Зростання обсягів інформації, яку потрібно брати до уваги при прийнятті рішень визначають актуальність побудови інтелектуальних систем підтримки прийняття рішень. Передумовою прийняття коректного рішення є побудова коректної концептуальної моделі проблемної ситуації, яка враховує усі фактори, релевантні до цієї ситуації. Концептуалізація проблемної ситуації подається онтологією цієї ситуації. При формуванні онтології ситуації доцільно використовувати знання з існуючих онтологій. При цьому виникає проблема неоднозначності вибору елементів існуючих онтологій, які якнайточніше відповідають ситуації. Метою розроблення є дослідження особливостей застосування мереж онтологій для побудови онтологій проблемних ситуацій в умовах неоднозачності вибору, тобто коли потрібно вибрати найточніше за змістом онтологічне джерело.
Наведено формальні визначення онтології проблемної ситуації, відповідності між елементами онтології, мережі онтологій та правил відповідності. Правила відповідності визначено як відображення між підмножинами концептів, відношень та функцій інтерпретації двох онтологій. У роботі наведено концептуальну модель формування онтології проблемної ситуації на основі декількох вихідних онтологій. Розроблено структуру системи підтримки прийняття рішень на основі онтологічних мереж та визначено процес підтримки прийняття рішень у випадку застосування мереж онтологій. Центральним елементом такої системи є база знань, що містить моделі ситуації та посилання на зовнішні онтології з мережі для кожної такої моделі. Основою цих посилань є правила відвідності, що визначають, з яких онтологій отримувати знання та як перетворити їх перед записом в онтологію ситуації. При настанні проблемної ситуації онтологія ситуаціі формується динамічно, з врахуванням наявного контексту ситуації. Це також надає можливість використати актуальні знання з пов’язаних онтологій.
Запропоновано підходи до побудови систем підтримки прийняття рішень, що використовують мережі онтологій надають можливість динамічно вибрати концепти та відношення, що відповідають контексту ситуації. Результати роботи доцільно використовувати для розроблення систем підтримки прийняття рішень, що потребують даних з різних предметних областей та в умовах неоднозначності.
1. Aditya Das. (2013). Artificial intelligence and decision support systems. Retrieved February 02, 2020, from https://prezi.com/knlzigzxme9a/artificial-intelligence-and-decision-supp....
2. Herre, H. (2010). General Formal Ontology (GFO): A foundational ontology for conceptual modelling. In Theory and applications of ontology: computer applications (с. 297-345). Springer, Dordrecht.
3. Raz et al. (2006). Fast and Efficient Context-Aware Services. John Wiley & Sons.
4. Prasenjit, M., & Gio, W. (2003). An Ontology-Composition Algebra.
5. Гаврилова, Т. А. (2001). Описание структуры. Базы знаний интеллектуальных систем, (с. 56).
6. Tarapata, Z. (2007). Multicriteria weighted graphs similarity and its application for decision situation pattern matching problem. In Proceedings of the 13th IEEE/IFAC International Conference on Methods and Models in Automation and Robotics (с. 1149-1155).
7. Miah, S.J., Gammack, J. & Kerr, D., (2007). Ontology development for context-sensitive decision support. In Semantics, Knowledge and Grid, Third International Conference on (c. 475-478). IEEE.
8. Rahim, N. R., Nordin, S., & Dom, R. M. (2019). A Clinical Decision Support System based on Ontology and Causal Reasoning Models. Jurnal Intelek, 14(2), 187-197.
9. Euzenat, J. (2008). Algebras of ontology alignment relations. 10. Euzenat, J., David, J., Locoro, A., & Inants, A. (2015). Context-based ontology matching and data interlinking.
11. Sánchez, D., Batet, M., Isern, D., & Valls, A. (2012). Ontology-based semantic similarity: A new featurebased approach. Expert Syst. Appl., 39, 7718-7728.
12. Lytvyn, V., Vysotska, V., Peleshchak, I., Basyuk, T., Kovalchuk, V., Kubinska, S., ... & Salo, T. (2019, September). Identifying Textual Content Based on Thematic Analysis of Similar Texts in Big Data. In 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 84-91). IEEE.
13. Vysotska, V., Lytvyn, V., Kovalchuk, V., Kubinska, S., Dilai, M., Chyrun, L., ... & Brodyak, O. (2019, September). Method of Similar Textual Content Selection Based on Thematic Information Retrieval. In 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 3, pp. 1-6). IEEE.
14. Hermann, H. (2006). Knowledge Representation and the Semantics of Natural Language.
15. Alter, S. L. (1980). Decision support systems : current practice and continuing challenges.
16. Scott, M. S. (1971). Management Decision Systems: Computer-based Support for Decision Making.
17. Marakas, G. M. (1999). Decision support systems in the twenty-first century.