиперкниги к гипермозгу. – М.: Радио и связь, 2004. – 208 с.

4. W3C Semantic Web Activity. - http://www.w3.org/2001/sw/

5. Базы знаний. - http://subd2.ru/t9r1part1.html

6. Википедия. Cyc.- http :// ru . wikipedia . org / wiki / Cyc

7. OpenCyc. - http://www.opencyc.org/

8. Гаврилова Т.А., Григорьев Л.Ю. Разработка корпоративных систем управления знаниями. -http://www.big.spb.ru/publications/bigspb/km/create_kms.shtml Guarino N. Understanding, Building, And Using Ontologies. - http://ksi.cpsc.ucalgary.ca/KAW/KAW96/guarino/guarino.html

9. McLeod D., Sang Soo Sung. Ontology-Based Semantic Information Management for Seismology and Geoscience. IMSC Technical Report 05-002. -http://imsc.usc.edu/papers/techreports/pdfs/

10. Сетевая мультиагентная модель системы управления здравоохранением региона и система контроля эффективности и качества работы врачей поликлиники / С. В. Батищев, В. А. Виттих, Д. В. Волхонцев и др. - http://www.kg.ru/support/library/polyclinic/

11. Петухов В.В. Система интеграции информационных ресурсов при моделировании природно-хозяйственных объектов / Автореферат диссертации на соискание ученой степени кандидата технических наук. – СПб: СПИИА РАН, 2009. – 16 с.

12.Мартыненко А.А., Шкаберин В.А. Применение онтологического подхода для реализации системы интеллектуального поиска в области CALS-, CAD-, CAM-, CAE-технологий. // Вестник БрГТУ, 2008, №2, с. 103-110.

13. Евгенев Г.Б. Интеллектуальные системы проектирования. – М., Изд-во МГТУ им. Н.Э. Баумана, 2009. – 334 с.

14. Норенков И.П., Уваров Ю.М. База и генератор образовательных ресурсов // Информационные технологии, 2005, № 9, с. 60-65.

15. Энциклопедия искусственного интеллекта. Онтология. - http://ai.iii.ru/index.php

16. Gruber T. R. A translation approach to portable ontologies // Knowledge Acquisition, 1993, V. 5(2), P.199-220.

17. Гладун А.Я., Рогушина Ю.В. Онтологии в корпоративных системах // Корпоративные системы, 2006, №1, с. 41-47

18. Авдошин С.М., Шатилов М.П. Информационные технологии онтологического инжиниринга // Информационные технологии, 2008, № 10, с. 28-37.

19. Кудрявцев Д. Технологии применения онтологий, 2006. - http://bigspb.ru/theory/km/onto_technologies.php

20. Овдей О.М., Проскудина Г.Ю.. Обзор инструментов инженерии онтологий. // Российский научный электронный журнал «Электронные библиотеки», http://www.elbib.ru/index.phtml?page=elbib/rus/journal/2004/part4/op

21. Guarino N. Welty C. Evaluating ontological decisions with OntoClean // Communications of the ACM, 45(2), pp. 61-65, 2002.

22. Найханова Л.В., Хаптахаева Р.Б., Янсанова Е.Н. Создание декларативного метода извлечения знаний из терминологических словарей // Информационные технологии, 2008, № 12, с. 2-8.

23. OWL, язык веб-онтологий. Руководство. - http://sherdim.rsu.ru/pts/semantic_web/RECowl-guide-20040210_ru.html RDF Primer. W3C Recommendation 10 February 2004. - http://www.w3.org/TR/REC-rdf-syntax/

24. Stumme G., Medche A. FCA-Merge: Bottom-up merging of ontologies // 7th Int. Conf. on Artificial Intelligence, (IJCAI’01), Seattle, WA, 2001, P.225–230.

25. Соколов А.В. Методика оценки максимально возможных значений показателей эффективности поиска текстовой информации. // Информационные технологии, 2009, № 5, с. 18-24.

26. The Dublin Core Metadata Initiative. - http://dublincore.org/

27. Learning Resource Meta-data Specification. Version 1.3. - http://www.imsglobal.org/metadata/index.html

28. Селезнев К. Обработка текстов на естественном языке // Открытые Системы, 2003, № 12.

29. О.Дубина . Обзор паттернов проектирования. - http://www3.citforum.ru/SE/project/pattern/index.shtml

30. Сулейманов А.Ш. Метод определения контекстных слов при анализе текста. // Информационные технологии, 2009, № 7, с. 46-49.

31. Толчеев В.О. Методы выявления информативных признаков в задаче классификации текстовых документов // Информационные технологии, 2005, № 8, с. 14-21.

32. Технологии анализа данных : Data Mining, Visiul Mining, OLAP / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. — СПб, БХВ-Петербург, 2007. – 384 с.

33. В.Ф. Хорошевский. Пространства знаний в сети Интернет и Semantic Web. - http://www.raai.org/library/aidt/aidt2008-1/aidt2008-1.files/2008-1-80-97.pdf

34. Ермаков А.Е. Извлечение знаний из текста и их обработка: состояние и перспективы // Информационные технологии, 2009, N 7, с. 50-55.

35. Боровикова О. И., Загорулько Ю. А.. Организация порталов знаний на основе  онтологий. - http://www.kmtec.ru/publications/library/select/organiz_pk_na_osn_ontology.shtml Захарова И.В., Городечный П.П. Об одном подходе к автоматическому построению онтологии для задач анализа текстов. - http://www.dialog-21.ru/dialog2009/materials/html/20.htm

36. Титов В.В. Интерактивный справочник. - http://serendip.narod.ru/order/sprav/sprav0.htm

37. Соснин П.И. Архитектурное моделирование автоматизированных систем. — Ульяновск: УлГТУ, 2002. - 140 с.

38. Ларман К. Применение UML и шаблонов проектирования. Введение в объектно-ориентированный анализ и проектирование. – М.: Вильямс, 2004. – 496 с.

39. Internet-2. - http://www.internet2.edu/

40. Спецификация RSS 2.0. - http://beshenov.ru/rss2.html

41. Норенков И.П. Концепция модульного учебника // Информационные технологии, 1996, № 2, с. 22-24.

42. SCORM. Shareable Content Object Reference Model. 2d Edition. - Advanced Distributed Learning, 2004.

43. Норенков И.П., Соколов Н.К. Синтез индивидуальных маршрутов обучения в онтологических обучающих системах // Информационные технологии, 2009, № 3, с. 74-77.

44. McGuinness D., Fikes R., Rice J., Wilder S. An environment for merging and testing large ontologies // In Proc. of the Seventh Int. Conf., KR2000, Morgan Kaufmann Publishers, San Francisco, CA 2000

45. Su X. A Text Categorization Perspective for Ontology Mapping. - http://lvk.cs.msu.su/~bruzz/articles/classification/

46. Stumme G., Medche A. FCA-Merge: Bottom-up merging of ontologies // 7th Int. Conf. on Artificial Intelligence, (IJCAI’01), Seattle, WA, 2001, P.225–230. Skvortsov N.A. Issues of reconciliation of heterogeneous ontological models and ontological contexts.. Ontological Modeling/Ed. by L.A. Kalinichenko: Proc. of the Workshop. -- M.: IPI RAN, 2008. -- P. 149-166.

47. Щербак С. Иерархически организованные онтологии + плагин объединения онтологий. - http://shcherbak.net/2008/02/ierarxicheski-organizovannye-ontologii-plaginobedineniya-ontologij/

48. Карпенко А. П., Сухарь Р. С. Методы отображения онтологий. Обзор. // Электронное научно-техническое издание «Наука и образование», 2009, № 1, http://technomag.edu.ru/doc/115931.html

49. Дворянкин А. М., Сипливая М. Б., Жукова И. Г., Капыш А. С., Кульцов А. Е. Интеграция рассуждений по прецедентам и онтологии в интеллектуальной системе поддержки инженерного анализа в области контактной механики // Известия Волгоградского ГТУ, Серия «Актуальные проблемы