模糊本体与NGD在隶属度计算中的应用

本文主要探讨了"模糊本体结构及基于NGD的隶属度确定"这一主题，发表于2012年的《同济大学学报(自然科学版)》第40卷第11期。本体，源自哲学，是人工智能领域的重要工具，用于系统地组织和描述特定领域的概念、术语及其关系。然而，传统的本体理论往往缺乏处理模糊信息的能力，这限制了其在实际应用中的精确性和完整性。 作者提出了一种创新的方法，即引入模糊描述逻辑来增强本体的表达能力。他们设计了一个由五个基本元素组成的模糊本体模型：概念集、角色集、实例集、模糊断言集和模糊关系集。这种模型允许对知识进行模糊表述，使得不确定或不精确的概念得以表达。 在推理部分，作者借鉴Tableaux算法的思想，通过具体的例子展示了如何解决模糊本体模型中的推理问题。这种推理机制有助于在模糊环境中获取准确的知识推导。 文章的核心贡献在于处理模糊本体模型中的隶属度计算问题。传统方法可能难以量化概念或实体对模糊属性的归属程度。作者提出利用Google搜索的标准化谷歌距离(NGD)算法，这是一种实时且在线的计算方法，通过比较关键词在互联网上的相关性，将这种关联度转化为模糊本体中的隶属度。这种方法既直观又实用，能够有效地增强模糊本体在实际应用中的适用性。 关键词包括"模糊本体"、"模糊描述逻辑"、"标准化谷歌距离"以及"谷歌搜索"，这些词汇突出了论文的核心研究内容和技术手段。这篇文章为模糊本体的构建提供了新的思路和计算方法，对于理解和扩展本体在模糊知识表示和推理中的作用具有重要意义。