基于本体的数据访问DL-Lite中查询回答不一致的答案修复策略的研究

沙特国王大学学报基于多项式响应统一方法Ghassen Hamdia，Abdelmoutia Tellib，Mohamed Nazih Omriaa突尼斯苏塞大学，ISITCOM，MARS研究实验室b阿尔及利亚比斯克拉大学阿提奇莱因福奥文章历史记录：收到2020年2020年5月27日修订2020年6月1日接受2020年6月12日在线提供保留字：基于本体的数据访问DL-Lite查询回答不一致的答案修复答案优先知识库A B S T R A C T分层知识库中的不一致性是由于断言（ABoxes）来自具有不同可靠性级别的多个来源。我们引入了这种不一致问题的管理来查询不一致的DL-Lite知识库。文献中研究的大多数方法首先修复DL-Lite不连贯知识库中所有不一致的断言，然后对其进行质疑在本文中，我们直接进行知识库查询以检索响应的查询列表，然后，一旦检索到这些响应，我们就修复它们。因此，这项工作的主要我们从不同的角度对这些策略进行了研究：产出率、精确率、召回率、F-测度、准确率、G-均值和计算复杂度。在不同的语料库上进行的实验和对结果的分析表明，由于我们的方法更具生产力，因此在生产力方面取得了令人鼓舞的成果，提供了最多的响应，同时与其他研究方法相比，保持了最佳的时间©2020作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍描述逻辑（Description Logics，DLs）是近年来出现的一种知识表示（Knowledge Representation，KR）形式化体系，它通过定义领域的相关概念（术语）来表示应用领域的知识，然后使用这些概念来描述领域中存在的对象和个体这种类型的逻辑的特征之一是，不像他们的一些继承者，他们有一个基于逻辑的形式语义另一个特点是强调推理作为一个中心服务，从知识库（KB）中显式包含的知识中隐式地推断知识。DL支持在智能系统的许多应用中发生的推理模型，也被人类用于概念和个体的分类。电子邮件地址：a. univ-biskra.dz（A.Telli），Mohamednazih.omri@eniso. u-sousse.tn（M.N. Omri）沙特国王大学负责同行审查制作和主办：Elsevier概念的分类确定了给定术语的概念之间的此层次结构提供了有关不同概念之间的连接的有用信息，并可用于加速其他推理服务。个体或对象的分类决定了一个给定的个体是否总是某个概念的一个实例，换句话说，这个实例关系是否被个体的描述和概念的定义所暗示因此，它提供了有关个人属性的有用信息除此之外，实例关系还可以触发规则的应用，这些规则将额外的事实插入知识库。描述逻辑也是表示和推理本体的形式框架 DL知识库包括：作为术语库的TBox表示特定领域的概念知识，作为断言库的ABox包含关于特定个体的事实或断言Baader等人， 2010年。最近，基于本体的数据访问（OBDA）（Maurizio等人，2011;Poggi等人，2008; Rodriguez-Muro等人， 2013）作为一种新的范式正在引起极大的关注，在这种范式中，结构化知识或本体论观点（即， 存储在TBox中）用于提供https://doi.org/10.1016/j.jksuci.2020.06.0021319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com1162G. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161- 1171更好地利用断言（即，当查询它们时，存储为ABox）。OBDA系统提供的一个至关重要的服务是查询应答，其目的是计算以本体表示的查询的答案在许多应用程序中，断言是由几个潜在冲突的来源提供的，具有不同的可靠性水平。此外，一个给定的源可能有不同的不确定断言集，它们一起形成一个优先级或分层断言基础（即ABox）。在DL-Lite查询应答的上下文中出现的一个主要问题是如何处理ABox和TBox之间不一致的情况。实际上，只要ABox通常较大并且可能具有若干修改并且因此可能与TBox矛盾，TBox通常就被验证和在OBDA的背景下，许多作品受到数据库方法的启发（例如，Arenas等人，1999; Bertossi，2011; Chomicki，2006）或命题逻辑 方 法 （ 例 如 Benferhat 等 人 ， 1993; Benferhat 等 人 ， 1997;Nebel，1994），通过提出几个称为语义的不一致容忍推理来处理查询不一致DL KB的问题，并且被引入用于轻量级描述逻辑DL-Lite（例如Lembo等人，2015年）。在这些语义中，可以引用ABox修复（AR）和交叉ABox修复（IAR）语义（Lembo等人， 2010年），这是最知名的和最研究的。这两种语义都是基于最大断言修复的概念，而最大断言修复是基于数据库域中的修复概念或命题逻辑设置中 的 最 大 一 致 子 集 （ Rescher and Manor ， 1970; Brewka ，1989）。动机和贡献：我们在这篇文章中提出的工作提出的问题，inconsideration，在优先级DL-LITE知识库，相比，在这种类型的知识库中的信息量的快速和多样化的演变。它还旨在概述有关问题的主要工作，并介绍所作的主要研究贡献这些动机和贡献归纳如下：总结了DL-LITE知识库中的不一致问题对有关DL-LITE知识库不一致性的文献进行审查，以更好地理解文献中就此问题研究的主要方法的原理，确定这类知识库的主要特征，这些特征在科学文献中尚未通过现有方法得到解决，确定当前方法的局限性及其原因，制定一个相当通用的策略，反映与DL-LITE知识库中不一致问题相关的不同方面，提出了一种新的方法来查询多个DL-LITE知识库从各种信息源。本文的其余部分组织如下：第二部分介绍了相关的工作。第3节简要介绍了DL-Lite和查询多个优先级源。第4节解释了与答案配置文件（冲突集修复答案，自由集答案，reparis答案和一致性排名）相关联的断言的不一致容忍推理的概念第5节介绍了这项工作的主要目的，并给出了每一个选择的理由。第6节提供了计算分析。在最后一节中，我们总结了工作，并提出了一些未来的工作。2. 相关作品本文的主要灵感来自于不一致性处理的一系列研究定义不一致性关于一些与术语相矛盾的断言。通常情况下，TBox通常经过验证和确认，而断言可能由各种不可靠的来源大量提供，并且可能与TBox相此外，手动检查和验证所有断言的成本通常太高。这就是为什么在OBDA（基于本体的数据访问）中，在存在不一致的情况下进行推理是非常重要的许多著作（例如Lembo等人，2010年; Bienvenu和Rosati，2013年），基本上受到数据库方法（例如Bertossi，2011年）的启发，试图通过适应几种不一致容忍推理方法来处理DL-Lite中的不一致性。在许多应用中，断言通常由具有不同可靠性级别的多个潜在冲突的源提供。此外，给定的源可以提供具有不同置信水平的不确定断言的不同集合。收集这样的断言集给出了一个优先级或分层的断言基础。优先级在处理不一致性中的作用是非常重要的，并且在命题逻辑设置内的文献中对其进行了大量研究（例如，Baral等人，1991; Benferhat等人，1995年）。一些著作（例如Staworko等人，2012; Du等人，2013）研究了查询不一致数据库或DL KB时的优先级概念。不幸的是，在OBDA设置中，只有少数作品，例如Bienvenu等人（2014）中给出的用于处理优先化DL-LiteABox下的推理的作品。最近的一系列工作研究轻量级本体的不一致性。例如，Lembo等人（2010，2015），Bienvenu和Rosati（2013），Benferhat等人（2016）和Baget等人（2016）的作者通过计算一组称为修复的断言的一致子集来研究KB中的不一致性问题，这恢复了关于本体的一致性，然后使用它们来回答查询。此外，作者在Benferhat等人（2015），Telli等人（2017）中提出了多项式算法，用于从优先级不一致的DL-LiteKB中选择单个首选修复，以便在计算修复后进行有效的查询应答。特别是，Benferhat et al. （2015）提出了一种基于仅选择一种首选修复的新方法。然而，在Telli et al.（2017）中，作者提出了一种基于选择一个一致的断言基础的顺序推理策略。Boughammoura和Omri（2017年）、Boughammouraetal.（2012）和Boughammoura等人（2015）提出了一种新的算法，该算法可以在不访问Web数据库的情况下轻松查询答案。此外，Bienvenu等人（2016）的作者研究了推理最佳修复计划的计算复杂性（修复计划是删除和添加以找到一组ABox修改），他们提出了计算此类计划的交互式算法。Bienvenu等人（2019）的作者定义了brave、AR和IAR语义下的肯定和否定答案的解释，并研究了DL-LitR中解释的计算特性。此外，Trivela et al. （2019）提出了一个通用框架，该框架考虑了ICAR（交叉闭合ABox修复）语义，并基于重写算法，该算法可应用于任意DL，以回答不一致DL知识库的查询。然而，Diplomat（2019）的作者提出了CAvSAT（通过可满足性的一致性查询）作为一种新颖的方法，有可能构建全面和可扩展的一致性查询应答系统在我们的工作中，递归算法首先查询所有的整个知识库，这将使我们能够拥有所有可能答案的详尽列表。然后，如果这个答案列表是不一致的，该算法将对其进行修复。因此，除非集合答案不一致，否则它不进行任何校正。然而，现有的算法都是先对知识库进行修复，然后用一个顺序函数查询修复结果。●●●●●●VVVV2 29K T A TAð ÞK8I I }TG. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161-117111633. 优先化DL-Lite知识库设NC、NR和NI，三个成对不相交的原子概念集，原子角色和个人分别让一 N C;P 北卡罗来纳州也让' - g '、' '和' - '三个连接符用于定义复杂的概念和角色。定义了DL-Lite概念如下所示B-！一J 9RC-！ BJR-！ PJ P-啊！ RJ其中A是原子概念，P是原子角色，P-是原子角色的逆，B（分别为C）是基本（resp：complex）概念的集合，R（resp：E）是基本（resp：complex）概念的集合。复杂）的角色。设=;为DL-LiteKB，其中称为TBox，称为ABox。一个TBox包括一组有限的包含公理，分别关于概念和角色，其形式为包含断言：B C（resp. 否定包含断言B-gC）意味着概念B被包含在概念C中（相应地，概念B不包括在概念C中）和RE（分别地，R-gE）意味着角色R被包括在角色E中（分别为角色R不包括在角色E中）。ABox包含一组有限的断言（事实），形式为Aa和Pa;b，其中A2NC;P2NR和a;b2NI。 语义由解释函数I =I2DI：I2DI给出，解释函数I由非空域DI和解释函数I组成，解释函数I为每个A2N I分配一个元素AI2DI，为每个A2N C分配一个子集AIDI和每个P2NR和PIDI×DI。据说TBoxT是Fig. 1.基于描述逻辑的知识表示系统的体系结构。对于P s;q Psq L1;. 是与SPs相关联的断言的集合 使得qL为 ^fqs：s2Sig其中qL是查询q~x的答案集合对于每个Li。（见图） 2）的情况。4.1. 冲突决定答案冲突集合答案表示与SPs相关联的断言的最小不一致子集C，使得hT，Ci是不一致的。如果存在一个概念Cs.t，：，我们有CI=E。如果DL-Lite KB不允许任何模型，则称为不一致。优先化的简档是由KP1/2T ;P s表示的优先化或分层的ABox的多集合，其中T是标准DL-LiteTBox，并且Ps1/2 T; P s 1/2 T; P s 1/2 T; P s 2/2T; P s1/2 T; Ps 1/2 T;P s 2/2 T; P s 1/2 T; P s 2/2 T; P s 2/2 T; P s 2/2T; P s; P s 2/2 T; P s; P s 2/2 T; P s; P s; P s 2假设每个ABoxLi2Ps与本体（TBox）一致在在这种情况下，每个集合Li被称为层或层，其中每个层Li包含具有相同优先级i的断言集合，并且当j>i时，它们被认为比存在于层Lj中的断言更可靠。因此，只要Lm包含最不重要的断言，L1就查 询 是 一 个 一 阶 逻 辑 公 式 ， 表 示 为 q = fxj/fxg ， 其 中 fxg =（x1，. . ，xn）是自由变量，n是q的序数，并且f_x_n的原子具有形式A_ti_n或P_ti;tj_n，其中A2NC和P2NR，并且t i;t j是项，即，常数或变量。 当/x为其中y是被称为连续量化变量的约束变量，并且conj=x;y= j是形式为Ati或Pti;tj的原子与A2NC和P2NR的合取，并且ti;tj是项，则q被称为合取查询（CQ）。在KB K <$T ; A上的CQ q<$x<$<$conj<$x; y<$的答案 是 元 组 s <$$>s1;···; s k<$2 NI×···× NI 的 非 空 集 ， 使 得 T;A}q<$s<$。设qx是一个查询，我们考虑S Ps 1/4 fS1;. ;Smga各种集合关于优先化的简档P s的查询q x的答案的集合称为答案集合的简档，其中每个S i是qx的答案的集合。w.r.t.Li为16米，定义作为如下所示：Si1/2fs2NI×···×NI：T;Li}q=0。如果没有，关于L i的查询qx的答案;Si=E。4. 不一致容忍推理在本节中，我们假设每个ABox都与TBox一致。处理不一致性可以通过首先计算与给定查询的一组答案相关联的断言的一致子集的集合来完成，所述答案被称为修复答案。假设KP1/2 T;Ps是优先化的DL-LiteKB，其中：P s¼ fL1;. ;L mg;qx是一个查询，S Ps 1/4 fS1;.. . 一组答案坚持。(See 图 3），图二.来自各种不一致的DL-Lite知识库的响应处理过程。半]ð Þ1164G. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161- 1171集合包含的意义。我们用MARA<$qPs<$ 来表示qPs关于T的MARA的集合。MARA的定义与Lembo等人（2010）中的定义相似。使用修复答案的概念，可以通过应用标准查询回答来完成对扁平DL-Lite KB中的不一致性的处理，所述标准查询回答使用整组修复答案（通用蕴涵或AR蕴涵Lembo等人， 2010年）或只使用一个修复答案（见图。 4）.4.4.一致性等级图三. 在查询之前应用我们的修复算法的生产力。见图4。查询后应用我们的修复算法的生产力定义1.如果hT;Ci不一致且8f2C;hT;Cnfgi一致，则称子集C∈qPs是冲突集4.2. 自由设置答案我们用自由断言qPsi来表示属于qPs的断言集合，这些断言不对hT中的冲突负责;qPsi。定义2.一个自由断言f2qPs被称为是自由的，当且仅当8c2 CqPs：fRc。这种自由元素的概念以前是由Benferhat et al.（1992）在命题逻辑环境中提出的。4.3. 修复答案修复应答定义如下：定义3. A subset RAq L1[. 如果hT ; R A i是一致的，则q Lmi被称为修复答案，并且如果hT; R Ai是一致的，则RA被称为q P s的最大基于包含的修复答案，由MAR A表示，并且8R0AqL1[.. . .[qLm：RA（R0A;R0A是不一致的。根据MARA的这个定义，添加任何断言f，从q L1[.] [qLm nRA 到RA 意味的不一致的hT; RA[ff g. 此外，MARA中的极大性用于Qi等人解释了通过DL知识库的一致性子集，通常可以用标准DL推理服务进行一致性程度检查和几种推理服务。（2007年a、b）。显然，不一致度的计算归结为标准DL中的二分法搜索，并且它与Dubois等人提出的方法密切相关。（1994）用于计算可能性命题知识库的不一致度。定义的这种一致性等级的概念受到可能性逻辑中使用的不一致程度的启发，其中程度使用单位区间0; 1中的值进行编码。 它是Dubois等人（1994）（分别）中提出的方法的对应物。Qi等人，2007年，在命题逻辑（resp。 描述逻辑）设置。定义4.qPs的一致性秩，表示为：CnsRank<$qPs<$定义如下：CnsRan kqPsmax xfi，其中hT;qL1;。. . ;qLii由tg我们提出了递归函数1，它计算qPs的一致秩。然后，我们将在我们提出的所有计算与答案相关联的一致断言的策略中使用它形式上，该递归函数比顺序函数快（Dubois等人，1994年）。算法1中给出的一致性秩与可能性逻辑中的不一致度有关二分研究是为了找到一个常数水平的断言K是一致的。如果n是qps中不同层的数目，则我们提出的函数需要log2n试验. 因此，算法1返回多项式中的一致性的秩是时候了。5. 与修复响应配置文件相关的断言本节提出了三种修复方法，以应对被视为一组事实的不一致答案。这些方法的输入是具有优先化配置文件、查询和答案集配置文件的优先化DL-Lite我们的方法的输出是与这些答案的集合相关联的一致断言（重新配对答案）。5.1. 不一致反应可能性理论（Dubois和Prade，2007）和可能性逻辑（Dubois等人，1994）是处理不确定、不完整、定性和优先信息的自然框架。 可能性知识库的一个有趣的方面是推理能力与部分不一致的知识（Dubois和Prade，1991）。如Benferhat等人（2013年）所示，可能性DL-Lite中的蕴涵是DL-Lite蕴涵在一种可能性理论设置是基于K的一个一致（不一定是最大）子集的选择。 子集pqPs由优先级小于或等于CnsRankq Ps的断言形成。G. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161-11711165算法1.一致性等级的计算更正式地说，p<$qPs <$是qPs 定义为pqPsL1[.. . [qCnsRan kqPs。IfqPs是一致与那么我们简单地让pqL1[. . . [qLm. 算法2返回基于可能性的修复答案。算法2. 不一致反应数据：与hT相关联的不一致的断言; ;qLm i结果：由断言pqPs组成a← CnsRankT;qL1;... ; qLm递归/* 递归计算一致性等级返回pqPsqL1[. . [qa该算法需要对与查询qx的m个答案相关联的m个断言的集合相对于Ps进行log2m不一致性测试。它以多项式形式返回基于可能性的修复答案时间尽管不受任何冲突的影响。为了克服这一局限性，我们将不一致响应的可能性修复改进为不一致响应的线性修复5.2. 不一致响应为了恢复被不一致响应的可能性修复所抑制的断言，我们提出了一种新的方法，该方法对应于使用来自qPs的不一致响应的线性修复。定义5.假设KP1/2 T;Ps是优先化的DL-LiteKB，其中：P s¼ fL1;. ;L mg;qx是一个查询，S PsfS1;. ;S mg是关于P s; q Ps <$^qL1;.的查询的答案的集合。是与SPs相关联的断言的集合 使得qL为 ^qP s的不一致响应的线性修复，表示为：'qPs^S01[... [S0m定义如下：可能性的结论被认为是完整的，因为我们S01/4（qLi i fhT;S01[. . . [S0i-1[qLi i]是一致的ð1Þ算法在与答案S1相关联的第一个断言中停止，其中引入了不一致性因此，仅考虑具有严格小于或等于一致性程度的程度的断言然而，优先级严格大于一致性程度的断言是简单的可替换的，i.否则当断言集合q L i与先前集合q L i-1冲突时，通过丢弃断言集合q L i来获得。下面的算法3实现了“ p q p "。算法3.不一致响应的线性修复K ¼ hTi.CqpsfAa;Ba; Ae;Ee g1166G. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161- 1171计算“pq P s”的时间复杂度为P。实际上，根据算法3，计算“q P s "的计算复杂度需要 m次执 行来 验证 断言 集合 q P s的一 致性。5.3. 不一致响应这种新的推断也使得得到优选的修复答案。它包括在与相对于ABoxProfilePs的给定查询的答案相关联的断言集合的并集中确定自由元素集合。定义6. 设KP^T;P s为优先化的DL-Lite KB其中：P s¼ fL1;. ;L mg;qx是一个查询，S PsfS1;. ;S mg关 于P s的查询qx的一组答案; qPs1. ; qLm是以 下项的集合：与SP相关联的断言，使得qL ^我们定义让我们有下面的查询（给出所有与z相关的概念x）：q=x=1; q =0。我们得到以下断言集qPs：SI不一致响应的非失败修复，表示为：第二季第1集[... [S0m如下：8升1。 . . m;S0i1/4游离重链L1[. . . [qLi]也就是说，第二个字母是“n”。 [免费WiFiL1[. [qLm]非失败修复在DL-Lite中是在多项式时间内计算的，但在命题逻辑环境中计算比较困难算法4计算不一致响应的非失败修复。该算法的复杂度为O m，其中m是查询qxw.r.t.的答案数。轮廓Ps.可以检查冲突集是否为答案：然而，冲突的集合是KB的（根据Benferhat等人，2015; Telli等人， 2017年）：算法4. 不一致响应的非失败在下面的示例中，我们表明，在运行查询后应用于优先级知识库的修复答案策略的生产率高于在查询前应用于整个知识库的修复策略。我们所说的生产力，返回通过应用每个算法例1. Let;P s成为一个优先的DL-Lite知识库。然后我们有：T1/4fAv.CPsfAa;Ba; Ae;Ee; A c;Bcg此外，断言qps的自由元素的集合是：.免费的电子邮件.L1=fAa;Ra;z;Acg，L2=fBa;Rb;z;Abg，L3=fBa;Ra;z;Bcg，L5=fAe;Re;z;Ac;Rc;zg。L4=fEe;Re;z;Acg，.qL1½ fAqL21/4 fAbg，qL31/4fBag，qL 41/4fEe g，qL5¼fAe;Acg¼ ð Þ.免费的，freemixerL1[. . [qL3fA a;Ab g;freeqL1[. .[qL4]fAa;Ab;Eeg，freemixerL1[. . [qL5]fAa;Ab;Ee;Acg自由基qL1[qL2]fAab.pqPsfAa;Abg，ndqPsfAa;Ab;Ee;Acg‘.fre eL1fAa;Ra;z;Acg，freefootball1[.. . [L3]fAa;Ra;z;Ac;Rb;z;Abg;自由基L1[L2]fAa;Ra;z;Ac;Rb;z;Abg，fAa;Ra;z;Ac;Rb;z;A b;Ee;Re;zg，免费WiFi1[. [L4]fAa;Ra;z;Ac;Rb;z;Ab;Ee;Re;z;Rc;zg免费WiFi1[. [L5].pPsfAa;Ra;z;Acg，ndPsfAa;Ra;z;Ac;Re;z;Ee;Rc;zg‘.pPs}q=fAa g，n dPs}q=fAa;Ac;Eeg.‘G. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161-11711167同时，Ps的自由元素为：表1测试语料库的统计。二手TBoxLUBM9 20 ontologyABox 1000中的断言总数ABBox中的冲突数量分别为50、200和500根据算法1，qps的一致性秩等于2。而Ps的一致性秩等于1。此外，我们有以下qps的自由集：使用不一致响应的可能性修复、不一致响应的线性修复和不一致响应的非失败修复的定义，我们有：现在，我们有以下的自由集Ps：虽然，如果我们使用Benferhat等人提出的可能性修复，线性修复和非失败修复的定义。（2015）和Telli等人。（2017）直接在P s（查询前），我们有：通过对这些修复应用相同的查询qx，我们得到：显然，pPs}qpqPs;'P s} q' q P s; n d P s} q n d q P s。下一节是基于递归的实验研究6. 实验研究及结果分析6.1. 测试语料我们在Java中实现了我们提出的算法，用于在不一致的KB下计算优先断言基中的修复回答。解析以OWL 2-QL函数语法和SQLite数据库引擎表示的DL-Lite我们用了一部分长凳-标记1我们考虑LUBM 920本体（即，TBox）（Lutz等人，2013），我们通过扩展大学数据生成器（EUDG）生成了一个包含1000个断言的ABox，并将它们分为5个这些ABOX分别具有50、200和500个冲突集。我们已经执行算法在泰利等人。（2017）和我们开发的算法，用于在启动实例，基础和合取查询之前和之后计算修复（见表1）。我们感兴趣的是用于评估我们的算法的基本性能指标。在我们的例子中，我们的系统将ABox的断言分为两类：一致和不一致。系统将一致的断言放在正类中，将不一致的断言放在负类中。我们计算以下四个性能指标：CR是应用修复后检索到的一致断言的数量。CNR是应用修复后未检索到的一致断言的数量。IR是应用修复之前检索到的不一致断言的数量。INR是应用修复之前未检索到的不一致断言的数量。6.2. 评估措施在下文中，我们提出了精确度、召回率、F-度量、准确度和G-均值度量（Manning和Schiitzer，2001;Raghavan等人，1989），我们将使用它来评估我们的算法的性能：精度（P）是检索到的一致断言的数量与检索到的断言总数的比率精度度量原则：当我们在ABox上询问一个查询时，我们希望作为答案提出的断言符合我们的期望。所有检索到的不相关断言构成所谓的“噪音”。精确性，与武断的噪音相对立。如果它很高，这表明系统提供了很少的不必要的断言，并且系统可以被认为PCR2公司简介召回率（R）是检索到的一致断言的数量与一致断言的总数的比率查全率测量的原则：当我们在ABox上询问一个查询时，我们希望看到出现所有可以关于运行时间的我们的方法。1可从以下网址获得：https://code.google.com/p/combo-obda/.自由基P_s_fR_a;z_f;R_b;z_f;A_b;R_e;z_f;R_c;z_g●●●●●●¼ ð Þ¼¼IRCR中文（简体）1168G. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161- 1171满足我们对信息的需求。如果查询和所呈现的断言数量之间的这种对应关系很重要，那么召回率就很高。相反，如果系统有许多有趣的断言，但它们没有出现在答案列表中，我们称之为“沉默”。沉默反对回忆。RCR3公司简介● F-measure（F）是精确度P和召回率R的调和平均值：G-mean表示召回率的几何平均值：几何平均值（G-Mean）是一种度量，用于衡量多数类和少数类的分类性能之间的平衡。低G-Mean表示在一致断言的分类中性能较差，即使不一致断言被正确分类（参见表2）。rG-平均 值¼ð6ÞF2ωPð4Þ6.3. 评价和结果Accuracy（Acc）是检索到的断言在断言总数中所占的比例：准确度是最直观的性能指标，人们可能会认为，如果我们有高准确度，那么我们的模型是最好的。是的，准确性是一个很好的衡量标准，但只有当你有对称的数据集，其中一致的未检索和不一致的未检索的值几乎相同时。表3-5显示 了在我们的ABox上启动实例，地面和合取查询后，我们算法的精确度，召回率所有检索到的不一致断言构成所谓的“噪音”。精确性，与武断的噪音相对立。如果它很高，这表明表2准确度IR测量仪INR_CN_CN_CN_ð5Þ该系统可以被认为现在，我们感兴趣的是计算我们提出的修复算法为此，我们分别生成并这些ABox分别包含50、200和500个冲突集。该实验的结果示于表6中。计算复杂性分析表明，这些策略混淆矩阵图预测一致断言预测的不一致断言在多项式时间内实现。现在，我们有兴趣评估我们的修复算法的生产力之前和之后查询。我们的意思是生产-一致的检索断言检索到的断言不一致CR INRCNR IRivity，从ABox中保存的断言（分别为答案），以恢复知识库的一致性（相应地，答案）。下一节介绍了对这些结果的分析以及各种方法之间的比较。表3以%表示的不一致反应的可能性修复的实验评价冲突大小查询类型pPsPRFACCG均值50例如84.0394.3388.8848.5537.41地面79.7892.5985.7052.3048.65合取75.9490.9082.7454.3351.80200例如55.5583.3366.6646.5552.82地面52.9481.8164.2846.0949.69合取42.857554.5348.3650.83500例如24.2448.9732.4242.5342.60地面21.0544.4428.5644.6142.13合取21.0544.4428.5647.0842.89表4以%表示的不一致响应的线性修复的实验评价冲突大小查询类型PRFACCG均值50例如84.6794.5989.3553.6243.84地面80.8093.0286.4857.6953.62合取77.3891.5483.8659.8456.93200例如55.5583.3366.6648.9657.08地面52.9481.8164.2847.8752.52合取42.857554.5350.1853.74500例如24.2448.9732.4244.7746.19地面21.0544.4428.5645.5343.69合取21.0544.4428.5647.8744.27●●G. Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161-11711169表5以%表示的不一致响应的非失败修复的实验评价冲突大小查询类型nd冲突大小PRFACCG均值50例如88.4196.0292.0563.0455.67地面87.2495.5891.2164.6161.50合取78.6592.1084.8464.5662.03200例如60.9786.2071.425059.05地面55.5583.3366.6649.6455.47合取51.5180.9562.9552.7258.01500例如36.9763.7646.8048.5052.32地面34.7861.5344.4447.2346.51合取32.4359.0141.8549.1346.45表6我们的维修运行时间之前和之后查询（秒）.查询之前的冲突大小层级别（Benferhat等人，2015年;Telli例如，（2017年）查询之后pps‘最后一个问题pqPs‘ndqPs50310.9311.0945.452.832.8811.50510.9632.6567.432.858.2217.50716.3632.9294.264.108.2523.58200312.2028.1747.903.063.8011.96512.4733.0978.183.128.2519.55716.5338.5396.994.179.6524.25500313.8614.4150.683.457.0712.77518.1229.9893.364.558.2723.50719.8943.4199.434.9810.9025.006.4. 讨论通过分析在一系列实验中获得的结果，我们注意到不同方法之间的性能变化。表3-5 中获得的精度测量表明，非失败算法比其他两种算法更精确。此外，当增加冲突的数量时，精度测量在三个算法中降低。因此，这一衡量标准受到ABox中冲突数量的现在，如果查询和所呈现的断言数量之间的对应关系相反，如果系统有许多有趣的断言，但它们没有出现在答案列表中，我们就说类似地，根据表3-5的结果此外，当冲突的数量增加时，召回率随着三种算法的减少而降低因此，这一衡量标准受到ABox中冲突数量的影响最后，根据表3-5中计算的准确度和G均值的度量是与其它算法相比最好的修复算法，使得这些测量的值受到冲突数量增加的影响根据表6所示的结果，现有的基于访问整个知识库的策略比我们提出的仅处理特定查询的答案集的策略花费更多的运行时间。准确地说，在我们的大多数实验中，查询后的修复计算需要的时间比查询前的计算时间少。然而，计算非失败修复答案所需的时间随着ABox中冲突的大小而增加。最后，根据所得到的结果，我们得出结论，非失败算法是最有效的线性和可能性算法其次。从表7，图。1和2，与其他策略相比，不一致响应的可能性修复的生产率非常谨慎。也就是说，对于给定的ABox和给定数量的层，不一致响应的可能性修复具有最大数量的丢弃元素。这同样适用于不一致反应的线性修复，当每个层次中因此，很明显，主张基础中冲突元素的大小是主要参数之一表7在查询之前和之后应用我们的修复算法的生产率（以%表示）。冲突规模查询类型查询前查询之后pPs}q‘ndPs}qpqPs‘ndqP s50例如151625202129地面141524151626合取101214121314200例如181922202025地面171820181820合取101015121217500例如111120121222地面111118101020合取101017101018ð Þ} ð }}1170G。Hamdi等人 /沙特国王大学学报-计算机与信息科学34（2022）1161- 1171这会影响到修理答案的效率。与其他策略相比，不一致响应的非失败因此，p<$qPs<$;'<$q P s <$;和n d <$q P s <$;的生产率比p P s q ; ' P s更高q和nd P sq。我们注意到，我们提出的算法需要多项式运行时间。7. 结论在这项工作中，我们感兴趣的问题不一致的反应，从各种优先级DL-Lite知识库。为此，我们首先给出了一些关于这种知识基础的概念，以及关于容忍不一致的推理的概念，所有的答案然后，我们开发了一个递归函数来计算一致性的秩，用于我们提出的算法中，这使我们能够管理响应集中的不一致性。这项工作的主要贡献是修复获得的所有响应，而不是修复整个知识库。这一战略为我们节省了大量时间，使我们能够跟上我们在文献中研究的主要方法所取得的时代。我们提出的解决方案使我们能够降低计算的复杂性，同时提高生产率。我们已经对我们的方法进行了实验研究，使用标准的性能指标，即精度，召回和F-措施以及执行时间。事实上，对结果进行的分析表明，我们的方法具有显著的生产力和可接受的执行速度，同时保持有效。我们未来的工作包括三个方向。第一是对这些方法进行更深入的比较研究，以便为学者和实践者提供更多关于如何管理优先DL-Lite知识库中不一致性的放大。第二种方法是对我们的方法进行可能性DL-Lite扩展，记为pI-DL-Lite，利用基于区间概念的可能性理论框架来处理与对象、概念和关系相关的不确定性。事实上，可能性逻辑是一种形式主义，它允许从使用加权知识库表示的不确定信息进行推理。它与DL-Lite公理可能性在区间[0，1]中的严格正度相关联。然而，在实践中，专家可能难以提供与可能性DL-Lite的公理相关联的精确程度。为此，我们建议提供基于区