3. 图表中的模糊性
在本章中，我们介绍处理图表模糊性的基本概念和想法。首先，我们区分模糊性与不确定性的概念。然后我们研究基于图形的数据中的建模模糊性及其处理。我们特别关注借助规则集自动生成隐性存储的知识。
模糊性是衡量陈述精确度的标准。因此，模糊的陈述仅在一定程度上是正确的。例如，如果天气预报说“明天有降水”，那么明天可能会有小雨、中雨或大雷暴。解决此问题的一种方法是提供有关降水量的信息。然而，这种模糊的说法不应与不确定的说法相混淆。在不确定的情况下，完全不知道所作的陈述是否属实。例如，如果天气预报说“明天有 75% 的可能性会下雨”，那么这是一个不确定的陈述。它指出，在四分之三的情况下，核心陈述是正确的，即明天会下雨，在四分之一的情况下，核心陈述是错误的，即明天不会下雨。 Dubois 和 Prade 对模糊性和不确定性之间的区别进行了更详细的阐明。[16]在本文中我们只考虑模糊（而非不确定）的陈述，并且我们假设所有模糊陈述都可以用0到1之间的值来表示。例如，可以给小雨赋予值 0.25（25%），以表示“明天会有降水”。
从理论上讲，模糊性可以出现在图中的不同点，并且在图形数据库中存储模糊性会变得相应复杂。最常见的情况是给模糊边分配权重，它表示两个节点之间的连接程度或强度。类似地，人们也可以为图中的其他信息分配一个模糊性值，例如节点的类型。然而，我们在这里限制自己使用模糊性作为边权重；事实上，我们只允许使用 0 到 1 之间的值作为权重。这样的边缘权重可以相对容易地存储在图形数据库中，因为这些值并不是特别不寻常。然而，当需要做出基于规则的结论时，即当自动创建也带有模糊度值的新边 英国电报数据 时，边权重的处理会更有趣。
基于图形的数据。这样做的好处是，生成的图可以直接连接到其他本体和链接的开放数据。利用多值逻辑实现了模糊描述逻辑向命题逻辑解释的转变。[17]多值逻辑的缺点是并非所有经典命题逻辑的定律都能适用于其中，例如德摩根定律或双重否定定律。由于这个缺点无论如何都存在，我们决定为我们的软件用户提供各种多值逻辑，他可以根据自己的意愿进行组合。这使得可以为每条规则分配单独的解释。下图说明了通过连接和分离将两个模糊陈述联系起来。
图 1：通过连接和分离将两个模糊陈述联系起来。 [自己的插图，CC BY 4.0]。
图 1：通过连接和分离将两个模糊陈述联系起来。 [自己的插图，CC BY 4.0]。
有关描述逻辑中的模糊性主题的进一步讨论，请参阅参考书目。为了处理基于图形的数据库中的模糊性，我们特别推荐 Borzooei 等人、Akram 等人的作品。和Castelltort等人。[18]在下一章中，我们将更详细地解释我们的实现。
4. 实施“学术元工具”
在上一章阐述了理论基础之后，我们现在来谈谈我们的想法的实施。本章我们主要描述概念性的解决思路。首先，我们介绍为学术元工具开发的元本体。该元本体描述了一种用于为应用场景创建具体本体的语言，但并不代表应用场景本身。然后，我们将推理程序的实现呈现为 JavaScript 库。这个库也不是一个完整的程序，而仅仅是一个框架，在实现学术元工具的具体应用方面非常有用。因此，可直接用于案例研究的软件的实现只是下一章的一部分。