Entscheidungsunterstützung im Semantic Web

Entscheidungsunterstützung im Semantic Web
Thomas Fischer
Lehrstuhl für Wirtschaftsinformatik
Friedrich-Schiller-Universität Jena

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

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)


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


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


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


Resultierende Forschungsfragen
• Grundfragestellung
– Wie kann das Semantic Web in EUS genutzt werden?


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?


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


Vorgehensweise der Dissertation


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

• 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.

• Möglichkeit 3: Direkte logische Inferenz während der Ausführung der
jeweiligen Methode zur Entscheidungsunterstützung

• Diese Variante hat bisher keine bzw. keine nennenswerte Beachtung
gefunden.

• Möglichkeit 4: Kombination von Deduktiver und Induktiver Inferenz in Methoden
der Entscheidungsunterstützung

• Beispiel: Stochastische Optimierung auf Basis eines „Statistical Relational Model“
(siehe nachfolgende Folien)

Anwendung: Relationales Rucksackproblem
• Standard 0-1 Rucksackproblem
• Programm:
��

maximiere ��
��=1
��

�� ≤ ��
��=1
�� ∈ 0,1


• 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

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 ��
�� ≡ �� −
�� ⊑ ��


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

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: ��


Regeln
• Zusätzliche Regeln können weitere implizite Informationen
verfügbar machen, insofern die Inferenzmaschine die Regeln
verarbeiten kann
• Beispiel:
�� , �� ⟶ �� , ��


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?

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 ∈ ��

�� = ��, �� + ��

Evolutionärer Algorithmus


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).


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


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


Aufbau des EUS


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 ⊑ ∀ ��. ��

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)]


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)]


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


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 . }}


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


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


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


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


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.


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.


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.


Ende


Entscheidungsunterstützung im Semantic Web

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie Entscheidungsunterstützung im Semantic Web

Ähnlich wie Entscheidungsunterstützung im Semantic Web (20)

Entscheidungsunterstützung im Semantic Web