ГЕНЕРАЦІЯ ТЕСТОВИХ БАЗ ПРАВИЛ ДЛЯ АНАЛІЗУ ПРОДУКТИВНОСТІ МЕХАНІЗМІВ ЛОГІЧНОГО ВИВЕДЕННЯ
DOI:
https://doi.org/10.30837/ITSSI.2020.13.077Ключові слова:
механізм логічного виведення (inference engine), аналіз продуктивності (benchmarking), експертні системи (rule-based system), Manners, Waltz, PalettеАнотація
Предметом дослідження в статті є тестові задачі визначення продуктивності механізмів логічного виведення, що базуються на правилах. Мета роботи – створення методу формування бази правил та набору даних для аналізу продуктивності механізмів логічного виведення за заданими характеристиками активації правил та складністю пошуку шляху до цільового висновку. В статті вирішуються наступні завдання: визначення вимог до бази знань, що має формуватись; створення моделі бази знань; створення способу формування правил; визначення способів збільшення кількості правил; надання постановки випробовувань механізмів логічного виведення за запропонованою тестовою задачею. Використовуються такі методи: методи співставлення зі зразком, теорії графів, логічного програмування. Отримано наступні результати: метод надає можливості: створення умов правил, які максимально ускладнюють мережу потоку даних Rete-алгоритма; формування тестових баз правил для виведення як за логікою першого порядку, так і за пропозиційною логікою; простого збільшення кількості правил бази знань зі збереженням логіки виведення. Формування бази знань здійснюється на основі графу, який представляє метаправила змішування фарб для отримання нового кольору. Вершинами графу є класи кольорів. Кожне метаправило є або ребром, що веде до OR-вершини, або сукупністю ребер – у випадку AND-вершини. Кожне метаправило задає схему для створення декількох правил, оскільки його структурними компонентами є класи фарб. Надана структура графу значно ускладнює логічне виведення, оскільки для доведення істинності висновку на AND-вершинах необхідно мати висновки, отримані на попередніх кроках різних напрямів пошуку. Наведено приклади формування правил. Визначено цільові вершини, які визначають найпростіший та найскладніший випадки логічного виведення. Висновки: запропоновано: семантичну модель бази знань у вигляді AND/OR-graph, яка дозволяє випробовувати ефективність реалізацій стратегій розв’язання конфліктів, а також евристичних алгоритмів; метод створення тестів для механізмів логічного виведення, що дозволяє генерувати базу правил та набір даних визначених розмірів, а також моделювати складність пошуку цільового висновку та активації правил. Представлено: способи збільшення кількості правил бази знань для ускладнення задачі логічного виведення; постановки випробовувань з визначення продуктивності механізмів логічного виведення за запропонованою тестовою задачею.Завантаження
Посилання
Bobek, S., Misiak, P. (2017), "Framework for Benchmarking Rule-Based Inference Engines", Artificial Intelligence and Soft Computing, ICAISC 2017, Lecture Notes in Computer Science, Springer, Cham., Vol. 10246, P. 399–410. DOI: https://doi.org/10.1007/978-3-319-59060-8_36. SCOPUS.
"Clips R2 Benchmark" (2020), Production systems technologies, available at: http://www.grossweb.com/pst/clips-r2-benchmark/ (last accessed 25.09.20).
Riley, G. "Rearchitecting CLIPS" (2008), Business Rules Knowledge Base - October Rulefest 2008, available at: http://bizrules.info/conference/ORF2008DFW/GaryRiley_RearchitectingCLIPS_ORF2008.pdf (last accessed 25.09.20).
Kieman, G., de-Maindriville, C., Simon, E. (1990), "Making Deductive Database a Practical Technology: A Step Forward", Institute National de Recherche en Informatique et en Automatique, Report No. 1153, P. 237–245. DOI: https://doi.org/10.1145/93605.98733
Brant, D, Grose, T., Lofaso, B., Miranker, D. P. (1991), "Effects of Database Size on Rule System Performance: Five Case Studies", Proceedings of the 17th International Conference on Very Large Data Bases, P. 287–296.
Plant, R., Salinas, P. (1994), "Expert systems shell benchmarks: The missing comparison factor", Information & Management, Vol. 27, Issue 2, August 1994, P. 89–101. DOI: https://doi.org/10.1016/0378-7206(94)90009-4
Farinha, J. M. T. (2018), Asset Maintenance Engineering Methodologies, CRC Press, 322 p.
Hicks, R. C., Wright, K. (2009), "Performance Testing of Propositional Logic Inference Engines", Journal of Computer Information Systems, Published online, Vol. 49, P. 122–126.
Bergmann, G., Horváth, Á., Ráth, I., Varró, D. (2008), "A Benchmark Evaluation of Incremental Pattern Matching in Graph Transformation", Graph Transformations, ICGT 2008, Lecture Notes in Computer Science, Springer, Berlin, Heidelberg, Vol 5214. P. 396–410. DOI: https://doi.org/10.1007/978-3-540-87405-8_27
Liang, S., Fodor, P., Wan, H., Kifer, M. (2009), "OpenRuleBench: An analysis of the performance of rule engines", Proc. 18th International Conference on World Wide Web, P. 601–610. DOI: https://doi.org/10.1145/1526709.1526790
Rattanasawad, T., Buranarach, M., Saikaew, K.R., Supnithi, T. (2018), "A Comparative Study of Rule-Based Inference Engines for the Semantic Web", IEICE Transactions on Information and Systems, January 2018, P. 82–89. DOI: https://doi.org/10.1587/transinf.2017SWP0004
Hecham, A., Croitoru M., Bisquert P. (2018), "A First Order Logic Benchmark for Defeasible Reasoning Tool Profiling", RuleML+RR, Sep 2018, Luxembourg, P. 81–97. DOI: https://doi.org/10.1007/978-3-319-99906-7_6
Hecham, A., Croitoru, M., Bisquert P. (2018), "Demonstrating a benchmark for defeasible reasoning", Computational Models of Argument, ser. Frontiers in Artificial Intelligence and Applications, Vol. 305, P. 461–462. DOI: https://doi.org/10.3233/978-1-61499-906-5-461
Hecham, A., Croitoru, M., Bisquert P. (2018), "On a flexible representation for defeasible reasoning variants", AAMAS’18: Proceedings of the International Joint Conference on Autonomous Agents and Multiagent Systems, P. 1123–1131.
Shapovalova, S., Mazhara, O. (2015), "Formalization of basic pattern matching algorithms in production systems", Eastern European Journal of Enterprise Technologies, No. 4/3 (76), P. 22–27. DOI: https://doi.org/10.15587/1729-4061.2015.46571
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
-
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
-
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
-
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.