O slideshow foi denunciado.
Seu SlideShare está sendo baixado. ×

Entscheidungsunterstützung im Semantic Web

Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Próximos SlideShares
Webwissenschaften
Webwissenschaften
Carregando em…3
×

Confira estes a seguir

1 de 40 Anúncio

Entscheidungsunterstützung im Semantic Web

Baixar para ler offline

Vortrag von
Thomas Fischer, Lehrstuhl für Wirtschaftsinformatik an der Friedrich-Schiller-Universität Jena
auf dem 14. Interuniversitären Doktorandenseminar Wirtschaftsinformatik am 14.07.2011 auf der Augustusburg bei Chemnitz.

Vortrag von
Thomas Fischer, Lehrstuhl für Wirtschaftsinformatik an der Friedrich-Schiller-Universität Jena
auf dem 14. Interuniversitären Doktorandenseminar Wirtschaftsinformatik am 14.07.2011 auf der Augustusburg bei Chemnitz.

Anúncio
Anúncio

Mais Conteúdo rRelacionado

Semelhante a Entscheidungsunterstützung im Semantic Web (20)

Mais recentes (20)

Anúncio

Entscheidungsunterstützung im Semantic Web

  1. 1. Entscheidungsunterstützung im Semantic Web Thomas Fischer Lehrstuhl für Wirtschaftsinformatik Friedrich-Schiller-Universität Jena
  2. 2. Agenda • Motivation der Forschung • Forschungsfragen und Hypothesen der Dissertation • Vorgehensweise der Dissertation • Identifikation von Integrationsansätzen von Inferenz und Methoden der Entscheidungsunterstützung • Anwendungsbeispiel: Relationales Rucksackproblem • Anwendungsbeispiel: Assembly Line Balancing Problem • Zusammenfassung Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 2
  3. 3. Motivation des Forschungsthemas • EUS verarbeiten Daten mit Modellen um neue Informationen zur Entscheidungsfindung zu generieren • Modell: “The earliest, and perhaps predominant, DSS view of models is that they are procedures, auto- mated algorithms whereby data can be analyzed in response to stated problems.” (Chang,1993) • Daten: – Internet (Web, Web Services, Semantic Web, …) – Intranet (Unternehmensportale, Relationale Datenbanken, Flat Files etc.) – … • Repräsentation des Hintergrundwissen – Relationale Datenbank Eigene Grafik in Anlehnung an: (Bolloju,2002); (Bracke,2004); – Taxonomie, Ontologie, … (Kosaka & Hirouchi,1982); (Dargam,1998); (Fedorowicz & Williams,1986) Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 3
  4. 4. Motivation des Forschungsthemas • Generelle Fragestellungen eines EUS sind daher: – Modellspezifikation – Datenrepräsentation – Repräsentation des Hintergrundwissens – Design des Nutzerinterface – Datenakquisition – … • World Wide Web bietet eine Vielzahl von Informationen, die für betriebswirtschaftliche Entscheidungen eine Rolle spielen können • “… the more distributed and independently managed that resources on the Web become, the greater is their potential value, but the harder it is to extract value …“ (Singh & Huhns, 2005). • Limitierte menschliche Aufnahmefähigkeit für Informationen (Edelmann, 2000) versus steigender Informationsüberfluss (Krcmar, 2004) • Eine weitergehende automatisierte Verarbeitung (Extraktion, Transformation etc.) von Daten aus dem Web ist daher wünschenswert und ist Teil der Bestrebungen der Semantic Web Forschung Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 4
  5. 5. Semantic Web und Description Logic • “The Semantic Web is not a separate Web but an extension of the current one, in which information is given well-defined meaning, better enabling computers and people to work in cooperation” (Berners-Lee et al., 2001b). • Ontologie: “conceptualization of the domain of discourse” (Gruber, 1993) • Basiert auf einer Schichtung von Standards: – Resource Description Framework (RDF) (Klyne et al., 2004) – Resource Description Framework Schema RDF(S) (Brickley et al., 2004) – Web Ontology Language (OWL) (Smith et al., 2004) (W3C OWL Working Group, 2009). • RDF Statements – Subjekt ������, Prädikat ������, Objekt ������ – Tripel ������(������, ������) • RDF-S ist eine minimale Sprache für Ontologien – Definition von Klassen und Eigenschaften – Limitierte Expressivität Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 5
  6. 6. Semantic Web und Description Logic • OWL 2 ist eine ausdrucksstarke Sprache für Ontologien mit verschiedenen Syntaxvarianten (z.B. RDF/XML) – Basiert auf der SROIQ description logic: “fragment of first order logic with useful computational properties” (W3C OWL Working Group, 2009) • Description Logic ������������ = (������������������������, ������������������������) • ������������������������: spezifiziert Konzepte und Eigenschaften - „intensional knowledge representation“ (Baader et al., 2003) • ������������������������: spezifiziert Aussagen über Instanzen • Komplexität der Inferenz ist abhängig von der Art der Beschreibungslogik bzw. der eingesetzten semantischen Konstrukte Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 6
  7. 7. Resultierende Forschungsfragen • Grundfragestellung – Wie kann das Semantic Web in EUS genutzt werden? Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 7
  8. 8. Resultierende Forschungsfragen • Applegate et al. postulierte schon 1986: “Complex system domains, however, require the use of more sophisticated representations to improve the efficiency and scope of the system.” (Applegate et al.,1986) – Steigert die höhere Ausdrucksstärke von Semantic Web Daten die Effizienz und den Anwendungsbereich von Entscheidungsunterstützungssystemen? – Mit welchen Methoden können Modelle der Entscheidungsunterstützung mit Semantic Web Ontologie Technologie integriert werden? – Wie können verschiedene Arten der Schlussfolgerung (engl. Reasoning) auf diesem Typ von Daten genutzt und integriert werden? – Ist die Integration sinnvoll in Bezug auf: • Problemlösungsfähigkeit, • Datenextraktion bzw. Datenrepräsentation, • Komplexität von Suchräumen, • Komplexität der Modellspezifikation? – Was sind geeignete Anwendungsgebiete? – Wie kann eine formale Modellierung erfolgen? Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 8
  9. 9. Hypothesen • Hypothesen in Bezug auf Modellierung  Die Weiterentwicklung der Datenkomplexität macht auch eine Weiterentwicklung der entsprechenden EUS Modelle notwendig, damit diese von der gesteigerten Repräsentation partizipieren können. • Hypothesen in Bezug auf die Integration  Es gibt verschiedene Möglichkeiten bzw. Ansatzpunkte für die Integration  Die Art und die Flexibilität der Integration ist abhängig von den Anforderungen des jeweiligen Problems (Menge der Daten, Zeitvorgaben etc.) • Hypothesen in Bezug auf Problemlösungsfähigkeit und Komplexität  Durch eine ausdrucksstärkere Repräsentation der Daten steigt auch die Komplexität der jeweiligen Methoden und Lösungsräume etc., dies muss aber nicht zwingend in einer längeren Laufzeit der Algorithmen münden, insofern im Sinne eines „seperation of concerns“ verschiedene Inferenzen spezialisiert durchgeführt werden können  Die Problemlösungsfähigkeit steigt durch die Extraktion von impliziten Informationen Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 9
  10. 10. Vorgehensweise der Dissertation Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 10
  11. 11. Identifikation von Varianten der Integration • Möglichkeit 1: Lösung eines Problems nur mit logischer Inferenz • Beispiel: EUS zur Landvergabe in Sambia (Abanda, Ng’ombe, Tah, & Keivani, 2011 Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 11
  12. 12. Identifikation von Varianten der Integration • Möglichkeit 2: Logische Inferenz  Materialisierung der impliziten Informationen  Transformation der Daten  Aufruf einer Standardmethode (z.B. Optimierung, Data Mining, …) • Beispiel: Kim et al. (2009) präsentieren ein EUS zur Auswahl einer optimalen Kaufentscheidung basierend auf einer OWL Ontology, Regeln und einer neuen Sprache für Constraints. Aus der OWL Ontologie und den Nebenbedingungen wird dann das Optimierungsmodell generiert. Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 12
  13. 13. Identifikation von Varianten der Integration • Möglichkeit 3: Direkte logische Inferenz während der Ausführung der jeweiligen Methode zur Entscheidungsunterstützung • Diese Variante hat bisher keine bzw. keine nennenswerte Beachtung gefunden. Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 13
  14. 14. Identifikation von Varianten der Integration • Möglichkeit 4: Kombination von Deduktiver und Induktiver Inferenz in Methoden der Entscheidungsunterstützung • Beispiel: Stochastische Optimierung auf Basis eines „Statistical Relational Model“ (siehe nachfolgende Folien) Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 14
  15. 15. Anwendung: Relationales Rucksackproblem • Standard 0-1 Rucksackproblem • Programm: ������ maximiere ������������ ������������ ������=1 ������ ������������ ������������ ≤ ������ ������=1 ������������ ∈ 0,1 Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 15
  16. 16. Anwendung: Relationales Rucksackproblem • Relationales Rucksackproblem • Beschreibung: – Objekte haben einen Typ – Typenhierarchie – Objekte können Beziehungen untereinander haben – Beziehungen der Objekte können einen Einfluss auf den Wert des Rucksacks haben Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 16
  17. 17. Anwendung: Relationales Rucksackproblem Spezifikation der DL TBox ������������������������������������ ⊑ T ≥ 1 ������������������������������������������������ ⊑ ������������������������������t • TBox ������������������������������������������������ ⊑ T ≥ 1 ������������������������������������������������������ ⊑ ������������������������������t ≥ 1 ������������������������������������������������������������������ ⊑ ������������������������������������������������ ������������������������������������������������������������ ⊑ T ≥ 0 ������������������������������������ ⊑ ������������������������������������ Spezifikation ������������������������ ⊑ ������������������������������������ ≥ 1 ������������������������������������������������������ ⊑ ������������������������������������������������������������ ≥ 1 ������������������ ⊑ ������������������������������t ������������������������������������������������������������������������������������������������ ⊑ ������������������������������������ • Siehe zur ������������������������������������������������������ ⊑ ������������������������������������������������������������������������������������������������ ≥ 0 ������������������ ⊑ ������������������������������t T ⊑ ∀ ������������������������������������������������. ������������������������������������ T ⊑ ∀ ������������������������������������������������������. ������������������������������������ Formalisierung ������������������������������ ⊑ ������������������������������������������������������������������������������������������������ T ⊑ ∀ ������������������������������������������������������������������. ������������������������������������ ������������3������������������������������������ ⊑ ������������������������������������������������������������������������������������������������ T ⊑ ∀ ������������������. ������������������������������������������������ Baader et al. ������������������������������������������������������������������������������������������������������ ⊑ ������������������������������������ T ⊑ ∀ ������������������. ������������������������������������ T ⊑ ∀ ������������������������������������. ������������������������������������������������������������ (2003) ������������������������������������������������ ⊑ ������������������������������������������������������������������������������������������������ T ⊑ ∀ ������������������������������������������������������. ������������������������������������ ������������������������������������������������ ⊑ ������������������������������������������������������������������������������������������������ T ⊑ ≤ 1 ������������������������������������������������ • Komplexität der ������������������������������������������������������ ⊑ ������������������������������������ T ⊑ ≤ 1 ������������������������������������������������������ T ⊑ ≤ 1 ������������������������������������������������������ ������������������������������������������������ ⊑ ������������������������������������������������������ DL:������ℒℋℐℱ ������ T ⊑ ≤ 1 ������������������������������������������������������������������ ������������������������������������������ ⊑ ������������������������������������������������������ T ⊑ ≤ 1 ������������������ ������������������������������������������������ ⊑ ������������������������������������������������������ T ⊑ ≤ 1 ������������������������������������ ������������������ ≡ ������������������ − ������������������������������ ⊑ ������������������������������������������������������ Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 17
  18. 18. Anwendung: Relationales Rucksackproblem Spezifikation der DL ABox ������������������������������������������������ ������1 • ABox spezifiziert die ������������������������ ������������ ������������������������������������������������������������������ ������1,720 ������������������������ ������������������������������������������������ ������������������������������������������������ ������������, 70 Instanzen der ������������������������������������������ ������������������������������������������������ ������������������������������������������������ ������������������������������������������������, 80 Konzepte und ������������������������������������������������ ������������������������������������ ������������������������������������������������(������������������������������������, 10) ������������������������������(������������������������������������������������) ������������������������������������������������ ������������������������������������������������, 20 Eigenschaften ������������������������ ������������������������������������������������ ������������������������������������������������ ������������������������������������������������, 10 ������������������������������������������������ ������������������������ ������������������������������������������������ ������������������������, 1000 ������������������������������(������������������������������������) ������������������������������������������������ ������������������������������������, 150 ������������������������������������������������������������(������1) ������������������ ������������������������������������������������, ������������������������������������������������ ������������������ ������������������������������������, ������������������������������������������������ ������������������������������������������������������ ������������, 200 ������������������������������������ ������������������������������������, ������1 ������������������������������������������������������ ������������������������������������������������, 150 ������������������������������������ ������������������������������������������������, ������1 ������������������������������������������������������ ������������������������������������������������, 50 ������������������������������������ ������������������������������������������������, ������1 ������������������������������������������������������ ������������������������������������, 20 ������������������������������������ ������������������������������������������������, ������1 ������������������������������������������������������ ������������������������������������������������, 50 ������������������������������������������������������ ������1,60 ������������������������������������������������������ ������������������������������������������������, 50 ������������������������������������������������������ ������������������������, 500 ������������������������������������������������������ ������������������������������������, 200 Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 18
  19. 19. Anwendung: Relationales Rucksackproblem Abfragen • Konjunktive Abfrage ������1 , ������2 , … , ������������ . ∃ ������������+1 , … , ������������ . ������1 , … , ������������ • Beispielabfrage 1 ������������1 . ∃ ������1 . ������������������������������������������������ ������1 , ������������1 – Ergebnis: 70,80,50, … • Beispielabfrage 2 ∃ ������1 , ������2 , ������1 . ������������������ ������1 , ������2 ∧ ������������������ ������1 , ������1 – Ergebnis: ������������������������������ Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 19
  20. 20. Anwendung: Relationales Rucksackproblem Regeln • Zusätzliche Regeln können weitere implizite Informationen verfügbar machen, insofern die Inferenzmaschine die Regeln verarbeiten kann • Beispiel: ������������������������������������������������������ ������ , ������������������������������������������������������ ������ ⟶ ������������������ ������, ������ Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 20
  21. 21. Anwendung: Relationales Rucksackproblem Standard Programm • Relationales Rucksackproblem mit������einer Beziehung ������ ������ maximiere ������������ ������������ + ������������ ������������ ������������������ ������������������ ������ ������=1 ������=1 ������=1 ������������ ������������ ≤ ������ ������=1 0,1 ������������ ∈ • Dieses quadratische Problem kann mit CPLEX etc. gelöst werden. • Allerdings würde diese Modellierung keine logische Inferenz begünstigen. • Was passiert bei noch mehr vorhandenen logischen Bedingungen u.U. auch in den Nebenbedingungen? Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 21
  22. 22. Anwendung: Relationales Rucksackproblem DL-Programm • Anheben der Repräsentation von Variablen zu DL-Sprachelementen maximiere ������������1 . ������������������������������������������������ ������1 , ������������1 ∧ ������������������ ������1 , "K1" ������1 + ������ . ∃ ������ . ������������������ ������1 , ������2 ∧ ������������������ ������1 , "������1" ∧ ������������������ ������2 , "������1" ������1 ������2 ∧ ������������������������������������ ������1 , ������ ∧ ������������������������������������ ������2 , ������ ∧ ������������������������������������������������������ ������, ������ ������ . ������������������������������������������������������ ������1 , ������ ∧ ������������������ ������1 , "������1" ≤ ������ . ������������������������������������������������������������������ "K1", ������ ������1 ������1 , ������2 ∈ ������������������������������������ ������������ = ������������������������, ������������������������ + ������������������������������ Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 22
  23. 23. Anwendung: Relationales Rucksackproblem Evolutionärer Algorithmus Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 23
  24. 24. Anwendung: Relationales Rucksackproblem Ergebnisse • Evaluation auf dem künstlichen Problem war erfolgreich. • Algorithmus konnte das Problem in Durchläufen mit verschiedenen Seed- Werten immer lösen. • DL-Problemspezifizierung erleichtert die Modellierung für Lösungsmethoden mit logischer Inferenz • Einfachere Definition von komplexen Bewertungsfunktionen mit integrierter logischer Inferenz • Standard Lösungsverfahren z.B. Genetische Algorithmen können auf die Anforderungen angepasst werden • Vorstellung des Ansatzes auf der International Conference for Operations Research (2010) sowie Publikation in den Post Conference Proceedings (Fischer & Ruhland, 2011). Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 24
  25. 25. Anwendung: Assembly Line Balancing • Wie funktioniert der Ansatz auf einem komplexen Problem aus der Praxis? • Assembly Line Balancing (ALB) bietet sich als Testproblem an – ALB basiert auf: • Vorranggraph von Aufgaben, serieller Produktionslinie, Stationen haben gleiche Ressourcen • Taktzeit Restriktion – GALB Problem mit Zuweisungsrestriktionen: • Verlinkte Aufgaben, inkompatible Aufgaben, Stationstypen + Restriktionen, Ressourcen Restriktionen Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 25
  26. 26. Anwendung: Assembly Line Balancing Lösungsmethoden • Übersicht über die Klassifikation und Lösungsmethoden von verschieden ALB Problemausprägungen (Becker & Scholl, 2006) • Referenzdatensatz für das GALB von Scholl et al. (2010) – Betrachtung von 268 ALB Problemen in 6 verschiedenen Varianten (siehe Evaluation) • Transformation und Import der Daten auf Basis eines Generators in einen RDF Triple Store Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 26
  27. 27. Anwendung: Assembly Line Balancing Aufbau des EUS Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 27
  28. 28. Anwendung: Assembly Line Balancing Spezifikation der DL TBox ������ℒℐℱ(������) ������������������������������������������ ⊑ T ≥ 0 ������������������������������������������������������������ ⊑ ������������������������������������������ T ⊑ ≤ 1������������������������������������������������������������������������ ������������������������������������������ ⊑ T ≥ 0 ������������������������������������������������������������������ ⊑ ������������������������ T ⊑ ≤ 1 ������������������������������������������������������ ������������������������ ⊑ T T ⊑ ∀ ������������������������������������������������������. ������������������������ T ⊑ ≤ 1 ������������������������������������������������������ ������������������������ ⊑ ������������������������������������������ T ⊑ ∀ ������������������������������������������������������������������������������������. ������������������������ T ⊑ ≤ 1 ������������������������������������������������������������������������������������������������������ ≥ 0 ������������������������������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������������������������������������. ������������������������ T ⊑ ≤ 1 ������������������������������ ≥ 0 ������������������������������������������������������������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������������. ������������������������ T ⊑ ≤ 1 ������������������������������������ ≥ 0 ������������������������������������������������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������������������������������������������. ������������������������������������������ T ⊑ ≤ 1 ������������������������������������������������������������ ≥ 0 ������������������������������������������ ⊑ ������������������������������������������ T ⊑ ∀ ������������������������������������������������������������������������������������. ������������������������������������������ ≥ 0 ������������������������������������������������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������������������������. ������������������������������������������ ������������������������������������������������������������������������������������������������ ≡ ≥ 0 ������������������������������������������������������������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������������������������������������������������������������������. ������������������������ ������������������������������������������������������������������������������������������������ − ≥ 0 ������������������������������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������������������������������������������. ������������������������ ≥ 0 ������������������������������������������������������������������������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������������������������. ������������������������������������������ ������������������������������������������������������ ≡ ������������������������������������������������������ − ≥ 0 ������������������������������������������������������������������������ ⊑ ������������������������������������������ T ⊑ ∀ ������������������������������������������������������������������������������������������������������. ������������������������������������ ≥ 1 ������������������������������������������������������ ⊑ ������������������������������������������ T ⊑ ∀ ������������������������������. ������������������������������������ ������������������������������������������������������������������������������������ + ≥ 1 ������������������������������������������������������������������������������������������������������ ⊑ ������������������������������������������ T ⊑ ∀ ������������������������������������������. ������������������������������������ ������������������������������������������������������������������������ + ≥ 1 ������������������������������ ⊑ ������������������������ T ⊑ ∀ ������������������������������������. ������������������������������������ ≥ 1 ������������������������������������������ ⊑ ������������������������������������������ T ⊑ ∀ ������������������������������������������������������������. ������������������������������������������ ≥ 1 ������������������������������������ ⊑ ������������������������������������������ T ⊑ ∀ ������������������������������������������. ������������������������������������ Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 28
  29. 29. Anwendung: Assembly Line Balancing Regelspezifikation • Inferenz mit Regeln [P1: (?p rdf:type opt:GALP) basieren auf dem (?p opt:cycleTime ?c) Jena (?t1 rdf:type opt:Task) GenericRuleReasoner (?t2 rdf:type opt:Task) • Regel P1: (?t1 opt:hasTaskTime ?time1) (?t2 opt:hasTaskTime ?time2) sum(?time1,?time2,?newTime) greaterThan(?newTime, ?c) noValue(?t1 opt:isIncompatibleTo ?t2) notEqual(?t1,?t2) -> (?t1 opt:isIncompatibleTo ?t2)] Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 29
  30. 30. Anwendung: Assembly Line Balancing Regelspezifikation [P2: (?t1 opt:hasSuccessor ?t2) (?t2 opt:hasSuccessor ?t3) (?t1 opt:hasSuccessor ?t3) (?t1 opt:isIncompatibleTo ?t2) notEqual(?t1,?t2) notEqual(?t2,?t3) notEqual(?t1,?t3) noValue(?t1 opt:isIncompatibleTo ?t3) -> (?t1 opt:isIncompatibleTo ?t3)] Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 30
  31. 31. Anwendung: Assembly Line Balancing Regelspezifikation [P3: (T1 opt:isFixedTo M1) (T2 opt:isFixedTo M2) notEqual(M1,M2) -> (T1 isIncompatibelTo T2)] • Erkenntnis: Restriktionen des GALB lassen sich in Inkompatibilitätsrestriktionen logisch umwandeln, während diese in Standardmodellierungen als verschiedene Restriktionen behandelt werden Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 31
  32. 32. Anwendung: Assembly Line Balancing Implementierte Lösungsalgorithmen • Vorverarbeitung bzw. Extraktion von Informationen mit vordefinierten SPARQL Queries PREFIX opt: <http://www.semanticweb.org/ontologies/2011/0/OntologyALB.owl#> PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> SELECT ?problem ?optimum WHERE { ?problem rdf:type opt:GALP . ?problem opt:hasOptimum ?optimum . } PREFIX opt: <http://www.semanticweb.org/ontologies/2011/0/OntologyALB.owl#> PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> SELECT ?id ?sucid WHERE { ?task rdf:type opt:Task . ?task opt:hasID ?id . OPTIONAL { ?task opt:hasSuccessor ?sucTask . ?sucTask opt:hasID ?sucid . }} Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 32
  33. 33. Anwendung: Assembly Line Balancing Evaluation • Vergleichsdaten entnommen aus Scholl et al. (2010) (gleiche Ausgangsdaten) • ABSALOM – Branch & Bound Verfahren • AVALANCHE – Ameisenalgorithmus • FIS-PR-OR – Prioritätsregel mit OWL DL Inferenz, aber ohne Regeln • FIS-PR-MR - Prioritätsregel mit OWL DL Inferenz und Regeln • FIS-GA-OR – Genetischer Algorithmus mit OWL DL Inferenz, aber ohne Regeln • FIS-GA-MR – Genetischer Algorithmus mit OWL DL Inferenz und Regeln KG- KG- Zeile IR ABSALOM AVALANCHE FIS-PR-OR FIS-PR-MR FIS-GA-OR FIS-GA-MR MR OR rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) Opt 0 0 0.05 263 2.19 162 3.7 136 4.54 120 3.24 128 3.34 126 6.17 4.57 1 2 0.22 262 3.85 135 3.8 136 4.92 114 N/A N/A N/A N/A 6.89 4.75 2 5 0.41 257 6.29 115 4.2 127 5.64 105 N/A N/A N/A N/A 8.90 6.18 3 7 0.44 254 8.28 97 5.0 120 6.56 87 N/A N/A N/A N/A 10.22 6.95 4 10 0.76 246 11.05 94 6.0 106 7.51 78 N/A N/A N/A N/A 12.25 9.12 5 20 1.37 231 19.27 79 9.7 78 12.60 50 N/A N/A N/A N/A 19.81 15.12 Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 33
  34. 34. Anwendung: Assembly Line Balancing Erkenntnisse • SALB und GALB besitzen in den meisten Fällen implizite Inkompatibilitätsrestriktionen zwischen Aufgaben, die eigentlich bisher nur das Merkmal von GALB definiert wurden. • Weitere Restriktionen können durch logische Regeln in Inkompatibilitätsrestriktionen umgeformt werden. IR Ausgangsdaten OR MR 0 0 0 222398 2 39093 78186 296100 5 95565 191416 404308 7 132694 265388 473982 10 190529 381058 582740 20 379451 759966 940886 Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 34
  35. 35. Anwendung: Assembly Line Balancing Erkenntnisse • Logikbasierte Kandidatengenerierung mit anschließender Prioritätsregel ist schneller und bietet z.T. bessere Ergebnisse als aktuell vorhandene GALP Heuristiken  NP harte Optimierungsprobleme können von integrierter logischer Inferenz profitieren • Die Ableitung von impliziten logischen Informationen führt aber nicht zwingend zu einem besseren Optimierungsergebnis, hierzu sind weitere Analysen notwendig. Zwar findet eine Einschränkung des Suchraumes statt, aber die implementierten Algorithmen müssen dies auch nutzen können. • SPARQL Abfragen ohne Inferenz sind auf Tripel Datenbanken performant • SPARQL-DL Abfragen mit Inferenz sind performant solange Subgraphen im Hauptspeicher gehalten werden können. • Schichtung von Inferenzmaschinen kann schnell zu Laufzeitproblemen führen Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 35
  36. 36. Zusammenfassung • Während in den letzten Jahren eine intensive Forschung zur weiteren Entwicklung des Semantic Web stattgefunden hat, ist die direkte Integration und Nutzung dieser Informationen in der Entscheidungsunterstützung nur teilweise durch Forschung adressiert • Welchen Beitrag leistet die Arbeit? – Die Arbeit gibt eine Übersicht über Architekturen von Ontologie-basierten Entscheidungsunterstützungssystemen – Die Arbeit analysiert Vor- und Nachteile der Integration in Bezug auf: • Promblemlösungsfähigkeit • Zeitkomplexität • Vereinfachte Modellierung – Die Arbeit zeigt konkrete praktische Lösungsmöglichkeiten in verschiedenen Anwendungsgebieten auf  Methodische Weiterentwicklung Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 36
  37. 37. Literaturverzeichnis Abanda, H., Ng’ombe, A., Tah, J. H. M., & Keivani, R. (2011). An ontology-driven decision support system for land delivery in Zambia. Expert Systems with Applications, 38(9), 10896-10905. Elsevier Ltd. doi: 10.1016/j.eswa.2011.02.130. Baader, F., Calvanese, D., McGuinness, D. L., Nardi, D. & Patel-Schneider, P. F., editors (2003). The Description Logic Handbook: Theory, Implementation, and Applications. Cambridge University Press, first edition. Berendt, B., Hotho, A., & Stumme, G. (2002). Towards Semantic Web Mining. In Horrocks, I. and Hendler, J. A., editors, The Semantic Web -ISWC 2002, First International Semantic Web Conference, Sardinia, Italy, June 9-12, 2002, Proceedings, volume 2342 of Lecture Notes in Computer Science, pages 264–278. Springer. Bolloju, N. (2002). Integrating knowledge management into enterprise environments for the next generation decision support. Decision Support Systems, 33(2), 163-176. doi: 10.1016/S0167-9236(01)00142-7. Bracke, M. (2004). Decision support system with semantic model to assess the risk of tail biting in pigs1. Modelling. Applied Animal Behaviour Science, 87(1-2), 31-44. doi: 10.1016/j.applanim.2003.12.005. Brickley, D., Guha, R., & McBride, B. (2004). RDF Vocabulary Description Language 1.0: RDF Schema. Webpage. Chang, a. (1993). Model management issues and directions. Decision Support Systems, 9(1), 19-37. doi: 10.1016/0167-9236(93)90020-4. Dzeroski, S. (2003). Multi-relational Data Mining: An Introduction. SIGKDD Explorations, 5(1):1–16. Dzeroski, S. (2006). Inductive Logic Programming in a Nutshell. In Lise Getoor and Ben Taskar, editors, Introduction to Statistical Relational Learning (Adaptive Computation and Machine Learning). The MIT Press. Dzeroski, S. & Lavrac, N., editors (2001). Relational Data Mining. Springer, 1 edition. Dargam, F. (1998). A decision support system for power plant design. European Journal of Operational Research, 109(2), 310-320. doi: 10.1016/S0377-2217(98)00059-9. Edelmann, W. (2000). Lernpsychologie. Kösel-Verlag, Verlagsgruppe Beltz, 6 edition. Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 37
  38. 38. Literaturverzeichnis Fanizzi, N., d’Amato, C. & Esposito, F. (2008). Conceptual clustering and its application to concept drift and novelty detection. In Bechhofer, S., Hauswirth, M., Hoffmann, J., and Koubarakis, M., editors, The Semantic Web: Research and Applications, 5th European Semantic Web Conference, ESWC 2008, Tenerife, Canary Islands, Spain, June 1-5, 2008, Proceedings, volume 5021 of Lecture Notes in Computer Science, pages 318–332. Springer. Fedorowicz, J., & Williams, G. B. (1986). Representing modeling knowledge in an intelligent decision support system. Decision Support Systems, 2(1), 3- 14. doi: 10.1016/0167-9236(86)90116-8. Fischer, T. and Ruhland, J. (2011). A Genetic Algorithm for Optimization of a Relational Knapsack Problem with Respect to a Description Logic Knowledge Base. In Hu, B., Morasch, K., Pickl, S., Siegle, M., editors, Operations Research Proceedings 2010. Springer Berlin Heidelberg. Friedman, N., Getoor, L., Koller, D. & Pfeffer, A. (1999). Learning probabilistic relational models. In IJCAI, pages 1300-1309. Morgan Kaufmann. Getoor, L. & Taskar, B. (2007). Introduction to Statistical Relational Learning. (Adaptive Computation and Machine Learning). The MIT Press. Grimnes, G. A., Edwards, P. & Preece, A. D. (2008). Instance based clustering of semantic web resources. In Bechhofer, S., Hauswirth, M., Hoffmann, J., and Koubarakis, M., editors, The Semantic Web: Research and Applications, 5th European Semantic Web Conference, ESWC 2008, Tenerife, Canary Islands, Spain, June 1-5, 2008, Proceedings, volume 5021 of Lecture Notes in Computer Science, pages 303–317. Springer. Gruber, T. R. (1993). Toward principles for the design of ontologies used for knowledge sharing. In Guarino, N., Poli, R., Publishers, K. A., Substantial, I. P., and Gruber, T. R., editors, In Formal Ontology in Conceptual Analysis and Knowledge Representation, Kluwer Academic Publishers, in press. Substantial revision of paper presented at the International Workshop on Formal Ontology. Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 38
  39. 39. Literaturverzeichnis Jung, J. (2009). Towards open decision support systems based on semantic focused crawling. Expert Systems with Applications, 36(2), 3914-3922. Elsevier Ltd. doi: 10.1016/j.eswa.2008.02.057. Klyne, G., Carroll, J. J., & McBride, B. (2004). RDF Primer. Webpage. Kim, H.-J., Kim, W., & Lee, M. (2009). Semantic Web Constraint Language and its application to an intelligent shopping agent. Decision Support Systems, 46(4), 882-894. Elsevier B.V. doi: 10.1016/j.dss.2008.12.004. Knobbe, A. (2006). Multi-Relational Data Mining: Volume 145 Frontiers in Artificial Intelligence and Applications. IOS Press. Kosaka, T., & Hirouchi, T. (1982). An effective architecture for decision support systems. Information & Management, 5(1), 7–17. Elsevier. Retrieved July 12, 2011, from http://linkinghub.elsevier.com/retrieve/pii/0378720682900143. Maedche, A. & Zacharias, V. (2002). Clustering Ontology-Based Metadata in the Semantic Web. In (Elomaa et al., 2002]) pages 348–360. Neville, J. & Jensen, D. (2007). Relational Dependency Networks. In Lise Getoor and Ben Taskar, editors, Introduction to Statistical Relational Learning (Adaptive Computation and Machine Learning). The MIT Press. Raedt, L. D. (2008). Logical and Relational Learning (Cognitive Technologies). Springer, 1 edition. Becker, C., & Scholl, a. (2006). A survey on problems and methods in generalized assembly line balancing. European Journal of Operational Research, 168(3), 694-715. doi: 10.1016/j.ejor.2004.07.023. Scholl, A., Fliedner, M., & Boysen, N. (2010). Absalom: Balancing assembly lines with assignment restrictions. European Journal of Operational Research, 200(3), 688- 701. Elsevier B.V. doi: 10.1016/j.ejor.2009.01.049. Singh, M. P. & Huhns, M. N. (2005). Service-Oriented Computing: Semantics, Processes, Agents. Wiley, 1 edition. Smith, M. K., Welty, C., & McGuinness, D. L. (2004). OWL Web Ontology Language Guide. Webpage. Stumme, G., Hotho, A. & Berendt, B. (2006). Semantic Web Mining -State of the Art and Future Directions. Journal of Web Semantics, 4(2):124–143. Tresp, V., Bundschus, M., Rettinger, A. & Huang, Y. (2008). Towards Machine Learning on the Semantic Web. In Uncertainty Reasoning for the Semantic Web I, ISWC International Workshops, URSW 2005-2007, Revised Selected and Invited Papers, volume 5327 of Lecture Notes in Computer Science, pages 282–314. Springer. Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 39
  40. 40. Ende Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 40

×