ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

• Введение
• 1. Актуальность темы
• 2. Цель и задачи исследования, планируемые результаты
• 3. Обзор исследований и разработок
• 3.1 Обзор международных и национальных источников
• 3.2 Обзор локальных источников
• 4. Обзор онтологий
• 4.1 Обзор языков онтологий
• 4.2 Обзор существующих онтологий
• 4.3 Обзор средств разработки онтологий
• Выводы
• Список источников

Введение

Объём информации в мире возрастает ежегодно на 30 % [1]. Данная тенденция также не является исключением для электронных документов, отчетов, статей и учебных пособий, которые в различной степени используются во время образовательного процесса.

В своей профессиональной деятельности преподаватели занимаются подготовкой лекционных курсов, подбором различных материалов и источников, а также составлением методических указаний. Студенты в свою очередь также выполняют обширный поиск материала для качественного выполнения лабораторных, курсовых и практических работ. Помимо этого, как студенты, так и преподаватели выполняют подбор материала для своей научной деятельности.

Весь этот массив данных хранится разрозненно, в различных форматах, и разной степени структурированности:

• структурированные данные (мета описания, онтологии, метаданные библиотечных систем, БД, анкеты, тесты, семантически размеченные файлы и т. п.)
• слабоструктурированные данные (данные социальных сетей, шаблонные документы)
• неструктурированные данные (отчеты, ВКР, рефераты, публикации электронных СМИ, электронные письма, сообщения в форумах, информация с сайтов конференций)

Различные подходы к сохранению данных и полезной информации из них, неизбежно приводит к повторному поиску уже имеющихся материалов или их утечке.

1. Актуальность темы

В настоящее время накоплен большой объем знаний и информационных ресурсов, формируемый по итогам научно-технических мероприятий (НТМ).

Однако, как показывает опыт, они плохо систематизированы, слабо структурированы, рассредоточены по различным библиотекам, ресурсам и архивам, что значительно ограничивает доступ к ним. Более того, по техническим, историческим и другим причинам, тематически связанные данные сохраняются в разных форматах под управлением различных систем хранения и обработки данных. Это приводит к тому, что публикации и другие разнообразные коллекции данных, даже которые расположены на одном физическом сервере, в основном представляют собой разрозненные автономные информационные ресурсы и имеют различные логические входы. Отсутствие унифицированного доступа и связанности к информационным ресурсам приводит к неполноте рассмотрения и учета существующих данных и знаний. [2]

Логичным решением данной проблемы является создание единой базы знаний, которая позволит в любой момент найти искомую информацию на основании запроса пользователя, однако данное решение имеет существенный недостаток – реляционный и иерархический подход к построению такой системы предусматривает хранение лишь информации, но не смысла и связи данных между собой. Чтобы решить данную проблему следует перейти на более высокий уровень представления информации – семантический уровень, он позволит учитывать смысл (содержание) информационных ресурсов, извлекая из них важные для пользователя знания. Для реализации базы знаний семантического уровня следует использовать онтологию.

Созданная онтология является лишь каркасом, для того, чтобы она могла предоставить информацию – ее необходимо заполнить (добавить Индивиды и указать их свойства) и редактировать при необходимости. Существует множество редакторов онтологий, которые в теории могут позволить решить данные проблемы, однако на практике они имеют недостатки, которые будут описаны позднее.

Совокупность этих факторов указывает на то, что создание информационной системы формирования базы знаний научно-технических мероприятий является актуальной задачей.

2. Цель и задачи исследования, планируемые результаты

Цель: упрощение сохранения знаний, полученных по результатам научно-технических мероприятий.

Для выполнения поставленной цели следует выполнить ряд задач:

• изучить процесс построения онтологий;
• составить онтологию, удовлетворяющую потребностям цели;
• изучить способы программного подключения к онтологиям;
• создать редактор онтологий;
• реализовать автоматическое и полуавтоматическое добавление данных в онтологию

В результате выполнения магистерской работы планируется создание онтологии, способной удовлетворить предметной области ВУЗа и отчетной документации по научно-техническим мероприятиям. Также планируется создание редактора, который в удобной форме позволит изменять структуру онтологии и заполнять ее данными в автоматическом и полуавтоматическом режиме.

Краткий алгоритм работы планируемой системы представлен на анимации ниже.

3. Обзор исследований и разработок

3.1 Обзор международных и национальных источников

Применение онтологий в различных информационных системах (ИС) достаточно широко исследовано. Рассмотрим типовые задачи, наиболее распространенные при проектировании ИС на основе онтологий.

В работе [3] описываются теоретические преимущества и различные особенности фреймворка knowledge-based framework, который основан на знаниях, введенных в систему экспертом. Рассматривается задача максимизации эффективности производственной линии химической автоматизации и минимизации затрат за счет оптимизации планов производства, предотвращения опасных ситуаций и сбоев.

Также существует множество ИС в сфере здравоохранения, основанных на онтологии. Например, контекстно-ориентированная структура управления доступом, которая позволяет представлять и реализовывать SitBAC как модель знаний наряду с соответствующим методом вывода, используя SWRL и OWL [4].

В статье [5] рассматривается проектирование, разработка и валидация iosC3-онтологической системы, которая позволит вести интеллектуальное наблюдение и лечение критических пациентов, имеющих острые сердечные расстройства в отделе интенсивной терапии (ОИТ). Данная система анализирует состояние пациента и дает рекомендации по лечению, которые помогут достичь максимально быстрого выздоровления.

В источнике [6] был описан механизм интерпретации высказываний для интеллектуальных разговорных интерфейсов, основанный на онтологии. Цель данного подхода – предложить систему, которая способна выполнять задачи через интерфейс, который будет удобным и комфортным как опытным, так и менее опытным пользователям. Онтология в этом механизме используется для семантической и синтаксической интерпретации.

На текущий момент практически в каждой организации финансовый анализ является основой для оценки и понимания результатов хозяйственной деятельности и определения того, насколько хорошо функционирует бизнес. В работе [7] разрабатывается онтологическая модель для финансовой информации организации, основанная на анализе семантики финансовой отчетности предприятия. За счет объединения алгоритма интеллектуального анализа правил ассоциации, онтологической модели финансовой области и модели Zscope была разработана новая модель бизнес-аналитики для прогнозирования банкротства.

В сфере образования и электронного обучения также используются онтологии. В последние годы, с широким использованием метаданных и появлением семантической сети, это видение постепенно превращается в реальность. Эти системы основаны на прочных связях, определенных в метаданных объектов обучения, которые позволяют комбинировать их с другими объектами обучения, чтобы сформировать целостную образовательную программу [8]. В адаптивных образовательных системах, доступных студентам, интеграция этих систем превращается из интересной исследовательской задачи в важную практическую задачу, решение которой базируется на основе онтологий и метаданных.

В статье [9] представлена онтологическая модель TSH, она разработана с использованием модульного подхода и реализована в OWL с использованием Protege2000 с целью использования всего потенциала онтологий для описания предметной области, чтобы обеспечить эффективную базу для разработки, настройки и выполнения программных приложений.

В работе С. Ниренбурга, В. Раскина [10] рассматривается возможность использования онтологий для информационного поиска знаний, в системах извлечения знаний, а также классификации знаний и др. В онтологической семантике Сергей Ниренбург и Виктор Раскин вводят комплексный подход к обработке смысла текста с помощью компьютера.

В прошлом были предложены несколько подходов, основанных на онтологиях для поддержки деятельности инженеров по знаниям и архитекторов при управлении знаниями [11], [12]. Akerman and Tyree [11] предлагают основанный на онтологии подход для поддержки разработки программного обеспечения. Однако эта онтология не является общедоступной для повторного использования, помимо этого авторы не предоставляют детальной информации о количестве людей и их отношениях в онтологии.

Ameller и Franch [12] представляют онтологию для представления знаний, называемую Arteon. Эта онтология призвана обеспечить строительные блоки архитектурных представлений, фреймворков и элементов для построения структурных аспектов архитектуры программного обеспечения. Следует отметить, что авторы рассматривают популяцию индивидов как часть своей будущей работы и описывают только понятия, в рамках данной онтологии, эти факторы не позволяет использовать данную онтологию в полной мере на текущий момент.

В своей основополагающей работе г-жа Крухтен [13] предлагает онтологию, чтобы добавить в качестве первого класса концепции по управлению архитектурными знаниями, а также вводит таксономию архитектурных решений, ее атрибуты и ее связь с такими понятиями, как требования, дефекты, элементы проектирования и реализации. Преимущество такой онтологии заключается в том, что она сохраняет сложные графики взаимосвязанных проектных решений и поддерживает примеры использования, такие, как, рекомендации для поддержки архитекторов программного обеспечения в процессе принятия решений. [14]

3.2 Обзор локальных источников

Студенты ДонНТУ также занимаются вопросом использования онтологий, рассмотрим рефераты магистров прошлых лет.

В работе Разработка базы знаний интеллектуальной системы доступа к учебно-методической информации в рамках ВУЗа [15] описывается важная роль базы знаний, как в различных компаниях, так и в ВУЗе. Приводятся характерные признаки представления знаний. Автор на основании своего анализа указывает и описывает наиболее часто используемые и популярные модели представления знаний. Также выполнен обзор подходов для проектирования баз знаний. Автор делает вывод, что программная реализация данных подходов позволит дифференцированно, и, следовательно, эффективно, организовать процесс автоматизированного обучения, доступа к информации и ее структуризации.

В работе Модели и алгоритмы обновления знаний экспертных систем на основе онтологического подхода [16] автор описывает проблему поддержания экспертной системы в актуальном состоянии. Для решение данной проблемы предполагается внедрение онтологии, благодаря чему система сможет получать знания из сети Интернет. Приводится классификация онтологий по различным признакам и области их применения. Описывается процесс разработки экспертной системы и внедрение в нее онтологию. Автор делает вывод, что внедрение онтологии в экспертную систему позволит сэкономить, как у экспертов, так и у конечных пользователей огромное количество времени на обновлении знаний, а также средства на привлечения специалистов, и обеспечит более точные результаты работы.

В работе Исследование возможности построения редактора онтологий для синтеза Интернет-сайтов [17] описывается классификация онтологий по двум типам – семантической и прагматической. Выделяется три типа классов экспертов предметной области играющих роль инженеров по знаниям. Показан процесс генерации html-текста при проходе конечным пользователем ИЛИ-узлов в процессе синтеза требуемого объекта. Описан процесс построения онтологии, согласно методологии IDEF5. Автором делается предположение, что создание планируемой инструментальной оболочки должно значительно снизить необходимый уровень знания предметной области как конечного пользователя, так и самого эксперта, т.к. достаточно будет описать связи между объектами, представить варианты структур отношений в форме И-ИЛИ дерева и задать отношения совместности – несовместности между различными комбинациями значений ИЛИ-узлов.

В работе Разработка веб–ориентированной рекрутинговой системы, основанной на онтологической модели представления знаний [18] описываются причины возросшего интереса к онтологиям, проводится исследование способов их построения и применения. Автор утверждает, что после создания иерархической базы знаний реализация поиска подходящих кандидатов по выдвинутым от работодателя требованиям сводится к поиску расстояния от вакансии к соискателям. В дальнейшем автор планирует, что разработка онтологии будет направлена на внедрение дескрипционных логик, которые позволят осуществлять логический вывод на основании имеющихся данных в базе знаний. Так же будет выработан механизм запросов к базе знаний на языке SPARQL позволяющий отбирать наиболее подходящих кандидатов.

В работе Разработка онтологической модели для семантического поиска информации в электронной библиотеке [19] указывается на то, что многие проблемы, связанные с поиском информации, остаются нерешенными. Приводится и описывается схема семантического поиска информации. Также выполнено описание алгоритма работы морфологического анализатора. Автор утверждает, что использование онтологий позволит представить естественно-языковой текст в таком виде, что он становится пригодным для автоматической обработки.

4 Обзор онтологий

Ключевое место в данной магистерской работе занимает онтология. Прежде чем приступить к ее разработке сперва определим понятие Онтология и ее математическое представление.

Существует множество определений онтологий, большинство которых сводится к тому, что онтология некоторым образом описывает понятия предметной области., на базе которых можно реализовать понятия и отношения между ними, а также правила, аксиомы и др. [20]

Чаще всего упрощенно математически онтологию можно представить, как упорядоченную тройку вида [21]:

О = ⟨ T, R, F ⟩

где:

T – конечное множество терминов (концептов, понятий, классов) предметной области, которую представляет онтология O; (помимо конечности также есть ограничение непустоты);

R – конечное множество отношений между понятиями заданной предметной области;

F – конечное множество функций интерпретации (аксиоматизация) заданных на концептах и/или отношениях онтологии O.

Все этапы формирования онтологии вместе с ее оценкой можно свести к схеме, представленной на рисунке ниже [22]

Процесс генерации онтологии на основе множества документов, состоит из следующих этапов:

• идентификация и извлечение объектов;
• кластеризация объектов на группы синонимичных объектов;
• поиск соответствия кластеров существующим концептам или генерации нового концепта;
• выделение отношений наследования между концептами;
• вспомогательных отношений;
• определение правил на получившейся онтологии

При составлении онтологии в автоматическом или полуавтоматическом режиме очень важен процесс оценки результатов работы алгоритмов.

Следует отметить, что алгоритм цикличен: исходная, возможно, пустая онтология дополняется новыми объектами, концептами и отношениями, оценивается и затем уже используется как база для дальнейшего расширения.

4.1 Обзор языков онтологий

Ключевым моментом в проектировании онтологии является выбор соответствующего языка спецификации онтологий. Цель таких языков – дать возможность указывать дополнительную машинно-интерпретируемую семантику ресурсов, сделать машинное представление данных более похожим на положение вещей в реальном мире, существенно повысить выразительные возможности концептуального моделирования слабо структурированных Web-данных [23]. Рассмотрим некоторые из них.

Язык RDF. В рамках проекта семантической интерпретации информационных ресурсов Интернет (Semantic Web) был предложен стандарт описания метаданных о документе Resource Description Framework, использующий XML-синтаксис. RDF использует базовую модель данных «объект – атрибут – значение» и способен сыграть роль универсального языка описания семантики ресурсов и взаимосвязей между ними. Ресурсы описываются в виде ориентированного размеченного графа — каждый ресурс может иметь свойства, которые в свою очередь также могут быть ресурсами или их коллекциями. Все словари RDF используют базовую структуру, описывающую классы ресурсов и типы связей между ними. Это позволяет использовать разнородные децентрализованные словари, созданные для машинной обработки по разным принципам и методам. Важной особенностью стандарта является расширяемость: можно задать структуру описания источника, используя и расширяя такие встроенные понятия RDF-схем, как классы, свойства, типы, коллекции. Модель схемы RDF включает наследование классов и свойств.

DAML+OIL – семантический язык разметки Web-ресурсов, расширяющий стандарты RDF и RDF Schema за счет более полных примитивов моделирования. Последняя версия DAML+OIL обеспечивает богатый набор конструкций для создания онтологии и разметки информации таким образом, чтобы их могла читать и понимать машина.

OWL (Web Ontology Language) — язык представления онтологий, расширяющий возможности XML, RDF, RDF Schema и DAML+OIL. Этот проект предусматривает создание мощного механизма семантического анализа. Планируется, что в нем будут устранены ограничения конструкций DAML+OIL. Онтологии OWL — это последовательности аксиом и фактов, а также ссылок на другие онтологии. Они содержат компоненту для записи авторства и другой подробной информации, являются документами Web, на них можно ссылаться через URI.

Язык OWL имеет 3 диалекта (подмножества терминов):

• OWL Lite – имеет наименьшую выразительную мощность из всех, но для решения простых задач его может быть достаточно. Данный диалект языка OWL эквивалентен некоторой дескриптивной логике (разрешимой части логики предикатов первого порядка). OWL Lite обладает важнейшим свойством - разрешимостью (т.е. задача вывода следствий из утверждений, сформулированных в этом языке, является вычислимой). Именно разрешимость (и относительно невысокая вычислительная сложность) является главной причиной использования OWL Lite для создания многочисленных практических онтологий (в медицине, биоинформатике и т.п.).
• OWL DL – обладает большей выразительной мощью, чем OWL Lite, но тоже эквиваленен некоторой (более выразительной) дескриптивной логике. Для большинства задач, встречающихся при проектировании онтологий, выразительности этого диалекта достаточно. OWL DL тоже обладает свойством разрешимости, однако вычислительная сложность у него выше, чем OWL Lite. Разрешимость достигается, в частности, наложением ограничений на синтаксис языка; так, в OWL DL классу запрещено быть экземпляром.
• OWL Full – наиболее выразительный диалект. Эквивалентен RDF. При использовании OWL Full нет никаких гарантий по вычислимости заключений.

Каждый из этих диалектов (кроме OWL Lite) является расширением предыдущего. Как следствие, любая OWL Lite онтология является OWL DL онтологией, а любая OWL DL онтология является OWL Full онтологией. [24]

На начального этапе создания онтологии будет использован язык OWL (OWL-DL), однако в дальнейшем не исключена возможность использования RDF, т.к. подключение и корректное использование OWL поддерживается не всеми языками программирования.

4.2 Обзор существующих онтологий

Одно из преимуществ использования онтологий является то, что можно использовать уже разработанные и поддерживаемые онтологии в качестве основы, которую в перспективе можно расширить исходя из потребностей предметной области.

Рассмотрим некоторые уже существующие онтологии:

• Cyc – содержит 2,2 миллиона утверждений (фактов и правил), описывающих более 250 тысяч термов, включая почти 15000 предикатов
• Marc – представляющая структуру формата MARC21 и Dublin Core на языке OWL
• BFO Basic Formal Ontology – 36 классов, в основном в медицине, ориентирована на создание онтологий в рамках научных исследований, не содержит свойств
• GFO General Formal Ontology – 79 классов, в основном в медицине
• DOLCE – около 1000 классов, в системах на базе веб-технологий
• DBpedia междоменная онтология, основанная на наиболее часто используемых терминах в статьях Википедии. Он содержит более 685 классов, 2795 различных свойств и более 4,2 миллиона экземпляров
• CERIF 2008 Основные объекты – это Person, Organisation Unit и Project
• TOVE (Toronto Virtual Enterprise) – построение интегрированной модели, состоящей из следующих онтологий: операций, состояний и времени, организации, ресурсов, продуктов, производства, цены, количества
• DUBLIN CORE – Описание библиографических ссылок – содержит выходные данные о публикации: о дате выхода, издании, серии, страницах, ISBN, ISSN, краткое содержание, комментарии и пр
• FOAF – проект, посвященный связыванию людей и информации с помощью Интернета
• KACTUS – построение методологии многократного применения знаний о технических системах во время их жизненного цикла

Основываясь на специфики предметной области можно сделать предположение, что могут быть использованы онтологии DUBLIN CORE и FOAF.

4.3 Обзор средств разработки онтологий

При создании онтологий (как и при проектировании программного обеспечения или написании электронного документа) целесообразно пользоваться подходящими инструментами. Будем называть инструментальные программные средства, созданные специально для проектирования, редактирования и анализа онтологий, редакторами онтологий. [13]

Приведем краткое описание наиболее популярных редакторов онтологий

Protege – свободно распространяемая Java-программа, предназначенная для построения (создания, редактирования и просмотра) онтологий той или иной прикладной области. Она включает редактор онтологий, позволяющий проектировать онтологии, разворачивая иерархическую структуру абстрактных и конкретных классов и слотов. На основе сформированной онтологии Protege позволяет генерировать формы получения знаний для введения экземпляров классов и подклассов. Данный инструмент поддерживает использование языка OWL и позволяет генерировать HTML-документы, отображающие структуру онтологий. Поскольку он использует фреймовую модель представления знаний ОКВС, это позволяет адаптировать его и для редактирования моделей предметных областей, представленных не в OWL, а в других форматах (UML, XML, SHOE, DAML+OIL, RDF / RDFS и т.п.).

DOE (Differential Ontology Editor) – простой редактор, который позволяет пользователю создавать онтологии. Процесс спецификации онтологии состоит из трех этапов.

• На первом этапе пользователь строит таксономию понятий и отношений, явным образом очерчивая позицию каждого элемента (понятие) в иерархии. Затем пользователь указывает, в чем специфика понятия относительно его "родителя", и в чем это понятие подобно или отлично от его "братьев". Пользователь может также прибавить синонимы и энциклопедическое определение на нескольких языках для всех понятий.
• На втором этапе две таксономии рассматриваются с разных точек зрения. Пользователь может расширить их новыми объектами или добавить ограничения на области отношений.
• На третьем этапе онтология может быть переведена на язык представления знаний.

OntoEdit – инструментальное средство, обеспечивающее просмотр, проверку и модификацию онтологии. Оно поддерживает языки представления онтологии OIL и RDFS, а также внутренний язык представления знаний OXML, основанный на XML. Как и Protege, это автономное Java-приложение, но его коды закрыты. Свободно распространяемая версия OntoEdit Free ограничена 50 концептами, 50 отношениями и 50 экземплярами.

OilEd – автономный графический редактор онтологий, разработанный в рамках проекта On-To-Knowledge. Он свободно распространяется по общедоступной лицензии GPL. Инструмент использует для представления онтологий язык OIL. В OilEd отсутствует поддержка экземпляров классов.

WebOnto представляет собой Java-апплет и разработан для просмотра, создания и редактирования онтологий. Для моделирования онтологий он использует язык OCML (Operational Conceptual Modeling Language). Пользователь может создавать различные структуры, в том числе классы со множественным наследованием. Инструмент имеет ряд полезных особенностей: просмотр отношений, классов и правил, возможна совместная работа над онтологией нескольких пользователей.

ODE (Ontological Design Environment) взаимодействует с пользователями на концептуальном уровне, обеспечивает их набором таблиц для заполнения (концептов, атрибутов, отношений) и автоматически генерирует код на языках LOOM, Ontolingua и F-Logic. Данный инструмент получил свое развитие в редакторе онтологий WebODE, который интегрирует все сервисы ODE в единую архитектуру, сохраняя свои онтологии в реляционной БД.

В приведенной ниже таблице перечислены основные характеристики наиболее популярных редакторов онтологий.

Таблица 1 – Характеристики редакторов онтологий

Основная функция любого редактора онтологий состоит в поддержке процесса формализации знаний и представлении онтологии как спецификации (точного и полного описания).

В большинстве своем современные редакторы онтологий предоставляют средства кодирования (в смысле описания) формальной модели в том или ином виде. Некоторые дают дополнительные возможности по анализу онтологии, используют механизм логического вывода.

В последнее время количество общедоступных редакторов онтологий превысило 100 единиц. Но редко можно встретить универсальное и в то же время полезное средство

Для начального создания онтологии будет использован редактор Protege, однако важно отметить, что все вышеуказанные редакторы не позволяют в полной мере выполнить автоматическое и полуавтоматическое добавление данных, исходя из этого будет предпринята попытка создания нового редактора, в котором не будет данного недостатка.

Выводы

Данная магистерская работа посвящена проблеме сохранения данных извлеченных из документов научно-технических мероприятий. Проведен анализ международных и национальных, а также локальных работ по применению онтологий. Рассмотрены языки спецификации и средства разработки онтологий. В дальнейшем работа будет сконцентрирована на создание онтологии, способной удовлетворить предметной области ВУЗа и отчетной документации по научно-техническим мероприятиям. Также планируется создание редактора, который в удобной форме позволит изменять структуру онтологии и заполнять ее данными в автоматическом и полуавтоматическом режиме.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: июнь 2021 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

1. Информационный взрыв [Электронный ресурс]: Википедия. Свободная энциклопедия. – Режим доступа: https://ru.wikipedia.org/wiki/Информационный_взрыв
2. Андриевская Н.К. Основные принципы и подходы при разработке системы управления профессиональными знаниями сотрудников вуза Журнал: ИНФОРМАТИКА И КИБЕРНЕТИКА. 2019. № 4 (18). С. 49-56.
3. Legat C. Model-based Knowledge Extraction for Automated Monitoring and Control [Текст] / C. Legat, J. Neidig, M. Roshchin // Preprints of the 18th IFAC World Congress. – 2011.
4. Beimel D. Using OWL and SWRL to represent and reason with situation-based access control policies [Текст] / D. Beimel, M. Peleg // Data & Knowledge Engineering. – 2011. – Ne 70.
5. The iOSC3 System: Using Ontologies and SWRL Rules for Intelligent Supervision and Care of Patients with Acute Cardiac Disorders [Текст] / M. Martinez-Romero, J. Vazquez-Naya, J. Pereira, M. Pereira, A. Pazos, G. Bafios // Computational and Mathematical Methods in Medicine. – 2013.
6. Paraiso E. An Ontology-Based Utterance Interpretation in the Context of Intelligent Assistance [Текст] / E. Paraiso, J. Barthes // Programa de Pes-Graduacao em Informatica. – 2007.
7. A Business Intelligence Model to Predict Bankruptcy using Financial Domain Ontology with Association Rule Mining Algorithm [Текст] / A. Martin, M. Manjula, Dr. V. P. Venkatesan // IJCSI. – 2011.
8. EAn Ontology-based Planning System for e-Course Generation [Текст] / Kontopoulos, D. Vrakas, F. Kokkoras, N. Bassiliades, I. Viahavas // Expert Systems with Applications. – 2008. – Ne 35 (1-2).
9. Latfi F. Ontology-Based Management of the Telehealth Smart Home, Dedicated to Elderly in Loss of Cognitive Autonomy [Текст] / F. Latfi, B. Lefebvre, C. Descheneaux // Proceeding of the OWLED. – 2007.
10. Nirenburg S. Ontological Semantics MIT Press [Текст] / S. Nirenburg, V. Raskin. – 2004. – 339 p.
11. Akerman, A. Using ontology to support development of software architectures [Текст] / A. Akerman, and J. Tyree // IBM Systems Journal. – 2006. – (45:4), IBM. – Pp. 813–825.
12. Ameller D. Ontology-based architectural knowledge representation: structural elements module [Текст] / Ameller, D., and Franch, X. // International Conference on Advanced Information Systems Engineering. – 2011. – Pp. 296–301.
13. Kruchten, P. An ontology of architectural design decisions in software intensive systems [Текст] / P. Kruchten // 2nd Groningen workshop on software variability. – 2004. – Pp. 54–61.
14. Андриевская Н.К. Онтологический подход в системах обработки данных научных и научно-образовательных организаций Журнал: ПРОБЛЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.
15. Ворона С.П. Разработка базы знаний интеллектуальной системы доступа к учебно-методической информации в рамках ВУЗа Персональный сайт на портале магистров ДонНТУ, 2019 г.
16. Билык Н.О. Модели и алгоритмы обновления знаний экспертных систем на основе онтологического подхода Персональный сайт на портале магистров ДонНТУ, 2013 г.
17. Машичев А.В. Исследование возможности построения редактора онтологий для синтеза Интернет-сайтов Персональный сайт на портале магистров ДонНТУ, 2013 г.
18. Рябинин В.А. Разработка базы знаний и веб-приложения для подготовки и обработки экзаменационных заданий Персональный сайт на портале магистров ДонНТУ, 2013 г.
19. Бажанова А.И. Разработка онтологической модели для семантического поиска информации в электронной библиотеке Персональный сайт на портале магистров ДонНТУ, 2011 г.
20. Чайка В.А., Землянская С.Ю., Андриевская Н.К. Обзор средств разработки онтологических моделей В сборнике: Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2020). Сборник материалов XI Международной научно-технической конференции в рамках VI Международного Научного форума Донецкой Народной Республики. Редколлегия: Ю.К. Орлов [и др.]. 2020. С. 233-237.
21. Романов С. В., Сытник А. А., Шульга Т. Э. О возможностях использования коммуникативных грамматик и LSPL-шаблонов для автоматического построения онтологий // Известия Самарского научного центра Российской академии наук. — 2015. — Т. 17.
22. Платонов А. В., Полещук Е. А. Методы автоматического построения онтологий. URL: https://cyberleninka.ru/article/n/metody-avtomaticheskogo-postroeniya-ontologiy/viewer
23. Языки представления онтологических знаний. Кратко [Электронный ресурс]. — Режим доступа: http://fevt.ru/load/jazyki_predstavlenija_ontologicheskikh_znanij/124-1-0-1739
24. НОУ ИНТУИТ. Онтологии и тезаурусы: модели, инструменты, приложения. Лекция 6: Языки описания онтологий. Основные синтаксические структуры: классы, отношения, аксиомы. Страница 4 [Электронный ресурс] — Режим доступа: https://intuit.ru/studies/courses/1078/270/lecture/6855?page=4
25. НОУ ИНТУИТ. Онтологии и тезаурусы: модели, инструменты, приложения. Лекция 7: Инструментальные средства проектирования онтологий [Электронный ресурс] — Режим доступа: https://intuit.ru/studies/courses/1078/270/lecture/6857?page=2