Прототип системы OntoSeek 1 страница

Разработка и реализация прототипа системы «содержательного» доступа к WWW-ресурсам OntoSeek - результат 2-летней работы, выполненной в коопе­рации Corinto (Consorzio di Ricerca Nazionale Tecnologia Oggetti - National Re­search Consortium for Object Technology) и Ladseb-CNR (National Research Council - Institute of Systems Science and Biomedical Engineering), как части про­екта по поиску и повторному использованию программных компонентов [Guarino, et al., 1999].

Система OntoSeek разработана для содержательного извлечения информации из доступных в режиме on-line «желтых» страниц (yellow pages) и каталогов. В рам­ках системы совместно используются механизмы поиска по содержанию, управ­ляемые соответствующей онтологией (ontology-driven content-matching mecha­nism), и достаточно мощный формализм представления.

При создании OntoSeek были приняты следующие проектные решения:

• использование ограниченного числа ЕЯ-терминов для точного описания ре­сурсов на фазе кодирования;

• полная «терминологическая свобода» в запросах за счет управляемого онтоло­гией семантического отображения их на описания ресурсов;

• интерактивное ассистирование пользователю в процессе формулировки за­проса, его обобщения и/или конкретизации, а также приняты во внимание:

♦ текущее состояние исследований в области Интернет-архитектур;

♦ необходимость достижения высокой точности и приемлемой эффективно­сти на больших массивах данных;

♦ важность хорошей масштабируемости и портабельности принимаемых ре­шений.

Система работает как с гомогенными, так и с гетерогенными каталогами продук­тов. Понятно, что второй вариант сложнее. Поэтому в системе OntoSeek для пред­ставления запросов и описания ресурсов используется модификация простых концептуальных графов Дж. Совы [Sowa, 1984], которые обладают существенно более мощными выразительными возможностями и гибкостью по сравнению с обычно используемыми списками типа «атрибут-значение». Для концептуаль­ных графов проблема контекстного отождествления редуцируется до управляе­мого онтологией поиска в графе. При этом узлы и дуги сопоставимы, если онтоло­гия «показывает», что между ними существует заданное отношение. Вместе с тем, поскольку система базируется на использовании лингвистической онтологии, узлы концептуального графа должны быть привязаны к соответствующим лекси­ческим единицам, причем для этого должны выполняться определенные семанти­ческие ограничения.

На этапе планирования проекта вместо разработки собственной лингвистичес­кой онтологии были проанализированы доступные Интернет-ресурсы и выбра­на онтология Sensus [Knight et al., 1994], которая обладает простой таксономи­ческой структурой, имеет объем около 50 000 узлов, в основном выделенных из тезауруса WordNet [Beckwith et al., 1990], а также доступна для исследователь­ских целей в свободном режиме.

Функциональная структура системы OntoSeek представлена на рис. 9.10.

На фазе кодирования описание ресурсов конвертируется в концептуальный граф. Для этого «поверхностные» узлы и дуги, отмеченные пользователем, с по­мощью лексического интерфейса трансформируются в смыслы, заданные в сло­варе. Таким образом, «граф слов» транслируется в «граф смыслов», причем каж­дому понятию последнего сопоставляется соответствующий узел онтологии. После семантической валидации концептуального графа на основе использова­ния онтологии он запоминается в БД.

Рис. 9.10. Функциональная структура системы OntoSeek

Наиболее интересным моментом этапа кодирования ресурсов в системе Onto­Seek является формализм представления помеченных концептуальных графов (ПКГ), который базируется на том, что заданы словари существительных и глаго­лов, а собственно ПКГ определяется как связный ориентированный граф, удов­летворяющий следующим синтаксическим ограничениям:

• Дуги могут быть помечены только существительными из словаря (любой граф, содержащий дугу, помеченную транзитивной конструкцией вида [<URLl>man] → (love) → [women], может быть конвертирован в базисный ПКГ вида [<URLl>man] ← (agent) ← [love] → (patient) → [women]).

• В общем случае узлы помечаются строками вида concept [instance], где con­cept существительное или глагол из словаря, а необязательная ссылка: instan­ce - управляющий идентификатор.

• Для каждого графа существует в точности один узел, называемый «головой». Этот узел маркируется URL в угловых скобках, идентифицирующим файл описания ресурса, который описывает данный граф, и маркерной строки, представляющей понятие онтологии.

Понятно, что прежде, чем использовать этот граф, должна быть устранена поли­семия, что может позволить однозначно отразить существующие метки в понятия онтологии. После выполнения этой процедуры семантическая интерпрета­ция ПКГ происходит следующим образом:

• каждый узел, помеченный «словом» А, представляет класс экземпляров соот­ветствующего концепта. При наличии в описании идентификатора экземпля­ра узел определяет синглетон, содержащий этот экземпляр. Если А - глагол, узел фиксирует его номинализацию (например, узел с пометкой «love» опре­деляет класс событий «любить»);

• каждая дуга с пометкой С из узла А в узел В определяет соответствующее непу­стое отношение;

• в целом граф с «головой» А и URL U определяют класс экземпляров А, описы­ваемых ресурсом, помеченным U.

Процесс поиска осуществляется следующим образом. Пользователь представля­ет свой запрос тоже в виде концептуального графа, который после устранения лексической неоднозначности и семантической валидации передается компонен­те отождествления, работающей с БД. Здесь ищутся графы, удовлетворяющие запросу и ограничениям, заданным в онтологии, после чего ответ представляется пользователю в виде HTML-отчета.

Семантика графа запроса и процедура его построения аналогичны рассмотрен­ной выше процедуре кодирования ресурсов, но имеет следующие отличия:

• на месте URL может быть задана переменная;

• переменными может быть помечено произвольное число узлов.

Так, например, запрос вида [<Х> саr] → (part) → [radio] вернет множество URL на документы, описывающие автомобили с радиоприемниками в качестве части, а запрос вида [саr] → (part) → [<Х> radio] - множество URL на документы, опи­сывающие радиоприемник как часть автомобиля. И более того, композиция этих запросов вида [<Х> саr] → (part) → [<Y> radio] может быть использована для получения документов обоих типов.

Таким образом, предполагается, что граф запроса Q отождествляется с графом описания ресурса R, если:

• Q изоморфен подграфу графа R;

• пометки графа R соответствуют пометкам графа Q;

• «голова» графа R соответствует узлу, помеченному переменной в графе Q.

Последнее условие необходимо, если мы хотим «сосредоточиться» на ресур­сах, соответствующих запросу в точности.

Реализация системы OntoSeek выполнена в парадигме «клиент-сервер». Архи­тектурным ядром ее является сервер онтологий, обеспечивающий для приложе­ний интерфейсы доступа и/или манипулирования данными модели онтологии, а также поддержки БД концептуальных графов. Заметим, что последняя может строиться и пополняться не только в интерактивном режиме, но и за счет ском­пилированных описаний ПКГ, представленных на языке XML. Компонента БД в системе OntoSeek выделена в отдельный блок, что позволяет легко заменить при необходимости используемую СУБД.

Проект начался зимой 1996 г. - на заре эры языка Java. Поэтому прототип был реализован на языке C++. В настоящее время авторы предполагают провести ре­инжиниринг системы на основе использования новейших Интернет-технологий.

Таким образом, использование онтологий для интеллектуальной работы с Интер­нет-ресурсами является в настоящее время «горячей» точкой исследований и практических применений.

Специалистам в этой области хорошо известны Интернет-сайты организаций и проектов, связанных с созданием и использованием онтологий, но даже у них при выборе онтологии, «подходящей» для конкретного приложения, возникают опре­деленные проблемы. Основные из них: отсутствие стандартного набора свойств, характеризующих онтологию с точки зрения ее пользователя; уникальность ло­гической структуры представления релевантной информации на каждом «онто­логическом» сайте; высокая трудоемкость поиска подходящей онтологии.

Учитывая вышесказанное, в заключение данного параграфа рассмотрим пример интеллектуального агента, который демонстрирует онтологический подход к поиску на Web и выбору для использования собственно онтологий.

(ONTO)² - агент поиска и выбора онтологий

Целью разработки интеллектуального WWW-брокера выбора онтологий на Web [Vega et al, 1999] было решение проблемы ассистирования при выборе онтоло­гий. Для этого потребовалось сформировать перечень свойств, которые позволя­ют охарактеризовать онтологию с точки зрения ее будущего пользователя и пред­ложить единую логическую структуру соответствующих описаний; разработать специальную ссылочную онтологию (Reference Ontology), в рамках которой представлены описания существующих на Web онтологий; реализовать интел­лектуального агента (ONTO)², использующего ссылочную онтологию в качестве источника знаний для поиска онтологий, удовлетворяющих заданному множе­ству ограничений.

Для решения первой из перечисленных задач авторы (ONTO)² детально проана­лизировали онтологии, представленные на Web, и построили таксономию свойств, используемых для описания онтологий (табл. 9.2). Для удобства даль­нейшего использования все свойства сгруппированы в категории идентифика­ции, описания и функциональности.

Как следует из приведенной таксономии, идентификация дает информацию об онтологии, как таковой, ее разработчиках и дистрибьюторах; описание - общую информацию, аннотацию онтологии, некоторые детали проектирования и реали­зации, требования к аппаратуре и программному обеспечению, ценовые характе­ристики и перечень применений; функциональность - представление о том, как использовать онтологию в приложениях.

При решении задачи разработки ссылочной онтологии авторы (ONTO)² исполь­зовали уже обсуждавшуюся выше технологию METHONTOLOGY и инструмен­тарий ODE [Blazquez et al., 1998]. При этом, в соответствии с общими тенденци­ями по созданию разделяемых онтологий и, по-видимому, в силу того, что один из авторов обсуждаемой работы (Gomez-Perez) является провайдер-агентом меж­дународного проекта по построению разделяемых баз знаний [Benjamins et al, 1998], Reference Ontology была «имплантирована» в онтологию Product инициа­тивы (КА)².

В качестве источников знаний для построения ссылочной онтологии была ис­пользована уже обсуждавшаяся таксономия свойств, концептуальная модель (КА)² и свойства, выделенные в рамках разработки онтологии исследовательских тем (Research-Topic) инициативы (КА)². Критерии, которые применялись при имплантации ссылочной онтологии в онтологию (КА)², - следующие:

• модульность (онтология должна была быть модульной, чтобы обеспечить гиб­кость и различные варианты использования);

• специализация (концепты определялись таким образом, чтобы обеспечить их классификацию по общим свойствам и гарантировать наследование таких свойств);

• разнообразие (знания представлялись в онтологии таким образом, чтобы ис­пользовать преимущества множественного наследования и облегчить добав­ление новых концептов);

• минимизация семантических расстояний (аналогичные концепты группиро­вались и представлялись как подклассы одного класса на базе одних и тех же примитивов);

• максимизация связей между таксономиями;

• стандартизация имен (везде, где это было возможно, для именования отноше­ний использовалась конкатенация имен концептов, которые ими связыва­лись).

Анализ концептуальной модели (КА)² онтологии с точки зрения перечисленных выше критериев и ссылочной онтологии показал, что:

• некоторые важные классы отсутствуют (например, классы Server и Languages, которые должны быть подклассами класса Computer-Support в онтологии Pro­duct);

• некоторые важные отношения опущены (например, отношение Distributed-by между понятиями продукта и организации);

• некоторые важные свойства не представлены (например, Research-Topic-Web-pages, Type-of-Ontology и некоторые другие).

Таблица 9.2. Таксономия свойств, используемых для описания онтологий

Основные характеристики
Иденти­фикация     Описание   Функцио- нальность	Онтологии     Разработчиков     Дистрибьюторов     Общая информация   Обзорная информация     Информация о проектировании     Требования ценовые   Использование	Имя, сайт-сервер, сайт-зеркало, Web-страницы, доступность FAQ, ЕЯ-описание, дата окончания разработки ФИО, Web-страницы, e-mail, контактное лицо, телефон, факс, почтовый адрес   ФИО, Web-страницы, e-mail, контактное лицо, телефон, факс, почтовый адрес   Тип онтологии; предметная область; назначение; онтологические обязательства; список концептов верхнего уровня; статус реализации; наличие on-line и «бумажной» документации   Количество концептов, представляющих классы; количество концептов, представляющих экземпляры; количество аксиом; количество отношений; количество функций; количество классов концептов на первом, втором и третьем уровнях; количество классов на листьях; среднее значение фактора ветвления; среднее значение фактора глубины; максимальная глубина Методология разработки; формальный уровень методологии; подход к разработке; уровень формализации спецификации; типы источников знаний; достоверность источников знаний; техники приобретения знаний; формализм; список онтологии, с которыми осуществлена интеграция; перечень языков, в рамках которых доступна онтология   К аппаратуре; программному обеспечению цена; стоимость сопровождения; оценка характеристики стоимости необходимой аппаратуры; оценка стоимости необходимого программного обеспечения   Количество приложений; список основных приложений   Описание использованных инструментальных средств; качество документации; обучающие курсы; on-line помощь; руководства по использованию; возможность модульного использования; возможность добавления новых знаний

Поэтому был проведен реинжиниринг (КА)² онтологии, который позволил рас­ширить ее новыми концептами, отношениями и свойствами, с одной стороны, и специализировать уже представленные знания таким образом, чтобы использо­вать их для сравнения различных онтологий.

Для реализации интеллектуальных WWW-брокеров поиска онтологий была предложена архитектура Onto Agent, представленная на рис. 9.11.

Рис. 9.11. Архитектура Onto Agent

В рамках данной архитектуры выделяются брокер построения модели предмет­ной области (Domain Model Builder Broker) и WWW-брокер поиска модели (WWW Domain Model Retrieval Broker).

Первый из них ориентирован на формирование концептуальной структуры он­тологий, которые будут в поле зрения будущей экспертизы.

Этот модуль вклю­чает:

• Коллекционера онтологической информации (Ontology Information Collec­tor) - WWW-интерфейс, ориентированный на сбор информации от распре­деленных по сети агентов (программных агентов и собственно пользователей).

• Концептуализатора экземпляров (An Instance Conceptualizer) - преобразова­тель данных от WWW-интерфейса в экземпляр онтологии, специфицирован­ный на уровне формализма представления знаний.

• Генератора/Транслятора онтологий (Ontology Generator/Translator) - ком­поненты отображения концептуального представления онтологий на целевые языки реализации, что обеспечивает доступ к ним из удаленных приложений.

Целью второго модуля является обеспечение доступа к накопленной информа­ции и представление ее наилучшим для пользователя образом. Этот модуль включает:

• Формирователя запросов (A Query Builder) - компоненту построения запро­сов с использованием словаря брокера и при необходимости переформулиро­вания и/или уточнения запросов пользователя.

• Транслятор запросов (A Query Translator) - преобразователя запроса в пред­ставление, совместимое с языком реализации онтологии.

• Машину вывода (An Inference Engine) - блок поиска ответа на запрос.

• Формирователя ответов (An Answer Builder) - компоненту, которая служит для представления информации, найденной машиной вывода.

По сути дела, рассмотренные выше компоненты составляют технологию построе­ния WWW-брокеров для поиска информации на основе онтологий. А примером ее использования является интеллектуальный (ONTO)² агент. Его брокер пост­роения модели предметной области работает со ссылочной онтологией, а входной запрос строится как соответствующая HTML-форма. Брокер поиска ответов реа­лизован в настоящее время как Java-апплет и как автономное Java-приложение. Результаты поиска онтологий, удовлетворяющих запросу, возвращаются пользо­вателю в виде HTML-формы.

Оценивая представленный подход в целом, можно отметить, что он хорошо кор­релирует по своим идеям и целям с уже обсуждавшейся системой Ontobroker. Однако в случае (ONTO)² агента для хранения формализаций онтологий исполь­зуется база данных, а для поиска - стандартные средства на основе SQL. Само­стоятельную ценность данного проекта представляет ссылочная онтология, кото­рая может использоваться не только для целей поиска, но и для стандартизации описаний онтологий вообще.

Все вышесказанное показывает, что использование агентов и особенно интеллек­туальных агентов при сборе, поиске и анализе информации имеет ряд преиму­ществ, основные из которых сводятся к следующему [Pagina H., 1996]:

• они могут обеспечить пользователю доступ ко всем Интернет-сервисам и сете­вым протоколам;

• отдельный агент может быть занят одной или несколькими задачами парал­лельно;

• преимущества агентов в том, что они могут осуществлять поиск по заданию пользователя после его отключения от сети;

• мобильность (если она присутствует) позволяет агентам искать информацию сразу на сервере, что увеличивает скорость и точность поиска, уменьшая за­грузку сети;

• они могут создавать собственную базу информационных ресурсов, которая об­новляется и расширяется с каждым поиском;

• возможность агентов сотрудничать друг с другом позволяет использовать на­копленный опыт;

• агенты могут использовать модель пользователя для корректировки и уточне­ния запросов;

• они могут адаптироваться под предпочтения и желания пользователя и, изу­чив их, искать полезную информацию заранее;

• агенты способны искать информацию, учитывая контекст. Они могут вывести этот контекст из запроса, например, построив модель мира пользователя;

• агенты могут искать информацию интеллектуально, например, используя сло­вари, тезаурусы и онтологии, а также средства вывода релевантной информа­ции, не представленной явно ни в запросе, ни в найденных документах.

Именно поэтому с применением и развитием агентных технологий на основе ме­тодов и средств искусственного интеллекта связываются самые серьезные перс­пективы перехода от пространств данных к пространствам знаний в глобальных и локальных сетях.

Заключение

Итак, уважаемый читатель, вы завершаете чтение книги по базам знаний интел­лектуальных систем. Авторы отдают себе отчет в том, что за ее рамками остались целые континенты планеты Искусственный Интеллект, которые еще ждут своих исследователей, толкователей, методистов и, конечно, читателей. Но дорогу оси­лит идущий... И, наверное, именно это, а также понимание, что в данный момент в нашей стране практически нет литературы, которая не то чтобы закрыла тему, но хотя бы зафиксировала полученные в одном из ее важнейших разделов результа­ты, подвигло нас на работу по написанию этой книги.

Материал данного учебника показывает, что в настоящее время в области баз знаний интеллектуальных систем уже имеется серьезный теоретический базис, существует достаточно широкий спектр соответствующих методов и техноло­гий разработки. Многие из них поддержаны адекватным программным инстру­ментарием. И основная цель авторов была в том, чтобы сделать эту информацию достоянием читателей. Понятно, что в силу многих причин, в частности ограни­чений на объем издания, дать полномасштабное и логически замкнутое описа­ние теории, методов проектирования и средств реализации баз знаний, а также соответствующих систем, основанных на знаниях, в одной книге практически невозможно. Отчасти поэтому список рекомендованной литературы у нас зна­чительно шире, чем это обычно бывает в учебниках. Кроме того, в списке литера­туры достаточно много ссылок на релевантные тематике Интернет-ресурсы, что, по нашему мнению, должно привить читателю вкус к самостоятельному плава­нию в океанах уже (или еще) доступной в сети информации.

Вместе с тем, авторы надеются, что читатели этой книги не будут воспринимать представленные в ней материалы как истину в последней инстанции, но будут относиться к ним творчески, а иногда и критически. Ведь не секрет, что для пост­роения и использования баз знаний, на которых основываются современные ин­теллектуальные системы, требуются исследовательские коллективы, работаю­щие вместе долго и имеющие опыт разработки такого рода систем. Для получения действительно хороших результатов необходимы дорогостоящие людские и материальные ресурсы - специалисты, лицензионные инструмента­рии, документация. Кроме того, разработка их достаточно трудоемкий (годы) и дорогостоящий (десятки, если не сотни тыс. долларов) процесс. Вот почему в на­стоящее время действующие интеллектуальные системы ориентированы в ос­новном на поддержку работы постоянно работающих групп пользователей для достаточно специализированных задач. Следует отметить и то, что в настоящее время почти нет действительно интеллектуальных систем, удобных для работы широкого круга пользователей в сети Интернет.

Таким образом, разработка теории, методов и технологий представления и ис­пользования знаний остается актуальной задачей для дальнейшего развития ин­теллектуальных систем. Особую актуальность, по нашему мнению, приобретают на современном этапе развития науки и общества в целом Интернет-ориентиро­ванные технологии и распределенный искусственный интеллект. Уже сейчас яс­но, что применение систем, основанных на знаниях, компонентом которых явля­ются, например, онтологии, а реализация базируется на мультиагентных техно­логиях, должно привести к рассмотрению и использованию Всемирной паутины как организованного и структурированного пространства знаний.

И в заключение, авторы надеются, что их собственный скромный вклад в методо­логию, технологию и программные средства создания баз знаний, также отражен­ный в данной книге, позволит молодым специалистам в области искусственного интеллекта пойти дальше по тернистому пути этой молодой науки, которой так хочется стать индустрией!

Литература

1. Агеев В. Н., 1994. Примеры гипертекстовых и гипермедиа систем (обзор) // Компьютерные технологии в высшем образовании: Сб. статей. М.: Изд-во МГУ. С. 225-229.

2. Аверкин А. Н., Батыршин И. 3., Блишун А. Ф., Силов В. Б., Тарасов В. Б., 1986. Нечеткие множества в моделях управления и искусственного интеллекта // Под ред. Д. А. Доспелова. М.: Наука.

3. Алахвердов В. М., 1986. Когнитивные стили в контурах процесса познания. Когнитивные стили // Под ред. В. Колги. — Таллинн. С. 12-23.

4. Александров Е. А., 1975. Основы теории эвристических решений. М.: Наука.

5. Алексеева И. А., Воинов А. В., Сейсян А. Р., Эткинд А. М., 1989. Психосеман­тическая реконструкция картины мира подростков, употреблявших токсичес­кие вещества // Сб. Конструктивная психология — новое направление разви­тия психологической науки. Под ред. А. Г. Копытова. Красноярский гос. ун-т.

С. 36-41.

6. Алексеевская М. А., Недоступ А. В., 1988. Диагностические игры в медицин­ских задачах. Вопросы кибернетики // Задачи медицинской диагностики и прогнозирования с точки зрения врача. № 112. С. 128-139.

7. Амамия М., Танака Ю., 1993. Архитектура ЭВМ и ИИ. М.: Мир.

8. Анастази А., 1982. Психологическое тестирование. Т. 1. М. С. 96-162.

9. Андриенко Г. Л., Андриенко Н. В., 1992. Игровые процедуры сопоставления в инженерии знаний // Сборник трудов III конференции по искусственному интеллекту. Тверь. С. 93-96.

10. Аншаков О. М., Скворцов Д. П., Финн Д. К, 1986. Логические средства экс­пертных систем типа ДСМ // Семиотика и информатика. Вып. 28. С. 5-15.

11. Апресян Ю. Д., 1977. Экспериментальное исследование семантики русского языка. М.: Наука.

12. Апресян Ю.Д., 1974. Лексическая семантика. Семиотические средства языка. М.: Наука.

13. Арбиб М., 1975. Алгебраическая теория автоматов. М.: Статистика.

14. Аткинсон Р., 1980. Человеческая память и процесс обучения // Пер. с англ. М.: Прогресс.

15. Байдун В. В., Бунин А. И., 1990. Средства представления и обработки знаний в системе FRL/PS // Всесоюзная конференция по искусственному интеллекту: тез. докл. Т. 1. Минск. С. 66-71.

16. Бахтин М. М., 1975. Вопросы литературы и эстетики: Исследования разных лет. М.: Художественная литература.

17. Белнап Н., Стил Т., 1981. Логика вопросов и ответов. М.: Прогресс.

18. Берков В. Ф., 1972. Вопрос как форма мысли. Минск, Изд-во БГУ.

19. Берн Э., 1988. Игры, в которые играют люди. Люди, которые играют в игры// Пер. с англ. М.: Прогресс.

20. Бойкачев К. К., Конева И. Г., Новик И. 3., 1994. «Сценарий» — инструмент визуальной разработки компьютерных программ // Компьютерные техноло­гии в высшем образовании: Сб. статей. М.: Изд-во МГУ. С. 167-178.

21. Борисов А. Н., Федоров И. П., Архипов И. Ф., 1991. Приобретение знаний для интеллектуальных систем. Рижский технический университет.

22. Борисова Н. В., Соловьева А. А. и др., 1988. Деловая игра «Методика конст­руирования деловой игры». М.: ИПКИР.

23. Брунер Дж., 1971. Исследование развития познавательной деятельности // Пер. с англ. М.: Педагогика.

24. Бурков В. И. и др., 1980. Деловые игры в принятии управленческих решений. М.: МИСИС.

25. Брукс Ф. П., 1979. Как проектируются и создаются программные комплексы. Мифический человеко-месяц: очерки по системному программированию. М.: Наука.

26. Буч Г., 1992. Объектно-ориентированное проектирование с примерами при­менения. М.: Конкорд.

27. Веккер Л. М., 1976. Психические процессы // В 3-х томах. Т. 2. Л.: ЛГУ.

28. Величковский Б. М., 1982. Современная когнитивная психология. М.: МГУ.

29. Величковский Б. М., Капица М. С, 1987. Психологические проблемы изуче­ния интеллекта // Интеллектуальные процессы и их моделирование. М.: Наука. С. 120-141.

30. Вертгеймер М., 1987. Продуктивное мышление // Пер с нем. М.: Прогресс.

31. Винер Н., 1958. Кибернетика или управление и связь в животном и машине. М.: Сов. радио.

32. Виноград Т., 1976. Программа, понимающая естественный язык // Пер. с англ. М.: Мир.

33. Воинов А., Гаврилова Т., 1994. Инженерия знаний и психосемантика: Об од­ном подходе к выявлению глубинных знаний // Известия РАН Техническая кибернетика. № 5. С. 5-13

34. Волков А. М., Ломнев B.C., 1989. Классификация способов извлечения опыта экспертов // Известия АН СССР. Техническая кибернетика. № 5. С. 34-45.

35. Вольфенгаген В. Э., Воскресенская О. В., Горбанев Ю. Г., 1979. Система пред­ставления знаний с использованием семантических сетей // Вопросы кибер­нетики: Интеллектуальные банки данных. М.: АН СССР. С. 49-69.

36. Гаврилова Т. А., 1984. Представление знаний в экспертной диагностической системе АВТАНТЕСТ // Изв. АН СССР. Техническая кибернетика. № 5. С. 165-173.

37. Гаврилова Т. А., 1988. Как стать инженером по знаниям // Доклад на Всесо­юзной конференции по искусственному интеллекту. М.: ВИНИТИ. С. 332-338.

38. Гаврилова Т. А., Минкова С. П., Карапетян Г. С, 1988. Экспертные системы для оценки качества деятельности летного состава // Тез. докладов научно-практической школы-семинара «Программное обеспечение и индустриаль­ная технология интеллектуализации разработки и применения ЭВМ». — Ро­стов н/Д, ВНИИПС. С. 23-25.

Дата добавления: 2015-07-02