در این جا تعداد زیادی مقاله معتبر در زمینه آنتولوژی یا هستان شناسی را بررسی و کاربردهای آن در زمینه های مختلف را نوشته ایم تا اگر خواندن مقالات برایتان سخت است یا وقت کافی نداردید، بتوانید خلاصه آن ها را اینجا مطالعه کنید.
در مقاله ای که حسینی بهشتی و همکاران انجام داده اند، اصطلاح نامه هايي راکه در پژوهشگاه علوم و فنآوري اطلاعات ايران در حوزه هاي مختلف شيمي، فيزيك، زيست شناسي، زمين شناسي و رياضي تدوين شده بودند، را گردآوری و یک هستان شناسی جامع را برای آنها تدوین کردند. براي اين منظور، ابتدا مغايرت ها و هم پوشاني هاي مفاهيم مشترك حوزه هاي مختلف علوم پايه در اصطلاح نامه هاي مختلف را برطرف ساختند تا بتوان از آنها در يك هستي شناسي واحد بهره برد. پس از آن كليه اصطلاح نامه ها با يكديگر تلفيق و اصطلاح نامة جامع توليد شد .سپس طراحي مفهومي هستان شناسی با استفاده از روش "مت آنتولوژی" براساس مفاهيم و روابط موجود در اصطلاح نامه جامع صورت گرفت. در نهايت هستي شناسي علوم پايه بر اساس طراحی صورت گرفته پياده سازی شد تا به عنوان ابزاري استاندارد جهت ذخيره و بازيابي اطلاعات بکار گرفته شود.
هدف از کاربرد هستان شناسی، کاهش ابهام مفهومی در حوزهای خاص است. در این مقاله از یک اصطلاح نامه به عنوان منبعی برای ساخت هستان شناسی استفاده شده است. اصطلاح نامه یک منبع دانش سازماندهی شده توسط متخصصان موضوعی است که حاوی اصطلاحات یک حوزه و روابط معنایی بین این اصطلاحات است. در زیر گام های اصلی مدلسازی مفهومی بر طبق "مت آنتولوژی" را بررسی میکنیم:
در گام اول، واژه نامه اصطلاحات بايد ساخته شود. اين واژه نامه، مجموعه ای از اصطلاحاتی را كه هستی شناسی دربرميگيرد، مشخص ميكند. علاوه بر اين، تعريف هر اصطلاح به زبان طبيعي و همچنين مترادف ها و متضادهاي هر واژه در واژه نامه وجود دارد. در گام دوم، رده بندي مفهومي براي طبقه بندي مفاهيم ساخته ميشود. خروجي این گام ميتواند يك يا چند رده بندي باشد كه در آنها مفاهيم دسته بندی شده اند. گام سوم، مربوط به ساخت نمودارهاي روابط دودويي بين مفاهيم برای مشخص کردن روابط بین مفاهيم در هستي شناسي است .گام چهارم، ساختن فرهنگ نامه مفاهیم است که شامل نمونه هاي هر مفهوم، ویژگی های نمونه ها و کلاس ها و روابط بین آنها است. وقتي فرهنگ نامة مفاهيم ساخته شد، هستي شناس بايد در گام هاي پنجم تا هشتم جزئيات هر يك از روابط دودويی، ويژگي هاي نمونه ها و مشخصه های کلاس ها و نیز ثابت های اصلي دامنه را در فرهنگ نامة مفاهيم به تفصيل شرح دهد .در گامهاي نهم و دهم اصول صوري و قواعدي كه براي بررسي محدوديت و استنباط ارزش مشخصه ها به كار میرود، توضيح داده ميشود. در نهايت، هستي شناس ميتواند به صورت اختياري اطلاعات بيشتري درباره نمونهها اضافه کند[1].
در مقاله Antoni Olive یک چشم انداز هستان شناسی جهانی مورد بررسی قرار داده شده است که شامل چهار سطح میباشد. منظور از هستان شناسی جهانی (UO) مشخصات رسمی است از تمام مفاهیمی که ما استفاده میکنیم و به اشتراک میگذاریم. در این روش مشکلاتی نیز وجود دارد مانند: مشکل ادغام معنایی اطلاعات در زمینه های سیستم های اطلاعاتی و پایگاه داده ها. این مشکل زمانی به جود می آید که دو یا چند سیستم که طرحواره های مفهومی آنها به طور مستقل توسعه یافته است، نیاز به تبادل پیام دارند یا بخواهند اطلاعات را به اشتراک بگذارند. این مسئله برخی از مشکلات را در سطح فیزیکی و نحوی ایجاد می کند، اما دشوارترین آنها در سطح معنایی است که در آنها باید در مورد معنای پیام ها و داده ها توافق کنند. مشکل دیگر جدیدتر است و مربوط به وبم عنایی است. گاهی این مسئله "برج بابل" نامیده شده است. چشم انداز هستی شناسی یا UO در این پژوهش شامل چهار سطح میباشد.
The Conceptual Model Level :
این سطح شامل موجودیت ها، انواع موجودیت ها و روابط بینشان میباشد. هر مدل مفهومی یا هستان شناسی مانند آر-دی-اف-اس، یو-ام-ال، اٌ-دبلیو-ال و ... همگی در این سطح قرار دارند و تعداد مفاهیم در این سطح بسیارکم است.
The Foundational Level :
این سطح شامل مفاهیم انتزاعی است که در هستان شناسی بنیادی استفاده شده اند و از مفاهیم موجود در این سطح نمی توان مستقیما برای انتشار حقایق نمونه سازی کرد از این رو وجود این سطح زیاد ضروری نیست.
The General Level :
مفاهیم در این سطح، شامل انواع فرعی یا نمونه های از مفاهیم در سطح مدل مفهومی و احتمالاً مفاهیمی در سطح بنیادی هستند. هستان شناسی های مختلفی ازجمله WordNet در این سطح قرار دارند. WordNet مجموع های شامل بیش از 80.000 مجموعه اسم(مفاهیم)، 13.000 مجموعه افعال و 18.000 مجموعه صفت است. با این پیکره میتوان تقریبا هر مدل مفهومی یا هستی شناسی را طراحی کرد.
The Domain Level :
مفاهیم موجود در سطح دامنه، انواع فرعی یا نمونه مفاهیم در سطح عمومی و احتمالاً مفاهیم در سطح پایه هستند.در این سطح دو نگاشت مطرح است، نگاشت عمودی و افقی. نگاشت های عمودی مطابقت بین هستان شناسی و مفاهیم را در سطح عمومی تعریف میکنند. نگاشت افقی مطابقت بین هستی شناسی و سایر هستان شناسی های دیگر را در سطح دامنه تعریف میکند
Local Concepts :
این بخش،یک بخش اصلی از UO نیست و این مفاهیم محلی ممکن است با گذشت زمان تکامل یابند و جز اصلی UO شوند [2].
در مقاله Danilo Cavaliere و همکاران یک الگوی طراحی هستان شناسی برای تجزیه و تحلیل محتوای ویدئویی که ازطریق پهباد ضبط میشود، طراحی کرده اند. برای این منظور، در این پژوهش با تولید یک توصیف صحنه با سطح بالا و جامع که با استدلال معنایی و پرسوجو بدست آمده، یک مدل هستان شناسی سیستماتیک برای پشتیبانی و بهبود تجزیه و تحلیل محتوای ویدئویی ارائه داده شده است. الگوریتم های ردیابی و طبقه بندی کار تشخیص و طبقه بندی در ویدیو را انجام میدهند، سپس در این مقاله تفسیر بالاتری را فراهم کرده اند و انتزاع را در سطح بالاتری توسط آنتولوژی برای درک محیط توسعه داده اند. در این مقاله ابتدا اشخاص، جاده، وسایل نقلیه و اشیا تشخیص داده شده است سپس نیاز به درک حرکات و فعل و انفعالات آنها برای تشخیص وقایع یا اقدامات وجود دارد. برای این کار یک طرح استخراج دانش چند لایه ای افزایشی در مقاله مرجع نشان داده شده است. پایین ترین سطح یا Raw Sensor data layer شامل داده های ردیابی مانند ابعاد جسم، موقعیتها، عرض و ارتفاع جعبه های محدود کننده و غیره را تشکیل میدهد. سطح بالاتر یا Object layer از همه اهداف شناسایی شده ازجمله، فعالیت های شناسایی و طبقه بندی هدف تشکیل شده است. به عنوان مثال اهداف مشخص شده در فریم های ویدیویی طبقه بندی شده و به عنوان Person برچسب یا تعیین میشوند. لایه بالاتر یا Activity layer روابط بین اشیا ظاهر شده در صحنه را توصیف میکند: اشیا در حال حرکت می توانند با اشیا دیگر (متحرک یا ثابت) تعامل داشته باشند، که شامل اعمال، حرکات یا هر تغییر صحنه میشود. در نهایت بالاترین لایه، Situation layer حرکات جسم را در محیط انتزاع میکند تا به یک تفسیر نهایی شبیه انسان از صحنه دست یابد. هدف این است که به منظور افزایش اثربخشی در تجزیه وتحلیل محتوای ویدئویی، یک پشتیبانی معنایی مبتنی بر هستان شناسی به رویکردها و روشهای شناخته شده برای تجزیه و تحلیل ویدئو اضافه شود. دانش تولید شده توسط هر لایه، به عنوان مفاهیم هستان شناسی مربوط به بازیگران صحنه اصلی و روابط آنها به منزله ایجاد حرکات، رویداد، فعالیت ها و در نهایت موقعیت های موجود در صحنه ، مدلسازی می شود[3].
در مقاله Lawrence Bunnell و همکاران یک هستان شناسی اهداف مالی مصرف کننده، به عنوان یک پایگاه دانش طراحی و برای ارائه پشتیبانی تصمیم، در حوزه برنامه ریزی مالی مورد استفاده قرار دادند. در حوزه برنامه ریزی مالی مصرفکننده، هیچ مدل مفهومی رسمی یا طبقه بندی دانش اهداف مالی وجود ندارد که بتواند به عنوان یک پایگاه دانش برای برنامه هایی مانند سیستم پیشنهادی فینتک مورد استفاده قرار گیرد. روش کسب هستان شناسی شامل چهار مرحله میباشد:
1- برنامه ریزی: در این مرحله، دامنه، کاربردها، کاربران و الزامات هستان شناسی مشخص میشود. و همچنین ایجاد یک پایگاه دانش نیز شامل این مرحله میباشد.
2- مفهوم سازی: در این مرحله تجزیه و تحلیل موضوعی ادبیات انجام میشود و سپس به طراحی کلمات کلیدی در این حوزه می پردازند. ادبیات، اصطلاحات کدگذاری که در طی فرآیند کدگذاری کشف شده اند، ازنظر ارتباط معنایی بررسی شده و در نهایت به دسته های مفهومی معنی دار تقسیم میشوند. از این دسته ها، مضامین مشتق شده و گره ها برای تفکیک کدها در مضامین و زیر مضامین، جمع میشوند. با استفاده از یک فرآیند تکراری، بیش از 400 مفهوم کدگذاری مرتبط با توانایی مالی بدست آمده.
3- پیاده سازی : با استفاده از نرم ا فزار نقشه برداری Bubbl.us ، این طرح توسعه داده شده است و مفهوم، اهداف مالی مصرف کننده در یک شکل به تصویر کشیده شده است.
در این مدل هستان شناسی، فعالیت هایی وجود دارند که آنها را در قالب چندیدن کلاس مدل کرده اند. یک فعالیت هدف، از خصوصیات زیر تشکیل شده است:
1- نام فعالیت (به عنوان مثال "مدیریت بدهی"). 2- شرح فعالیت. 3- پولی برای نشان دادن قصد جلوگیری یا مشارکت در آن فعالیت (به عنوان مثال، "ورشکستگی" به طور معمول فعالیتی است که باید برای هدف "انجام پایان کار" اجتناب شود. 4- اولویت یا اهمیت نسبی برای کاربر فعالیت در رابطه با سایر فعالیت هایی با همان هدف. 5- هرگونه پیش شرط برای شرکت در فعالیت (به عنوان مثال وجود بدهی. 6- شرایط پس زمینه فعالیت (به عنوان مثال، کدام موارد مرتبط با فعالیت تکمیل شده است). 7- حالت اولیه (به عنوان مثال مقدار بدهی کاربر در ابتدای فعالیت. 8- وضعیت فعلی (به عنوان مثال بدهی جاری کاربران. 9- یک حالت مطلوب یا هدف، برای نشان دادن فعالیت انجام شده.
در داخل هر فعالیت، ویژگی های زمانی وجود دارد که بیشتر ابعاد فعالیت را در اقدامات تعیین شده به شرح زیر توصیف می کند: 1- تاریخ شروع فعالیت.2- تاریخ پایان فعالیت. 3-تاریخ تعلیق اختیاری. 4- مدت زمان فعالیت. 5- مقدار بررسی چرخه برای به روزرسانی فعالیت. به عنوان آخرین مرحله، در مرحله پیاده سازی با استفاده از نرم افزار پروتژ و زبان OWL سیستم توسعه داده شده[4].
در پژوهشی که Amnna Bernasconi انجام داده است، یک مدل مفهومی ویروسی ارائه داده است که متمرکز بر ویروس است و از چهار منظر توصیف شده است: بیولوژیکی (نوع ویروس و میزبان / نمونه)، تحلیلی (حاشیه نویسی و انواع)، سازمانی (پروژه توالی) و فنی (فناوری تجربی). برای توسعه مدل، از فرهنگ لغت مربوط به ویروس covid-19 استفاده شده است. در این مقاله با تمرکز بر ویروس SARS-CoV2 نشان میدهد که چگونه میتوان مدل مفهومی ویروسی را به طور موثری با یک پایگاه داده فنوتیپ با اطلاعات مربوط به بیماران آلوده به COVID-19 مرتبط کرد. این تحقیق در تلاش برای تولید یک فرهنگ لغت داده، برای تولید فنوتیپ هست که شامل اطلاعات فنوتیپ بیمار است که در هنگام بستری و در طی بستری شدن در بیمارستان جمع آوری شده است. هر بیمار میتواند به یک توالی ویروس متصل شود. با این حال، این قالب ساده امکان نگاشت آسان فرهنگ لغت به پرسش نامه ها را فراهم میکند. زمانی که مدل مفهومی توسعه داده شد، حال میتوان سوالات و Queryهایی از آن استنتاج کرد. (به عنوان مثال بازیابی تمام ویروسها با ویژگیهای داده شده). به یک Query که در زیر آمده است توجه فرمایید:
Query 2 :
بیماران COVID-19 مبتلا به ویروس SARS-CoV2 در اروپا که یک نوع خاص از ژن ORF1ab داشته باشند، میتوانند انتخاب شوند که با استفاده از سه تایی <start, reference allele, alternative allele> نشان داده میشود[5].
در پژوهشی دیگر، یک زبان مدل سازی مفهومی چند سطحی طراحی شده است. ML2 یک زبان مدل سازی متنی برای مدلهای مفهومی چند سطح است که مفاهیم و قوانینMLT* را منعکس میکند. در این تحقیق، یک سینتکس متنی برای ML2 پیشنهاد شده است که توسط ویرایشگر Xtext در محیط Eclipse نوشته شده است. در مقاله ادعا شده است که ML2 بیان چندین سناریوی مدلسازی چند سطح را امکانپذیر میکند که در حال حاضر نمیتوانند در زبانهای مدلسازی چند سطح موجود بیان شوند. ML2 ویژگیها را به منابع و ویژگیها متمایز میکند. یک ویژگی دارای یک نوع است که در مورد منابع یک کلاس یا در مورد ویژگیها یک نوع داده است. انواع داده ها، کلاس های مرتبه اول هستند که به عنوان نمونه، مقادیر خاصی دارند. به عنوان مثال، نوع داده String یک کلاس مرتبه یک است که به عنوان نمونه از توالی های کاراکترها به خوبی شکل گرفته است. ML2 از هر دو نوع داده ایجاد شده توسط کاربر و مجموع های از انواع ابتدایی، ازجمله String ، Number و Boolean پشتیبانی میکند[6].
در مقاله Sha Zhi-ren وهمکاران، یک مدل جاده یکپارچه، شامل سه سطح انتزاع توپولوژی برای کاربردهای حمل و نقل در مقیاس بزرگ توضیح داده اند و شامل سه سطح میباشد. سطح اول: بدست آوردن یک مدل مرسوم برای یافتن سریع ترین مسیر. سطح دوم: تمام بخش خطی را که برای حرکت وسایل نقلیه طراحی شده است را توصیف میکند. سطح سوم: در این سطح، جزییات جریان ترافیکی بیان میشود.. برای مثال، ابتدا یک شبکه پیچیده با اتصالات در آن توصیف شده است. سپس یک توپولوژی از جاده ها و خطوط ساخته شده است و در مرحله سوم، بیانی از وضعیت شبکه برای حفظ وقایع پویا صورت گرفته است.
سطح اول، بیانگر ساختار توپولوژیکی راه به صورت کل میباشد. سطح دوم، تمام ویژگیهای خطی در شبکه راه را توصیف میکند ازجمله، گذرگاه، تونل ها و سطح شیبدار و رابطه توپولوژیکی بین جاده ها را برقرار میکند تا به رانندگان اجازه دهد هنگام عبور از یک صرافی، راه خاصی را انتخاب کنند. سطح سوم از یک خط به عنوان یک ویژگی استفاده میکند و رابطه بین خطوط و جاده ها و همچنین روابط توپولوژیک بین خطوط را برای توصیف وضعیت جریان ترافیک در تقاطع ها و در خطوط دقیق ایجاد میکند[7].
در مقاله D Venkataraman و همکاران، یک مدل هستان شناسی برای مدل سازی امتحانات دانشگاه ارائه داده اند. هدف اصلی از ایجاد این آنتولوژی، کمک به دانشجویان و همچنین اساتید، برای کنار آمدن با سیستم جدید نمره دهی است و ارزیابی عملکرد هر دانشجو با توجه به نمره آنها به راحتی امکان پذیر است. به طور خلاصه ایدهای درمورد چارچوب وبم عنایی برای هستان شناسی امتحان دانشگاه مبتنی بر دانش ارائه داده شده است. در ابتدا این هستان شناسی، بر جمع آوری و مدلسازی تمام دانش موجود تمرکز دارد. (به صورت گراف هستان شناسی). در این هستان شناسی یک ابرکلاس به اسم Amirta_exam وجود دارد که کلاس Department زیرمجموعه آن میباشد و Department ویژگی های خود را از این ابرکلاس که بخشی از کل دانشگاه است را به ارث میبرد. خود کلاس Department دارای چندین زیر کلاس به نامهای CEو CSEو ECEو ME میباشد.یکی از این زیرکلاس ها مثلا CE خود دارای سه زیرکلاس Student و Faculty و Subject میباشد و مثلا Subject دارای زیرکلاس های CGPA و Arrear میباشد. و بدین صورت هستان شناسی در این سطوح مختلف تعریف و طبق نیاز دانشگاه پیاده سازی شده است. این هستان شناسی به سادگی نمایانگر روال کاری دانشگاه و امتحانت میباشد. این سیستم با نرما فزار پروتژ پیاده سازی شده است که یکی از قویترین نر مافزارهای طراحی هستان شناسی میباشد. همچنین از از فرهنگ لغت Dbpedia استفاده شده است که یک فرهنگ لغت برای زبانهای هستان شناسی وب میباشد و مربوط به نسخه وبمعنایی ویکی پدیا است[8].
در پژوهشی که Tehreem Qamar و همکاران انجام دادند، یک هستان شناسی خدمات شهر هوشمند، توسعه داده اند که میتواند به عنوان یک چارچوب یکپارچه برای همه برنامه های شهر هوشمند عمل کند. توسعه هستان شناسی باعث ایجاد یک مدل دامنه دانش شده که این امر اشتراک و انتقال داده در این شهر هوشنمد را تسهل میکند. در این مقاله اهداف زیر دنبال شده:
1- یک مدل متمرکز برای کاربردهای شهر هوشنمد. 2- بهبود سازمان یافته دیتا با استفاده از تلفیق دانش معنایی. 3- یک هستان شناسی که چینش داده های برنامه های شهر هوشمند را تنظیم میکند. 4- نمایش چگونگی نگاشت برنامه های خدمات شهری هوشمند در هستان شناسی. گردش کار و فعالیت اصلی در این شهر هوشمند، شامل چندین کلاس است که توضیح میدهیم: کلاس Authority به عنوان یک نهاد بزرگ حاکمیت خدمت می کند و شامل طبقات مربوط به ساختار دولت محلی و شهرداری است. نمونه های این کلاس و زیرکلاسهای آن، سیاست گذاران شهر هوشمند هستند. کلاس Policy که زیر کلاس Authority است، سیاست ها را تعیین میکند. کلاس Citizens که زیرکلاس Policy است، شامل مشخصات رسمی کلیه مفاهیم مربوط به کارها و وظایف شهری میباشد. در این مقاله چهار کاربرد از شهر هوشمند مورد مطالعه قرار گرفته است که عبارت اند از: پارکینگ هوشمند، کنترل زباله هوشمند، چراغ خیابان هوشمند و مدیریت شکایت هوشمند.
پارکینگ هوشمند: این سیستم در نظر گرفته شده تا چندین مکان پارک را برای شهروندان شهر هوشمند فراهم کند و اطلاعات زمان واقعی را در مورد مکان های پارکینگ موجود و رزرو شده به کاربر منتقل می کند.
سیستم برق هوشمند: این سیستم مصرف بیرویه برق شهرهای هوشمند را کنترل می کند. این سیستم ممکن است شامل سنسورهای نور و نظارت بر زمان واقعی چراغ ها، برای کنترل آنها باشد به گونهای که چراغها فقط در زمان نیاز روشن شوند.
سیستم سطل زباله هوشمند: هدف اصلی سیستم هوشمند تشخیص سطح زباله، شناسایی سطح زباله در سطل های زباله و اطلاع دادن به فرد مربوطه برای تخلیه آن است. اگر فرد مربوطه در مدت زمان مشخص پاسخ نداد ، آن را به طور خودکار در مورد سهلانگاری به مقام بالاتر اطلاع میدهد.
سیستم مدیریت شکایات: این بخش به شهروندان امکان میدهد مسائل مربوط به شهرداری را مستقیماً به بخش مربوطه گزارش دهند. همچنین دولت را قادر می سازد تا زمان حل و فصل آن را برنامه ریزی و منظم کند[9].
در مقاله Ahmed ABATAL ، یک سیستم مبتنی بر مراقبت های بهداشتی بهم پیوسته هوشمند معنایی، توسعه داده شده است که وب معنایی را با رایانش ابری ترکیب میکند تا امکان تجسم، انتقال و اشتراک سوابق و گزارش های پزشکی را از طریق ابر و جمع آوری داده ها و مدلسازی در زمان واقعی از طریق هستان شناسی فراهم کند. در این مقاله یک سیستم مراقبت بهداشتی و هوشمندتر ساخته شده است. اهداف کار عبارتاند از:
1-ساخت یک معماری که سهم سوابق پزشکی بیماران را به منظور بهره برداری توسط سازمان ها و کارشناسان مختلف بهداشت فراهم کند. 2-مدل سازی داده های Real Time و نمایش دانش از طریق هستان شناسی. 3-پیشنهاد الگوریتمی برای توصیف مطالعه موردی فرآیند ارتباط بین مولفه های معماری. 4-گسترش سطح امنیت دسترسی به اطلاعات با درخواست تأیید بیمار. 5-اجرای معماری پیشنهادی.
معماری مدل پیشنهادی: در این مدل دو کاربر پزشک و بیمار با سیستم تعامل دارند. یک کلاس بیمار شامل تمامی اطلاعات مربوط به بیمار مانند نام، جنسیت، تلفن و غیره است. هر بیمار دارای یک یا چند پوشه تخصص است. این پوشه ها حاوی ارجاعات به یک یا چند اسناد است که سوابق بیمار و یا گزارشات بیمار را نشان می دهد. سرانجام ، کلاس دستیار مراقبت های بهداشتی، اطلاعات مربوط به متخصص مراقبت های بهداشتی (به عنوان مثال پزشک) را نشان میدهد و هر دستیار دارای یک تخصص است. مدیر تعامل، هسته اصلی معماری ما است. این ارتباط بین اجزای مختلف را امکان پذیر میکند. مدیر تعامل از دو ماژول تشکیل شده است. مدیر هستان شناسی که هستان شناسی را با داده های خام جمع آوری شده از حسگرهای مختلف تغذیه میکند و در صورت لزوم اطلاعات مربوط به هستان شناسی را فراهم میکند و انتخابگر سرویس که برای ارائه خدمات مناسب با مخزن سرویس ارتباط برقرار میكند[10].
در پژوهشی دیگر که توسط Faten El Outa و همکاران انجام شده است، یک مدل مفهومی از روایت داده برای تجزیه و تحلیل داده های اکتشافی ارائه داده اند که شامل 4 لایه است. واقعی ،عمدی ،ساختاری و ارائه ای. این مدل با هدف پشتیبانی از کل چرخه زندگی ساخت یک روایت داده، از یک هدف عمدی شروع میشود: واکشی و کاوش داده ها، بیرون آوردن موارد برجسته، استخراج پیام های مهم، ساختار طرح روایت داده و ارائه آن به روشی بصری. روایت داده یک ترکیب ساختار یافته از پیام است که شامل: (الف) یافته ها را بر روی داده ها منتقل میکند، و (ب) معمولاً از طریق روش بصری ارائه میشود تا پذیرش آنها توسط مخاطبان مورد نظر تسهیل شود. در واقع روایت داده استفاده از تکنیک هایی برای انتقال یک داستان به مخاطب است. وظیفه لایه واقعی، شامل اطلاعاتی براساس حقایق و مدلهای جمع آوری شده از داده ها است و لایه عمدی شامل نهادهایی برای پیامهای حاصل از رشته ها است. لایه واقعی را میتوان به عنوان لایه "عینی" در نظر گرفت که کار پیرامون اکتشاف داده ها و ساخت مدل را توصیف میکند، در حالی که لایه عمدی کار ویرایشگر "ذهنی" یافته های پیش پردازش را منعکس میکند تا آنها را به پیام تبدیل کند. لایه ساختاری شامل نهادهایی است که آرایش پیامها را به ترکیبی ساختاری از عناصر گفتاری قابل ارائه مدل میکند و لایه ارائه ای شامل نهادهایی برای اختصاص یک مجموعه رسانه ای قابل ارائه به هر یک از ساختارهای گفتاری رویت داده است. در این مقاله به کمک مدل ارائه شده، یک روایت داده درمورد زنان و سکته های مغزی بین آنها مثال زده شده است که هدف آن خطر ابتلا زنان به سکته مغزی را نشان میدهد و شامل چهار سطح میباشد که به صورت زیر میباشد.
Factual Layer :
لایه واقعی مربوط به فرآیندهای جستجوی داده ها در مجموع های از منابع داده و تجزیه و تحلیل آنها است. داده ها از طریق مجموعه ای از جمع کننده ها جمع آوری میشوند که میتوانند پرسش هایی در یک زبان پرسش یا رابط پشتیبانی شده توسط منابع داده، یا به طور کل ، انواع برنامه هایی باشند که قادر به تعامل و بازیابی داده ها از منابع هستند.
International Layer :
لایه عمدی، محتوای داستان را مدلسازی میکند، پیامها، شخصیت ها و معیارهایی را که نویسنده قصد دارد با آنها ارتباط برقرار کند، شناسایی میکند و نحوه دستیابی آنها به سوالات تحلیلی را باتوجه به یک هدف تحلیل میکند.
Structural Layer :
این لایه مربوط به شکل بیان رویت داده است. در حالی که لایه های قبلی به محتوای "روایت" میپردازند. این لایه بر گفتمان آن تمرکز دارد. ایده این است که پس از تصمیم گیری برای دستیابی به هدفی از طریق سوالات تحلیلی و کاوش داده ها، تجزیه و تحلیل منجر به مجموعه ای از پیامها برای انتقال به مخاطب شده است.
Persentational layer :
وظیفه این بخش ارائه یک روایت تصویری است که از طریق مصنوعات بصری (داشبورد و اجزای داشبورد) به خواننده منتقل میشود[11].
در مقاله XIN LI یک روش توسعه هستان شناسی فازی برای توسعه هستان شناسی های فازی ارائه داده است.عناصری که در هستان شناسی های فازی وجود دارد، شامل موارد زیر میباشد:
1-Fuzzy Concepts :
این بخش به مفاهیمی اشاره میکنند که مرزهای مشخصی ندارند و نمایانگر مجموعه های مبهم افراد هستند. بنابراین میتوان فردی را با درجه خاصی به مفهومی مبهم نسبت داد.
2- Fuzzy roles :
نقش های فازی روابط دوتایی فازی بین مفاهیم یا افراد را توصیف میکنند. آنها میتوانند موارد مختلف مفهومی مرتبط با درجات خاص را به هم پیوند دهند.
3- Fuzzy data type :
از انواع داده های فازی برای فازی کردن مقادیر صفات مانند دامنه خصوصیات داده استفاده میشود.
کل روش مطرح شده در یازده فاز تعریف شده است که به قرار زیر میباشد:
1- PHASE 1 : Ontology Purposed And Scope :
در این بخش انگیزه ایجاد یک هستان شناسی فازی شرح داده شده است و باید به سوالاتی نیز جواب دهیم، مثلا آیا حتما لازم است که از آنتولوژی فازی استفاده کنیم.
2- PHASE 2 : Identify The Need Fuzziness :
در این بخش باید ببینیم اصلا نیازی به وجود فازی هست یا نه. و در صورت مثبت بودن جواب، نوع هستان شناسی را مشخص کنیم.
3- PHASE 3 : Determine Fuzzy Related Information :
اگر در مرحله 2 مشخص شد که به یک هستان شناسی فازی نیاز داریم، حال در این مرحله تمرکز بر روی اطلاعات اصلی فازی است. دانش در این قسمت به دو بخش اطلاعات دقیق و فازی تقسیم میشوند. اطلاعاتی که دارای مفاهیم مبهم و به نظر فازی میایند، شناسایی میشوند و توسط این سیستم فازی میشوند.
4- PHASE 4 : Consider Reusing Existing Ontology :
وظایف اصلی انجام شده در این مرحله شامل بررسی هستان شناسی های موجود مرتبط با دامنه مورد نظر و تعیین قابلیت استفاده مجدد آنها میباشد.
5- PHASE 5 : Reuse Fuzzy Ontology Elements :
اگر یک یا چند هستان شناسی موجود برای مفید بودن در طرح هستان شناسی مورد تجزیه و تحلیل قرار گیرد، باید یک بررسی دقیق از آنها انجام شود.اینکه ایا عناصر هستان شناسی انتخاب شده فازی هستند یا خیر.
6- PHASE 6 : Correct Fuzzy Ontology Elements :
با فعالیتهای انجام شده در این مرحله، میتوان عناصر هستان شناسی فازی موجود را اصلاح کرد تا از تقریب دقیق اطلاعاتی که معنای مبهمی در دامنه مورد نظر دارد، اطمینان حاصل شود.
7- PHASE 7 : Define Fuzzy Ontology Elements :
خروجی فاز 3 که درک جامعی از تمایز بین اطلاعات مربوط به فازی و اطلاعات منطق کریسپ است، می تواند به عنوان یک ورودی ارزشمند در این مرحله در نظر گرفته شود. هدف از این مرحله، یافتن عناصر مختلف هستان شناسی فازی برای ارائه تقریبهای صحیح با ماهیت اطلاعات مبهم و غیر دقیق است.
8- PHASE 8 : Define Crisp Ontology Elements :
برشمردن اصطلاحات مهم و سازماندهی آنها به روش سلسله مراتبی میتواند اولین قدم در این مرحله باشد. تا این مرحله تمام عناصری که هستان شناسی فازی را تشکیل میدهند، توصیف شده است.
9- FHAZE 9 : Formalization :
برای رسمیت بخشیدن به هستان شناسی طراحی شده به قالبی قابل خواندن توسط ماشین، باید زبان خاصی انتخاب شود. زبانهای هستان شناسی کلاسیک ممکن است برای بیان مبهم بودن و عدم دقت در هستان شناسی های فازی مناسب نباشند. از این رو، زبانهای فرم گرایی متفاوتی برای پشتیبانی از بازنمایی هستان شناسی های فازی توسعه یافته است.
10- PHASE 10 : Validation :
در این مرحله نیز برای بررسی اعتبارسنجی مدل هستان شناسی فازی، باید باتوجه به شرایط زیر ارزیابی شود: Correctness, Consistency, Completeness, Rationality, Understandability, Conciseness
[12].
در پژوهشی که Alberto Garcia S. و همکاران انجام داده اند، روی چگونگی طراحی یک مدل مفهومی از ژنوم انسان متمرکز شده اند که میتواند به عنوان عامل اصلی برای به اشتراک گذاری، تلفیق و درک انواع مختلف مجموعه داده های مورد استفاده در حوزه ژنومی مورد استفاده قرار گیرد. در این پژوهش یک تصویر مفهومی کامل از داده های مربوطه در ژنومیک و چگونگی تأثیر یکپارچه سازی داده های معنایی با یکپارچه سازی مفهومی داده های موجود ارائه داده شده است. همچنین چگونه استفاده از نسخه های اولیه مدل مفهومی در عمل به ما این امکان را داده است که با دستیابی به یک روند بهبود مستمر، ویژگی های جدیدی را برای ترکیب در مدل شناسایی کنیم. در این مقاله پنج هستان شناسی مورد بررسی قرار داده شده که عبارتند از:
Human Phenotype Ontology (HPO), Gene Ontology (GO), Sequence Ontology (SO), Protein Ontology (PO), Variation Ontology (VO)
Human Phenotype Ontology (HPO) -1 :
این هستان شناسی بر خواص فنوتیپ متمرکز است. هدف آن ارائه مجموعهای استاندارد از اصطلاحات برای توصیف فنوتیپ های موجود در انسان است. این بر اساس ادبیات پزشکی است و شامل بیش از سیزده هزار اصطلاح میباشد.
Gene Ontology (GO) -2 :
این هستان شناسی بر خصوصیات ژنی متمرکز است. عملکرد ژنها با ارائه یک واژگان استاندارد مورد مطالعه قرار میگیرد. بیش از 40،000 اصطلاح تعریف شده در 4500 گونه مختلف تعریف شده است. GO اطلاعات خود را به سه حوزه تقسیم میکند: فعالیتهای سطح مولکولی که توسط محصولات ژنی انجام میشود، محل داخل سلول که محصول ژنی در آن عملکردی انجام میدهد و فرآیندهای بیولوژیکی که از چندین فعالیت سطح مولکولی تشکیل شده اند.
Sequence Ontology (SO) -3 :
این هستان شناسی توالی ژنوم را تجزیه و تحلیل میکند. این یک لغت ساختار یافته و کنترل شده را برای تشخیص توالیهای مختلف ژنوم که به موقعیت آنها بستگی دارد، فراهم میکند. به عنوان مثال، یک محل اتصال به عنوان منطقه ای تعریف میشود که با مولکول های دیگر تعامل گزینشی و غیر کووالانسی دارد.
Protein Ontology (PRO) -4 :
هستان شناسی PRO مشخصات مربوط به پروتئین و روابط بین آنها است. PRO از یک سیستم طبقه بندی به نام "سطوح تمایز" استفاده میکند. چهار سطح تمایز وجود دارد: سطح خانواده : به محصولات پروتئینی تولید شده توسط ژن هایی با یک جد مشترک اشاره دارد. سطح ژن : محصول پروتئین را توسط ژن جدا میکند. سطح توالی : برای تمایز محصولات پروتئینی تولید شده از یک ژن اما با دنباله آلل های مختلف استفاده می شود. سطح اصلاح شده : محصولات پروتئینی ژنی را که به دلیل تجزیه یا تغییرات شیمیایی در یک یا چند بقایای اسید آمینه متفاوت هستند را جدا می کند.
Variation Ontology (VO) -5 :
این هستان شناسی، توصیف استانداردی از اثرات، عواقب و مکانیزم تغییرات را ارائه میدهد. هدف، حذف تفاوت های بدون ابهام در مورد تغییراتی است که در سطح DNA ، RNA یا پروتئین توصیف شده است[13].
دانشجو ارشد هوش مصنوعی و علاقه من به زمینه یادگیری ماشین.
فعال در زمینه فضاهای اکوسیستم استارتاپی.
نویسنده و تولید محتوا.
[1] حسینی بهشتی، ملوک السادات، اژه ای، فاطمه، طراحی و پیاده سازی هستی شناسی علوم پایه بر اساس مفاهیم و روابط موجود در اصطلاح نامه های فارسی، پژوهشگاه علوم و فناوری اطلاعات ایران، 1393.
[2] Antoni Olive, Metadata of the chapter that will be visualized in SpringerLink, Springer, 2018.
[3] DANILO CAVALIERE1, VINCENZO LOIA2 (Senior Member, IEEE), and SABRINA SENATORE1(Member, IEEE), Towards an ontology design pattern for UAV video content analysis, IEEE, 2017.
[4] Lawrence Bunnell, Kweku-Muata Osei-Bryson, Victoria Y. Yoon, Development of a consumer financial goals ontology for use with FinTech applications for improving financial capability, Elsevier, 2021
[5] Anna Bernasconi, Arif Cankoglu, Pietro Pinoli, Stefano Ceri, Empowering Virus Sequences Research through Conceptual Modeling, bioRxiv, 2020
[6] Claudenir M. Fonseca, João Paulo A. Almeida, Giancarlo Guizzardi1, and Victorio A. Carvalho, Multi-Level Conceptual Modeling: From a Formal Theory to a Well-Founded Language, Springer, 2018.
[7] Sha Zhi-ren, Huang Min, Wu Hai-bin, A Conceptual Multi-level Data Model for Road Networks, 2012 Fifth International Conference on Intelligent Computation Technology and Automation, IEEE, 2012.
[8] D Venkataraman, Haritha K C, 2017 International Conference on Advanced Computing and Communication Systems (ICACCS -2017), Jan. 06 – 07, 2017, Coimbatore, INDIA, IEEE, 2017.
[9] Tehreem Qamar, Narmeen Zakaria Bawany, Sadia Javed, Saima Amber, Smart City Services Ontology (SCSO): Semantic Modeling of Smart City Applications, IEEE, 2019.
[10] Ahmed ABATAL, Hajar KHALLOUKI and Mohamed BAHAJ, A Semantic Smart Interconnected Healthcare System using Ontology and Cloud Computing, IEEE, 2018.
[11] Faten El Outa, Matteo Francia, Patrick Marcel, Veronika Peralta,and Panos Vassiliadis, Towards a conceptual model for data narratives, Springer, 2020.
[12] XIN LI, JOSÉ-FERNÁN MARTÍNEZ, AND GREGORIO RUBIO, A New Fuzzy Ontology Development Methodology (FODM) Proposal, IEEE, 2016.
[13] ALBERTO GARCÍA S., ANA LEÓN PALACIO, JOSE FABIÁN REYES ROMÁN, JUAN CARLOS CASAMAYOR, AND OSCAR PASTOR, Towards the Understanding of the Human Genome: A Holistic Conceptual Modeling Approach, IEEE, 2020.
