A reutilização de conhecimento é uma tarefa chave para qualquer sistema computacional. Entretanto, o reúso indiscriminado desse conhecimento pode gerar resultados conflitantes com o objetivo de uso do conhecimento, levando sistemas a se comportarem de maneira imprevisível. Neste trabalho estudamos as consequências do reúso de conhecimento em ontologias baseadas em lógicas de descrição. Focamos principalmente nos problemas que podem ser causados pela fusão de ontologias. Investigamos e comparamos a capacidade das ferramentas de desenvolvimento de ontologias atuais de lidarem com esses problemas e como a teoria se desenvolveu para resolver os mesmos problemas. Realizamos a construção de um arcabouço lógico e de software, organizado na forma de um processo, que tem como objetivo auxiliar o projetista de ontologias a resolver conflitos advindos da fusão. O processo agrupa tarefas descritas normalmente na literatura em separado. Acreditamos que a união dessas abordagens leva a uma melhor solução de conflitos. Durante o desenvolvimento deste trabalho, concentramos nossos esforços principalmente no desenvolvimento de algoritmos para a construção de sub-ontologias maximais, onde os conflitos não ocorram, bem como a ordenação desses conjuntos segundo critérios comuns discutidos na literatura. Tais estratégias foram implementadas em software e testadas utilizando dados gerados automaticamente e dados reais. / Knowledge reuse is a key task during any system development. Nevertheless, careless knowledge reuse may generate conflicting outcomes regarding the system goal, leading such systems to unpredictable behaviour. With that in mind, during this research we studied the consequences of knowledge reuse in ontologies based on description logics. We focused mainly on conflicts arising from ontology merging. We investigated and compared the features developed for this purpose on ontology development tools and how the theory field proposed to deal with the same issues. We developed both a logical and a software framework grouped into a process that aims to help the ontology designer solve conflicts arising from ontology merging. The process groups common tasks that are normally described separately. We believe that the unification of these approaches should result in a better solution for the merging conflicts. We concentrated our efforts during this work on building algorithms for building maximal sub-ontologies where such conflicts are non-existent as well as means for ordering such sets according to a few relevance criteria commonly described at the literature. Such algorithms were implemented and tested against automatically generated and real data.

A reutilização de conhecimento é uma tarefa chave para qualquer sistema computacional. Entretanto, o reúso indiscriminado desse conhecimento pode gerar resultados conflitantes com o objetivo de uso do conhecimento, levando sistemas a se comportarem de maneira imprevisível. Neste trabalho estudamos as consequências do reúso de conhecimento em ontologias baseadas em lógicas de descrição. Focamos principalmente nos problemas que podem ser causados pela fusão de ontologias. Investigamos e comparamos a capacidade das ferramentas de desenvolvimento de ontologias atuais de lidarem com esses problemas e como a teoria se desenvolveu para resolver os mesmos problemas. Realizamos a construção de um arcabouço lógico e de software, organizado na forma de um processo, que tem como objetivo auxiliar o projetista de ontologias a resolver conflitos advindos da fusão. O processo agrupa tarefas descritas normalmente na literatura em separado. Acreditamos que a união dessas abordagens leva a uma melhor solução de conflitos. Durante o desenvolvimento deste trabalho, concentramos nossos esforços principalmente no desenvolvimento de algoritmos para a construção de sub-ontologias maximais, onde os conflitos não ocorram, bem como a ordenação desses conjuntos segundo critérios comuns discutidos na literatura. Tais estratégias foram implementadas em software e testadas utilizando dados gerados automaticamente e dados reais. / Knowledge reuse is a key task during any system development. Nevertheless, careless knowledge reuse may generate conflicting outcomes regarding the system goal, leading such systems to unpredictable behaviour. With that in mind, during this research we studied the consequences of knowledge reuse in ontologies based on description logics. We focused mainly on conflicts arising from ontology merging. We investigated and compared the features developed for this purpose on ontology development tools and how the theory field proposed to deal with the same issues. We developed both a logical and a software framework grouped into a process that aims to help the ontology designer solve conflicts arising from ontology merging. The process groups common tasks that are normally described separately. We believe that the unification of these approaches should result in a better solution for the merging conflicts. We concentrated our efforts during this work on building algorithms for building maximal sub-ontologies where such conflicts are non-existent as well as means for ordering such sets according to a few relevance criteria commonly described at the literature. Such algorithms were implemented and tested against automatically generated and real data.

FROTA, Débora Farias. Uma lógica de descrição Default. 2011. 79 f. Dissertação (Mestrado em ciência da computação)- Universidade Federal do Ceará, Fortaleza-CE, 2011. / Submitted by Elineudson Ribeiro (elineudsonr@gmail.com) on 2016-07-11T13:21:13Z No. of bitstreams: 1 2011_dis_dffrota.pdf: 945021 bytes, checksum: 9adb958d87b14104dcd8db9fc4c4bd6f (MD5) / Approved for entry into archive by Rocilda Sales (rocilda@ufc.br) on 2016-07-15T13:25:42Z (GMT) No. of bitstreams: 1 2011_dis_dffrota.pdf: 945021 bytes, checksum: 9adb958d87b14104dcd8db9fc4c4bd6f (MD5) / Made available in DSpace on 2016-07-15T13:25:42Z (GMT). No. of bitstreams: 1 2011_dis_dffrota.pdf: 945021 bytes, checksum: 9adb958d87b14104dcd8db9fc4c4bd6f (MD5) Previous issue date: 2011 / Knowledge formalization and reasoning automatization are central within Arti cial Intelligence. First Order Logic has been traditionally used for such purposes. However, it is better suited to deal with complete knowledge in ideal circumstances. In real situations, in which the knowledge is partial, First Order Logic is not su cient. Nonmonotonic logics have been proposed to better cope with practical reasoning. A successful formalization of nonmonotonic reasoning is the Reiter's default logic which extends classical logic with default rules. Unfortunately, default logic is undecidable. In this work, we propose a description default logic expressible enough to formalize practical reasoning in knowledge bases. It has as its monotonic basis the ALC Description Logic. We add some restrictions to the application of defaults in order to obtain nice properties such as coherence and the elimination of anomalous extensions. We present the main algorithms used to build an extension with a step by step complexity analysis. / A formalização do conhecimento e a automatização do raciocínio são assuntos centrais de pesquisa da Inteligência Artificial. A Lógica de Primeira Ordem tem sido tradicionalmente utilizada para tais propósitos. No entanto, ela é mais adequada para lidar com conhecimento completo em circunstâncias ideais. Em situações reais, nas quais o conhecimento é parcial, a Lógica de Primeira Ordem não é suficiente. Lógicas não-monotônicas têm sido propostas para melhor lidar com o raciocínio prático. Uma formalização do raciocínio não-monotônico bem-sucedida é a Lógica Default de Reiter que estende a Lógica de Primeira Ordem com regras default. Infelizmente, a Lógica Default é indecidível. Nesta dissertação, propomos uma Lógica de Descrição Default expressiva o suficiente para formalizar o raciocínio prático sobre bases de conhecimento. Ela tem como base monotônica a Lógica de Descrição ALC. Adicionamos algumas restrições à aplicação dos defaults a fim de obter propriedades interessantes, tais como a coerência e a eliminação de extensões anômalas. Apresentamos os principais algoritmos usados para construir uma extensão com um passo-a-passo e suas análise de complexidade.

O domínio de grades computacionais é fortemente associado ao compartilhamento de recursos para a resolução de problemas em ambientes dinâmicos e heterogê- neos. Reutilizar aplicações armazenadas na grade e alocar recursos para atender os requisitos das aplicações são tarefas essenciais na grade e dependem da qualidade das informações disponíveis. O presente trabalho propõe uma abordagem semântica para a construção de um serviço de metadados sobre grades e sobre as aplicações nelas disponibilizadas. A abordagem proposta explora a realização de inferência sobre ontologias de aplicações e recursos computacionais da grade e a realização de consultas sobre a base inferida para promover a realização de tarefas, tais como escalonamento de recursos para execução de aplicações na grade, de modo e_ciente. O middleware para Grades oportunistas, InteGrade, foi a base a para o desenvolvimento desse projeto. / The grid computing domain is strongly related to resource sharing for problem resolution in dynamic and heterogeneous environments. The reuse of applications stored on grids and the allocation of resources to meet application requirements are essential grid tasks. These tasks depend on the quality of available information. This work proposes a semantic approach to build a metadata service about grid models, resources and applications. This approach explores inference and queries on ontologies about applications and grid computational resources aiming to enhance the execution of grid tasks, such as resource scheduling on grids. We used InteGrade, an opportunistic grid middleware, as the ground for the development of our project. The metadata integration will contribute to promote the e_cient usage of grid resources and applications.

O domínio de grades computacionais é fortemente associado ao compartilhamento de recursos para a resolução de problemas em ambientes dinâmicos e heterogê- neos. Reutilizar aplicações armazenadas na grade e alocar recursos para atender os requisitos das aplicações são tarefas essenciais na grade e dependem da qualidade das informações disponíveis. O presente trabalho propõe uma abordagem semântica para a construção de um serviço de metadados sobre grades e sobre as aplicações nelas disponibilizadas. A abordagem proposta explora a realização de inferência sobre ontologias de aplicações e recursos computacionais da grade e a realização de consultas sobre a base inferida para promover a realização de tarefas, tais como escalonamento de recursos para execução de aplicações na grade, de modo e_ciente. O middleware para Grades oportunistas, InteGrade, foi a base a para o desenvolvimento desse projeto. / The grid computing domain is strongly related to resource sharing for problem resolution in dynamic and heterogeneous environments. The reuse of applications stored on grids and the allocation of resources to meet application requirements are essential grid tasks. These tasks depend on the quality of available information. This work proposes a semantic approach to build a metadata service about grid models, resources and applications. This approach explores inference and queries on ontologies about applications and grid computational resources aiming to enhance the execution of grid tasks, such as resource scheduling on grids. We used InteGrade, an opportunistic grid middleware, as the ground for the development of our project. The metadata integration will contribute to promote the e_cient usage of grid resources and applications.

A combinação de lógica e probabilidade (lógicas probabilísticas) tem sido um tópico bastante estudado nas últimas décadas. A maioria de propostas para estes formalismos pressupõem que tanto as sentenças lógicas como as probabilidades sejam especificadas por especialistas. Entretanto, a crescente disponibilidade de dados relacionais sugere o uso de técnicas de aprendizado de máquina para produzir sentenças lógicas e estimar probabilidades. Este trabalho apresenta contribuições em termos de representação de conhecimento e aprendizado. Primeiro, uma linguagem lógica probabilística de primeira ordem é proposta. Em seguida, três algoritmos de aprendizado de lógica de descrição probabilística crALC são apresentados: um algoritmo probabilístico com ênfase na indução de sentenças baseada em classificadores Noisy-OR; um algoritmo que foca na indução de inclusões probabilísticas (componente probabilístico de crALC); um algoritmo de natureza probabilística que induz sentenças lógicas ou inclusões probabilísticas. As propostas de aprendizado são avaliadas em termos de acurácia em duas tarefas: no aprendizado de lógicas de descrição e no aprendizado de terminologias probabilísticas em crALC. Adicionalmente, são discutidas aplicações destes algoritmos em processos de recuperação de informação: duas abordagens para extensão semântica de consultas na Web usando ontologias probabilísticas são discutidas. / The combination of logic and probabilities (probabilistic logics) is a topic that has been extensively explored in past decades. The majority of work in probabilistic logics assumes that both logical sentences and probabilities are specified by experts. As relational data is increasingly available, machine learning algorithms have been used to induce both logical sentences and probabilities. This work contributes in knowledge representation and learning. First, a rst-order probabilistic logic is proposed. Then, three algorithms for learning probabilistic description logic crALC are given: a probabilistic algorithm focused on learning logical sentences and based on Noisy-OR classiers; an algorithm that aims at learning probabilistic inclusions (probabilistic component of crALC) and; an algorithm that using a probabilistic setting, induces either logical sentences or probabilistic inclusions. Evaluation of these proposals has been performed in two situations: by measuring learning accuracy of both description logics and probabilistic terminologies. In addition, these learning algorithms have been applied to information retrieval processes: two approaches for semantic query extension through probabilistic ontologies are discussed.

FROTA, Débora Farias. Uma Lógica de Descrição Default. 2011. 79 f. : Dissertação (mestrado) - Universidade Federal do Ceará. Centro de Ciências, Coordenação do Programa de Pós-Graduação em Computação, Fortaleza-CE, 2011. / Submitted by guaracy araujo (guaraa3355@gmail.com) on 2016-06-20T19:27:19Z No. of bitstreams: 1 2011_dis_dffrota.pdf: 945021 bytes, checksum: 9adb958d87b14104dcd8db9fc4c4bd6f (MD5) / Approved for entry into archive by guaracy araujo (guaraa3355@gmail.com) on 2016-06-20T19:28:34Z (GMT) No. of bitstreams: 1 2011_dis_dffrota.pdf: 945021 bytes, checksum: 9adb958d87b14104dcd8db9fc4c4bd6f (MD5) / Made available in DSpace on 2016-06-20T19:28:34Z (GMT). No. of bitstreams: 1 2011_dis_dffrota.pdf: 945021 bytes, checksum: 9adb958d87b14104dcd8db9fc4c4bd6f (MD5) Previous issue date: 2011 / Knowledge formalization and reasoning automatization are central within Arti cial Intelligence. First Order Logic has been traditionally used for such purposes. However, it is better suited to deal with complete knowledge in ideal circumstances. In real situations, in which the knowledge is partial, First Order Logic is not su cient. Nonmonotonic logics have been proposed to better cope with practical reasoning. A successful formalization of nonmonotonic reasoning is the Reiter's default logic which extends classical logic with default rules. Unfortunately, default logic is undecidable. In this work, we propose a description default logic expressible enough to formalize practical reasoning in knowledge bases. It has as its monotonic basis the ALC Description Logic. We add some restrictions to the application of defaults in order to obtain nice properties such as coherence and the elimination of anomalous extensions. We present the main algorithms used to build an extension with a step by step complexity analysis. / A formalização do conhecimento e a automatização do raciocínio são assuntos centrais de pesquisa da Inteligência Arti cial. A Lógica de Primeira Ordem tem sido tradicionalmente utilizada para tais propósitos. No entanto, ela é mais adequada para lidar com conhecimento completo em circunstâncias ideais. Em situações reais, nas quais o conhecimento é parcial, a Lógica de Primeira Ordem não é su ciente. Lógicas não-monotônicas têm sido propostas para melhor lidar com o raciocínio prático. Uma formalização do raciocínio não-monotônico bem-sucedida é a Lógica Default de Reiter que estende a Lógica de Primeira Ordem com regras default. Infelizmente, a Lógica Default é indecidível. Nesta dissertação, propomos uma Lógica de Descrição Default expressiva o su ciente para formalizar o raciocínio prático sobre bases de conhecimento. Ela tem como base monotônica a Lógica de Descrição ALC. Adicionamos algumas restrições à aplicação dos defaults a m de obter propriedades interessantes, tais como a coerência e a eliminação de extensões anômalas. Apresentamos os principais algoritmos usados para construir uma extensão com um passo-a-passo e suas análise de complexidade.

A combinação de lógica e probabilidade (lógicas probabilísticas) tem sido um tópico bastante estudado nas últimas décadas. A maioria de propostas para estes formalismos pressupõem que tanto as sentenças lógicas como as probabilidades sejam especificadas por especialistas. Entretanto, a crescente disponibilidade de dados relacionais sugere o uso de técnicas de aprendizado de máquina para produzir sentenças lógicas e estimar probabilidades. Este trabalho apresenta contribuições em termos de representação de conhecimento e aprendizado. Primeiro, uma linguagem lógica probabilística de primeira ordem é proposta. Em seguida, três algoritmos de aprendizado de lógica de descrição probabilística crALC são apresentados: um algoritmo probabilístico com ênfase na indução de sentenças baseada em classificadores Noisy-OR; um algoritmo que foca na indução de inclusões probabilísticas (componente probabilístico de crALC); um algoritmo de natureza probabilística que induz sentenças lógicas ou inclusões probabilísticas. As propostas de aprendizado são avaliadas em termos de acurácia em duas tarefas: no aprendizado de lógicas de descrição e no aprendizado de terminologias probabilísticas em crALC. Adicionalmente, são discutidas aplicações destes algoritmos em processos de recuperação de informação: duas abordagens para extensão semântica de consultas na Web usando ontologias probabilísticas são discutidas. / The combination of logic and probabilities (probabilistic logics) is a topic that has been extensively explored in past decades. The majority of work in probabilistic logics assumes that both logical sentences and probabilities are specified by experts. As relational data is increasingly available, machine learning algorithms have been used to induce both logical sentences and probabilities. This work contributes in knowledge representation and learning. First, a rst-order probabilistic logic is proposed. Then, three algorithms for learning probabilistic description logic crALC are given: a probabilistic algorithm focused on learning logical sentences and based on Noisy-OR classiers; an algorithm that aims at learning probabilistic inclusions (probabilistic component of crALC) and; an algorithm that using a probabilistic setting, induces either logical sentences or probabilistic inclusions. Evaluation of these proposals has been performed in two situations: by measuring learning accuracy of both description logics and probabilistic terminologies. In addition, these learning algorithms have been applied to information retrieval processes: two approaches for semantic query extension through probabilistic ontologies are discussed.