Науковий вісник НГУ

Нереляційний підхід при розробці бази знань прототипу експертної системи

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2022

Останнє оновлення: 17 серпня 2022

Опубліковано: 30 листопада -0001

Перегляди: 1857

Authors:

В.В.Гнатушенко, orcid.org/0000-0003-3140-3788, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e‑mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Вік.В.Гнатушенко, orcid.org/0000-0001-5304-4144, Український державний університет науки та технологій, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Н.Л.Дорош, orcid.org/0000-0003-4184-3648, Український державний університет науки та технологій, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Н.О.Солодка, orcid.org/0000-0002-7545-4969, Український державний хіміко-технологічний університет, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.А.Ляшенко, orcid.org/0000-0002-9983-5504, Український державний хіміко-технологічний університет, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2022, (2): 112 - 117

https://doi.org/10.33271/nvngu/2022-2/112

Abstract:

Мета. Застосування нереляційної системи управління базами даних при розробці бази знань прототипу експертної системи з використанням семантичної моделі представлення знань.

Методика. Проведено порівняння традиційного реляційного підходу й запропонованого нереляційного на прикладах формування певних запитів. Для порівняння ефективності двох систем управління базами даних використані наступні показники: певний набір запитів (мовами MySQL і Cypher), час виконання для заданого розміру записів (швидкість їх обробки), простота розуміння та програмної реалізації запитів.

Результати. З’ясовано, що графова модель є більш доцільним рішенням при проектуванні та створенні семантичних мереж, де потрібно зберігати та обробляти складні ієрархічні зв’язки між об’єктами. На конкретному прикладі застосована архітектура графової бази даних. Для демонстрації можливостей створеної системи логічного висновку розроблено прототип експертної системи. В якості предметної області для прикладу було обрано класифікатор наук.

Наукова новизна. Прототип експертної системи, що використовує запропонований нереляційний підхід, спроектований із застосуванням сучасної сервісно-орієнтованої архітектури (Service-oriented architecture, SOA). Це дозволило відокремити базу знань від машини логічного виводу та інтерфейсу користувача, полегшити сприйняття, зміну й налагодження коду. Сервісно-орієнтована архітектура робить систему більш гнучкою та стійкою до збоїв.

Практична значимість. Розроблене програмне забезпечення призначене для створення простих і середніх за складністю експертних систем.

Ключові слова: семантична мережа, база даних, графова модель, Neo4j, SOA

References.

1. Deepthi, M. B., & Sreekantha, D. K. (2017). Application of expert systems for agricultural crop disease diagnoses – A review. 2017 International Conference on Inventive Communication and Computational Technologies (ICICCT ), 222-229. https://doi.org/10.1109/ICICCT.2017.7975192.

2. Yang, Y., Fu, C., Chen, Y.-W., Xu, D.-L., & Yang, S.-L. (2016). A belief rule based expert system for predicting consumer preference in new product development. Knowledge-Based Systems, 94, 105-113. https://doi.org/10.1016/j.knosys.2015.11.012.

3. Arani, L. A., Sadoughi, F., & Langarizadeh, M. (2019). An expert system to diagnose Pneumonia Using Fuzzy Logic. Acta Informatica Medica, 27, 103-107. https://doi.org/10.5455/aim.2019.27.103-107.

4. Lasso, E., & Corrales, J. C. (2016). Expert system for crop disease based on graph pattern matching: a proposal. Revista Ingenierías Universidad de Medellín, 15(29), 81-98. https://doi.org/10.22395/rium.v15n29a5.

5. Yunianta, A., Yusof, N., Bramantoro, A., Haviluddin, H., Othman, M., & Dengen, N. (2016). Data mapping process to handle semantic data problem on student grading system. International Journal of Advances in Intelligent Informatics, 2(3), 157-166. https://doi.org/10.26555/ijain.v2i3.84.

6. Azimirad, E., & Haddadnia, J. (2016). A new model for threat assessment in data fusion based on fuzzy evidence theory. International Journal of Advances in Intelligent Informatics, 2(2), 54-64. https://doi.org/10.26555/ijain.v2i2.56.

7. Batista, L., Silva, G., Araujo, V., Rezende, T., Guimarães, A., Campos Souza, P., & Araujo, V. (2018). Fuzzy neural networks to create an expert system for detecting attacks by SQL Injection. The International Journal of Forensic Computer Science, 13(1), 8-21. https://doi.org/10.5769/J201801001.

8. Hnatushenko, V., & Zhernovyi, V. (2019). Complex Approach of High-Resolution Multispectral Data Engineering for Deep Neural Network Processing. Lecture Notes in Computational Intelligence and Decision Making, ISDMCI 2019, 1020, 659-672. https://doi.org/10.1007/978-3-030-26474-1_46.

9. Yuninta, A., Barukab, O. M., Yusof, N., Dengen, N., Haviluddin, H., & Othman, M. S. (2017). Semantic data mapping technology to solve semantic data problem on heterogeneity aspect. International Journal of Advances in Intelligent Informatics, 3(3), 161-172. https://doi.org/10.26555/ijain.v3i3.131.

10. Hnatushenko, V., Zhernovyi, V., Udovik, I., & Shevtsova, O. (2021). Intelligent System for Building Separation on a Semantically Segmented Map. 2 ^nd International Workshop on Intelligent Information Technologies and Systems of Information Security (IntelITSIS-2021), 2853. Retrieved from http://ceur-ws.org/Vol-2853/keynote1.pdf.

11. Chen, Z., Jiang, B., Tang, J., & Luo, B. (2017). Image Set Representation and Classification with Attributed Covariate-Relation Graph Model and Graph Sparse Representation Classification. Neurocomputing, 226, 262-268. https://doi.org/10.1016/j.neucom.2016.12.004.

12. Yuan, H., Li, J., Lai, L. L., & Tang, Y. Y. (2018). Graph-based multiple rank regression for image classification. Neurocomputing, 315, 394-404. https://doi.org/10.1016/j.neucom.2018.07.032.

13. Zhu, R., Dornaika, F., & Ruichek, Y. (2019). Joint graph based embedding and feature weighting for image classification. Pattern Recognit, 93, 458-469. https://doi.org/10.1016/j.patcog.2019.05.004.

14. Velampalli, S., & Jonnalagedda, M. V. (2017). Graph based knowledge discovery using MapReduce and SUBDUE algorithm. Data Knowl. Eng., 111, 103-113. https://doi.org/10.1016/j.datak.2017.08.001.

15. Zhang, Q., Song, X., Yang, Y., Ma, H., & Shibasaki, R. (2019). Visual graph mining for graph matching. Computer Vision and Image Understanding, 178, 16-29. https://doi.org/10.1016/j.cviu.2018.11.002.

16. Sarno, R., Sungkono, K. R., Johanes, R., & Sunaryono, D. (2019). Graph-based algorithms for discovering a process model containing invisible tasks. Intelligent Networks and Systems Society, 12(2), 85-94. https://doi.org/10.22266/ijies2019.0430.09.

17. Sarno, R., & Sungkono, K. R. (2019). A survey of graph-based algorithms for discovering business processes. International Journal of Advances in Intelligent Informatics, 5(2), 137-149. https://doi.org/10.26555/ijain.v5i2.296.

18. Liashenko, O., & Dorosh, N. (2021). Technologies Of Software Development Based on Non-Relative Databases. Scientific and Technical International Conference: Information Technology in Metallurgy and Machine Engineering, 334-337. https://doi.org/10.34185/1991-7848.itmm.2021.01.041.

19. Paul, S., Mitra, A., & Koner, C. (2019). A Review on Graph Database and its representation. 2019 International Conference on Recent Advances in Energy-efficient Computing and Communication (ICRAECC), 1‑5. https://doi.org/10.1109/ICRAECC43874.2019.8995006.

• < Попередня
• Наступна >