40
Entscheidungsunterstützung im Semantic Web Thomas Fischer Lehrstuhl für Wirtschaftsinformatik Friedrich-Schiller-Universität Jena

Entscheidungsunterstützung im Semantic Web

Embed Size (px)

DESCRIPTION

Vortrag von Thomas Fischer, Lehrstuhl für Wirtschaftsinformatik an der Friedrich-Schiller-Universität Jena auf dem 14. Interuniversitären Doktorandenseminar Wirtschaftsinformatik am 14.07.2011 auf der Augustusburg bei Chemnitz.

Citation preview

Page 1: Entscheidungsunterstützung im Semantic Web

Entscheidungsunterstützung im Semantic Web

Thomas Fischer

Lehrstuhl für Wirtschaftsinformatik

Friedrich-Schiller-Universität Jena

Page 2: Entscheidungsunterstützung im Semantic Web

Agenda

• Motivation der Forschung

• Forschungsfragen und Hypothesen der Dissertation

• Vorgehensweise der Dissertation

• Identifikation von Integrationsansätzen von Inferenz und Methoden

der Entscheidungsunterstützung

• Anwendungsbeispiel: Relationales Rucksackproblem

• Anwendungsbeispiel: Assembly Line Balancing Problem

• Zusammenfassung

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 2

Page 3: Entscheidungsunterstützung im Semantic Web

Motivation des Forschungsthemas

• EUS verarbeiten Daten mit Modellen um neue Informationen zur Entscheidungsfindung zu generieren

• Modell: “The earliest, and perhaps predominant, DSS view of models is that they are procedures, auto- mated algorithms whereby data can be analyzed in response to stated problems.” (Chang,1993)

• Daten: – Internet (Web, Web Services,

Semantic Web, …)

– Intranet (Unternehmensportale, Relationale Datenbanken, Flat Files etc.)

– …

• Repräsentation des Hintergrundwissen

– Relationale Datenbank

– Taxonomie, Ontologie, …

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 3

Eigene Grafik in Anlehnung an: (Bolloju,2002); (Bracke,2004);

(Kosaka & Hirouchi,1982); (Dargam,1998); (Fedorowicz & Williams,1986)

Page 4: Entscheidungsunterstützung im Semantic Web

Motivation des Forschungsthemas

• Generelle Fragestellungen eines EUS sind daher: – Modellspezifikation

– Datenrepräsentation

– Repräsentation des Hintergrundwissens

– Design des Nutzerinterface

– Datenakquisition

– …

• World Wide Web bietet eine Vielzahl von Informationen, die für betriebswirtschaftliche Entscheidungen eine Rolle spielen können

• “… the more distributed and independently managed that resources on the Web become, the greater is their potential value, but the harder it is to extract value …“ (Singh & Huhns, 2005).

• Limitierte menschliche Aufnahmefähigkeit für Informationen (Edelmann, 2000) versus steigender Informationsüberfluss (Krcmar, 2004)

• Eine weitergehende automatisierte Verarbeitung (Extraktion, Transformation etc.) von Daten aus dem Web ist daher wünschenswert und ist Teil der Bestrebungen der Semantic Web Forschung

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 4

Page 5: Entscheidungsunterstützung im Semantic Web

Semantic Web und Description Logic

• “The Semantic Web is not a separate Web but an extension of the current one, in which information is given well-defined meaning, better enabling computers and people to work in cooperation” (Berners-Lee et al., 2001b).

• Ontologie: “conceptualization of the domain of discourse” (Gruber, 1993)

• Basiert auf einer Schichtung von Standards: – Resource Description Framework (RDF) (Klyne et al., 2004)

– Resource Description Framework Schema RDF(S) (Brickley et al., 2004)

– Web Ontology Language (OWL) (Smith et al., 2004) (W3C OWL Working Group, 2009).

• RDF Statements – Subjekt 𝑠, Prädikat 𝑝, Objekt 𝑜 – Tripel 𝑝(𝑠, 𝑜)

• RDF-S ist eine minimale Sprache für Ontologien – Definition von Klassen und Eigenschaften

– Limitierte Expressivität

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 5

Page 6: Entscheidungsunterstützung im Semantic Web

Semantic Web und Description Logic

• OWL 2 ist eine ausdrucksstarke Sprache für Ontologien mit verschiedenen Syntaxvarianten (z.B. RDF/XML)

– Basiert auf der SROIQ description logic: “fragment of first order logic with useful computational properties” (W3C OWL Working Group, 2009)

• Description Logic 𝐾𝐵 = (𝑇𝐵𝑜𝑥, 𝐴𝐵𝑜𝑥)

• 𝑇𝐵𝑜𝑥: spezifiziert Konzepte und Eigenschaften - „intensional knowledge representation“ (Baader et al., 2003)

• 𝐴𝐵𝑜𝑥: spezifiziert Aussagen über Instanzen

• Komplexität der Inferenz ist abhängig von der Art der Beschreibungslogik bzw. der eingesetzten semantischen Konstrukte

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 6

Page 7: Entscheidungsunterstützung im Semantic Web

Resultierende Forschungsfragen

• Grundfragestellung

– Wie kann das Semantic Web in EUS genutzt werden?

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 7

Page 8: Entscheidungsunterstützung im Semantic Web

Resultierende Forschungsfragen

• Applegate et al. postulierte schon 1986: “Complex system domains, however, require the use of more sophisticated representations to improve the efficiency and scope of the system.” (Applegate et al.,1986) – Steigert die höhere Ausdrucksstärke von Semantic Web Daten die Effizienz und

den Anwendungsbereich von Entscheidungsunterstützungssystemen?

– Mit welchen Methoden können Modelle der Entscheidungsunterstützung mit Semantic Web Ontologie Technologie integriert werden?

– Wie können verschiedene Arten der Schlussfolgerung (engl. Reasoning) auf diesem Typ von Daten genutzt und integriert werden?

– Ist die Integration sinnvoll in Bezug auf: • Problemlösungsfähigkeit,

• Datenextraktion bzw. Datenrepräsentation,

• Komplexität von Suchräumen,

• Komplexität der Modellspezifikation?

– Was sind geeignete Anwendungsgebiete?

– Wie kann eine formale Modellierung erfolgen?

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 8

Page 9: Entscheidungsunterstützung im Semantic Web

Hypothesen

• Hypothesen in Bezug auf Modellierung Die Weiterentwicklung der Datenkomplexität macht auch eine Weiterentwicklung

der entsprechenden EUS Modelle notwendig, damit diese von der gesteigerten Repräsentation partizipieren können.

• Hypothesen in Bezug auf die Integration Es gibt verschiedene Möglichkeiten bzw. Ansatzpunkte für die Integration

Die Art und die Flexibilität der Integration ist abhängig von den Anforderungen des jeweiligen Problems (Menge der Daten, Zeitvorgaben etc.)

• Hypothesen in Bezug auf Problemlösungsfähigkeit und Komplexität Durch eine ausdrucksstärkere Repräsentation der Daten steigt auch die

Komplexität der jeweiligen Methoden und Lösungsräume etc., dies muss aber nicht zwingend in einer längeren Laufzeit der Algorithmen münden, insofern im Sinne eines „seperation of concerns“ verschiedene Inferenzen spezialisiert durchgeführt werden können

Die Problemlösungsfähigkeit steigt durch die Extraktion von impliziten Informationen

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 9

Page 10: Entscheidungsunterstützung im Semantic Web

Vorgehensweise der Dissertation

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 10

Page 11: Entscheidungsunterstützung im Semantic Web

Identifikation von Varianten der Integration

• Möglichkeit 1: Lösung eines Problems nur mit logischer Inferenz

• Beispiel: EUS zur Landvergabe in Sambia (Abanda, Ng’ombe, Tah, & Keivani,

2011

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 11

Page 12: Entscheidungsunterstützung im Semantic Web

Identifikation von Varianten der Integration

• Möglichkeit 2: Logische Inferenz Materialisierung der impliziten Informationen Transformation der Daten Aufruf einer Standardmethode (z.B. Optimierung, Data Mining, …)

• Beispiel: Kim et al. (2009) präsentieren ein EUS zur Auswahl einer optimalen Kaufentscheidung basierend auf einer OWL Ontology, Regeln und einer neuen Sprache für Constraints. Aus der OWL Ontologie und den Nebenbedingungen wird dann das Optimierungsmodell generiert.

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 12

Page 13: Entscheidungsunterstützung im Semantic Web

Identifikation von Varianten der Integration

• Möglichkeit 3: Direkte logische Inferenz während der Ausführung der

jeweiligen Methode zur Entscheidungsunterstützung

• Diese Variante hat bisher keine bzw. keine nennenswerte Beachtung

gefunden. Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 13

Page 14: Entscheidungsunterstützung im Semantic Web

• Möglichkeit 4: Kombination von Deduktiver und Induktiver Inferenz in Methoden

der Entscheidungsunterstützung

• Beispiel: Stochastische Optimierung auf Basis eines „Statistical Relational Model“

(siehe nachfolgende Folien)

Identifikation von Varianten der Integration

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 14

Page 15: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

• Standard 0-1 Rucksackproblem

• Programm:

maximiere 𝑣𝑖𝑥𝑖

𝑛

𝑖=1

𝑤𝑖𝑥𝑖 ≤ 𝑊

𝑛

𝑖=1

𝑥𝑖 ∈ 0,1

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 15

Page 16: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

• Relationales Rucksackproblem

• Beschreibung: – Objekte haben einen

Typ

– Typenhierarchie

– Objekte können Beziehungen untereinander haben

– Beziehungen der Objekte können einen Einfluss auf den Wert des Rucksacks haben

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 16

Page 17: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

Spezifikation der DL TBox

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 17

𝑂𝑏𝑗𝑒𝑐𝑡 ⊑ T 𝐾𝑛𝑎𝑝𝑠𝑎𝑐𝑘 ⊑ T 𝑆𝑢𝑝𝑝𝑙𝑒𝑚𝑒𝑛𝑡 ⊑ T 𝐵𝑜𝑜𝑘 ⊑ 𝑂𝑏𝑗𝑒𝑐𝑡 𝐸𝑙𝑒𝑐𝑡𝑟𝑜𝑛𝑖𝑐𝐷𝑒𝑣𝑖𝑐𝑒 ⊑ 𝑂𝑏𝑗𝑒𝑐𝑡 𝐶𝑒𝑙𝑙𝑃𝑕𝑜𝑛𝑒 ⊑ 𝐸𝑙𝑒𝑐𝑡𝑟𝑜𝑛𝑖𝑐𝐷𝑒𝑣𝑖𝑐𝑒 𝑃𝑕𝑜𝑡𝑜 ⊑ 𝐸𝑙𝑒𝑐𝑡𝑟𝑜𝑛𝑖𝑐𝐷𝑒𝑣𝑖𝑐𝑒 𝑀𝑃3𝑃𝑙𝑎𝑦𝑒𝑟 ⊑ 𝐸𝑙𝑒𝑐𝑡𝑟𝑜𝑛𝑖𝑐𝐷𝑒𝑣𝑖𝑐𝑒 𝑀𝑢𝑠𝑖𝑐𝑎𝑙𝐼𝑛𝑠𝑡𝑟𝑢𝑚𝑒𝑛𝑡 ⊑ 𝑂𝑏𝑗𝑒𝑐𝑡 𝐶𝑜𝑚𝑝𝑢𝑡𝑒𝑟 ⊑ 𝐸𝑙𝑒𝑐𝑡𝑟𝑜𝑛𝑖𝑐𝐷𝑒𝑣𝑖𝑐𝑒 𝑁𝑜𝑡𝑒𝑏𝑜𝑜𝑘 ⊑ 𝐸𝑙𝑒𝑐𝑡𝑟𝑜𝑛𝑖𝑐𝐷𝑒𝑣𝑖𝑐𝑒 𝐽𝑒𝑤𝑒𝑙𝑙𝑒𝑟𝑦 ⊑ 𝑂𝑏𝑗𝑒𝑐𝑡 𝑁𝑒𝑐𝑘𝑙𝑎𝑐𝑒 ⊑ 𝐽𝑒𝑤𝑒𝑙𝑙𝑒𝑟𝑦 𝐸𝑎𝑟𝑟𝑖𝑛𝑔 ⊑ 𝐽𝑒𝑤𝑒𝑙𝑙𝑒𝑟𝑦 𝐵𝑟𝑎𝑐𝑒𝑙𝑒𝑡 ⊑ 𝐽𝑒𝑤𝑒𝑙𝑙𝑒𝑟𝑦 𝐶𝑕𝑎𝑟𝑚 ⊑ 𝐽𝑒𝑤𝑒𝑙𝑙𝑒𝑟𝑦

≥ 1 𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 ⊑ 𝑂𝑏𝑗𝑒𝑐t ≥ 1 𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 ⊑ 𝑂𝑏𝑗𝑒𝑐t ≥ 1 𝑕𝑎𝑠𝐶𝑎𝑝𝑎𝑐𝑖𝑡𝑦 ⊑ 𝐾𝑛𝑎𝑝𝑠𝑎𝑐𝑘 ≥ 0 𝑕𝑎𝑠𝑆𝑢𝑝 ⊑ 𝑂𝑏𝑗𝑒𝑐𝑡 ≥ 1 𝑕𝑎𝑠𝑆𝑉𝑎𝑙𝑢𝑒 ⊑ 𝑆𝑢𝑝𝑝𝑙𝑒𝑚𝑒𝑛𝑡 ≥ 1 𝑖𝑛𝐾 ⊑ 𝑂𝑏𝑗𝑒𝑐t ≥ 0 𝑖𝑛𝐶 ⊑ 𝑂𝑏𝑗𝑒𝑐t T ⊑ ∀ 𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒. 𝐷𝑜𝑢𝑏𝑙𝑒 T ⊑ ∀ 𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡. 𝐷𝑜𝑢𝑏𝑙𝑒 T ⊑ ∀ 𝑕𝑎𝑠𝐶𝑎𝑝𝑎𝑐𝑖𝑡𝑦. 𝐷𝑜𝑢𝑏𝑙𝑒 T ⊑ ∀ 𝑖𝑛𝐾. 𝐾𝑛𝑎𝑝𝑠𝑎𝑐𝑘 T ⊑ ∀ 𝑖𝑛𝐶. 𝑂𝑏𝑗𝑒𝑐𝑡 T ⊑ ∀ 𝑕𝑎𝑠𝑆𝑢𝑝. 𝑆𝑢𝑝𝑝𝑙𝑒𝑚𝑒𝑛𝑡 T ⊑ ∀ 𝑕𝑎𝑠𝑆𝑉𝑎𝑙𝑢𝑒. 𝐷𝑜𝑢𝑏𝑙𝑒 T ⊑ ≤ 1 𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 T ⊑ ≤ 1 𝑕𝑎𝑠𝑆𝑉𝑎𝑙𝑢𝑒 T ⊑ ≤ 1 𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 T ⊑ ≤ 1 𝑕𝑎𝑠𝐶𝑎𝑝𝑎𝑐𝑖𝑡𝑦 T ⊑ ≤ 1 𝑖𝑛𝐾

T ⊑ ≤ 1 𝑕𝑎𝑠𝑆𝑢𝑝 𝑖𝑛𝐶 ≡ 𝑖𝑛𝐶−

• TBox

Spezifikation

• Siehe zur

Formalisierung

Baader et al.

(2003)

• Komplexität der

DL:𝒜ℒℋℐℱ 𝐷

Page 18: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

Spezifikation der DL ABox

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 18

𝐾𝑛𝑎𝑝𝑠𝑎𝑐𝑘 𝐾1

𝐵𝑜𝑜𝑘 𝐷𝐿

𝐵𝑜𝑜𝑘 𝑆𝑜𝑓𝑡𝑤𝑎𝑟𝑒

𝐸𝑎𝑟𝑟𝑖𝑛𝑔 𝑊𝐷𝑖𝑎𝑚𝑜𝑛𝑑

𝐵𝑟𝑎𝑐𝑒𝑙𝑒𝑡 𝑇𝑖𝑡𝑎𝑛𝐴

𝐶𝑕𝑎𝑟𝑚(𝐼𝑡𝑎𝑙𝑖𝑎𝑛𝐻) 𝑅𝑖𝑛𝑔 𝐾𝐷𝑖𝑎𝑚𝑜𝑛𝑑

𝑁𝑜𝑡𝑒𝑏𝑜𝑜𝑘 𝐸𝐸𝑃𝐶

𝑃𝑕𝑜𝑡𝑜(𝑃𝑕𝑜𝑡𝑜𝐴) 𝑆𝑢𝑝𝑝𝑙𝑒𝑚𝑒𝑛𝑡(𝑆1)

𝑕𝑎𝑠𝐶𝑎𝑝𝑎𝑐𝑖𝑡𝑦 𝐾1,720

𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝐷𝐿, 70

𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝑆𝑜𝑓𝑡𝑤𝑎𝑟𝑒, 80

𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒(𝑇𝑖𝑡𝑎𝑛𝐴, 10) 𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝐼𝑡𝑎𝑙𝑖𝑎𝑛𝐻, 20

𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝐾𝐷𝑖𝑎𝑚𝑜𝑛𝑑, 10

𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝐸𝐸𝑃𝐶, 1000

𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝑃𝑕𝑜𝑡𝑜𝐴, 150

𝑖𝑛𝐶 𝑊𝐷𝑖𝑎𝑚𝑜𝑛𝑑, 𝐾𝐷𝑖𝑎𝑚𝑜𝑛𝑑

𝑖𝑛𝐶 𝑇𝑖𝑡𝑎𝑛𝐴, 𝐼𝑡𝑎𝑙𝑖𝑎𝑛𝐻

𝑕𝑎𝑠𝑆𝑢𝑝 𝑇𝑖𝑡𝑎𝑛𝐴, 𝑆1

𝑕𝑎𝑠𝑆𝑢𝑝 𝐼𝑡𝑎𝑙𝑖𝑎𝑛𝐻, 𝑆1

𝑕𝑎𝑠𝑆𝑢𝑝 𝑊𝐷𝑖𝑎𝑚𝑜𝑛𝑑, 𝑆1

𝑕𝑎𝑠𝑆𝑢𝑝 𝐾𝐷𝑖𝑎𝑚𝑜𝑛𝑑, 𝑆1

𝑕𝑎𝑠𝑆𝑉𝑎𝑙𝑢𝑒 𝑆1,60

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝐷𝐿, 200

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝑆𝑜𝑓𝑡𝑤𝑎𝑟𝑒, 150

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝑊𝐷𝑖𝑎𝑚𝑜𝑛𝑑, 50

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝑇𝑖𝑡𝑎𝑛𝐴, 20

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝐼𝑡𝑎𝑙𝑖𝑎𝑛𝐻, 50

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝐾𝐷𝑖𝑎𝑚𝑜𝑛𝑑, 50

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝐸𝐸𝑃𝐶, 500

𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝑃𝑕𝑜𝑡𝑜𝐴, 200

• ABox spezifiziert die

Instanzen der

Konzepte und

Eigenschaften

Page 19: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

Abfragen

• Konjunktive Abfrage

𝑥1, 𝑥2, … , 𝑥𝑘 . ∃ 𝑥𝑘+1, … , 𝑥𝑚 . 𝐴1, … , 𝐴𝑟

• Beispielabfrage 1

𝑣𝑜1 . ∃ 𝑜1 . 𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝑜1, 𝑣𝑜1

– Ergebnis: 70,80,50, …

• Beispielabfrage 2

∃ 𝑜1, 𝑜2, 𝑘1 . 𝑖𝑛𝐶 𝑜1, 𝑜2 ∧ 𝑖𝑛𝐾 𝑜1, 𝑘1

– Ergebnis: 𝐹𝐴𝐿𝑆𝐸

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 19

Page 20: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

Regeln

• Zusätzliche Regeln können weitere implizite Informationen

verfügbar machen, insofern die Inferenzmaschine die Regeln

verarbeiten kann

• Beispiel:

𝐽𝑒𝑤𝑒𝑙𝑙𝑒𝑟𝑦 𝑗 , 𝐽𝑒𝑤𝑒𝑙𝑙𝑒𝑟𝑦 𝑧 ⟶ 𝑖𝑛𝐶 𝑗, 𝑧

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 20

Page 21: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

Standard Programm

• Relationales Rucksackproblem mit einer Beziehung

maximiere 𝑣𝑖𝑥𝑖

𝑛

𝑖=1

+ 𝑥𝑖𝑥𝑗𝑐𝑖𝑗𝑣𝑖𝑗

𝑛

𝑗=1

𝑛

𝑖=1

𝑤𝑖𝑥𝑖 ≤ 𝑊

𝑛

𝑖=1

𝑥𝑖 ∈ 0,1

• Dieses quadratische Problem kann mit CPLEX etc. gelöst werden.

• Allerdings würde diese Modellierung keine logische Inferenz begünstigen.

• Was passiert bei noch mehr vorhandenen logischen Bedingungen u.U. auch in den Nebenbedingungen?

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 21

Page 22: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

DL-Programm • Anheben der Repräsentation von Variablen zu DL-Sprachelementen

maximiere 𝑣𝑜1 . 𝑕𝑎𝑠𝑉𝑎𝑙𝑢𝑒 𝑜1, 𝑣𝑜1 ∧ 𝑖𝑛𝐾 𝑜1, "K1"

𝑜1

+ 𝑣 .∃ 𝑎 . 𝑖𝑛𝐶 𝑜1, 𝑜2 ∧ 𝑖𝑛𝐾 𝑜1, "𝐾1" ∧ 𝑖𝑛𝐾 𝑜2, "𝐾1"

𝑜2𝑜1∧ 𝑕𝑎𝑠𝑆𝑢𝑝 𝑜1, 𝑎 ∧ 𝑕𝑎𝑠𝑆𝑢𝑝 𝑜2, 𝑎 ∧ 𝑕𝑎𝑠𝑆𝑉𝑎𝑙𝑢𝑒 𝑎, 𝑣

𝑤 . 𝑕𝑎𝑠𝑊𝑒𝑖𝑔𝑕𝑡 𝑜1, 𝑤 ∧ 𝑖𝑛𝐾 𝑜1, "𝐾1"

𝑜1

≤ 𝑐 . 𝑕𝑎𝑠𝐶𝑎𝑝𝑎𝑐𝑖𝑡𝑦 "K1", 𝑐

𝑜1, 𝑜2 ∈ 𝑂𝑏𝑗𝑒𝑐𝑡

𝐾𝐵 = 𝑇𝐵𝑜𝑥, 𝐴𝐵𝑜𝑥 + 𝑅𝑢𝑙𝑒𝑠

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 22

Page 23: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

Evolutionärer Algorithmus

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 23

Page 24: Entscheidungsunterstützung im Semantic Web

Anwendung: Relationales Rucksackproblem

Ergebnisse • Evaluation auf dem künstlichen Problem war erfolgreich.

• Algorithmus konnte das Problem in Durchläufen mit verschiedenen Seed-Werten immer lösen.

• DL-Problemspezifizierung erleichtert die Modellierung für Lösungsmethoden mit logischer Inferenz

• Einfachere Definition von komplexen Bewertungsfunktionen mit integrierter logischer Inferenz

• Standard Lösungsverfahren z.B. Genetische Algorithmen können auf die Anforderungen angepasst werden

• Vorstellung des Ansatzes auf der International Conference for Operations Research (2010) sowie Publikation in den Post Conference Proceedings (Fischer & Ruhland, 2011).

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 24

Page 25: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

• Wie funktioniert der Ansatz auf einem komplexen Problem aus der Praxis?

• Assembly Line Balancing (ALB) bietet sich als Testproblem an – ALB basiert auf:

• Vorranggraph von Aufgaben, serieller Produktionslinie, Stationen haben gleiche Ressourcen

• Taktzeit Restriktion

– GALB Problem mit Zuweisungsrestriktionen: • Verlinkte Aufgaben, inkompatible Aufgaben, Stationstypen + Restriktionen, Ressourcen

Restriktionen

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 25

Page 26: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Lösungsmethoden

• Übersicht über die Klassifikation und Lösungsmethoden von

verschieden ALB Problemausprägungen (Becker & Scholl,

2006)

• Referenzdatensatz für das GALB von Scholl et al. (2010)

– Betrachtung von 268 ALB Problemen in 6 verschiedenen Varianten

(siehe Evaluation)

• Transformation und Import der Daten auf Basis eines

Generators in einen RDF Triple Store

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 26

Page 27: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Aufbau des EUS

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 27

Page 28: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Spezifikation der DL TBox 𝒜ℒℐℱ(𝐷)

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 28

𝑃𝑟𝑜𝑏𝑙𝑒𝑚 ⊑ T 𝑆𝑡𝑎𝑡𝑖𝑜𝑛 ⊑ T 𝑇𝑎𝑠𝑘 ⊑ T 𝐺𝐴𝐿𝐵 ⊑ 𝑃𝑟𝑜𝑏𝑙𝑒𝑚

≥ 0 𝑕𝑎𝑠𝐿𝑖𝑛𝑘𝑇𝑜 ⊑ 𝑇𝑎𝑠𝑘 ≥ 0 𝑕𝑎𝑠𝑃𝑟𝑒𝑑𝑒𝑐𝑒𝑠𝑠𝑜𝑟 ⊑ 𝑇𝑎𝑠𝑘 ≥ 0 𝑕𝑎𝑠𝑆𝑢𝑐𝑐𝑒𝑠𝑠𝑜𝑟 ⊑ 𝑇𝑎𝑠𝑘 ≥ 0 𝑕𝑎𝑠𝑇𝑎𝑠𝑘 ⊑ 𝑃𝑟𝑜𝑏𝑙𝑒𝑚

≥ 0 𝑖𝑠𝐴𝑠𝑠𝑖𝑔𝑛𝑒𝑑𝑇𝑜 ⊑ 𝑇𝑎𝑠𝑘 ≥ 0 𝑖𝑠𝐸𝑥𝑐𝑙𝑢𝑑𝑒𝑑𝐹𝑟𝑜𝑚 ⊑ 𝑇𝑎𝑠𝑘 ≥ 0 𝑖𝑠𝐹𝑖𝑥𝑒𝑑𝑇𝑜 ⊑ 𝑇𝑎𝑠𝑘 ≥ 0 𝑖𝑠𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒𝑇𝑜 ⊑ 𝑇𝑎𝑠𝑘 ≥ 0 𝑝𝑒𝑟𝑓𝑜𝑟𝑚𝑠𝑇𝑎𝑠𝑘 ⊑ 𝑆𝑡𝑎𝑡𝑖𝑜𝑛 ≥ 1 𝑐𝑦𝑐𝑙𝑒𝑇𝑖𝑚𝑒 ⊑ 𝑃𝑟𝑜𝑏𝑙𝑒𝑚

≥ 1 𝑕𝑎𝑠𝐶𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛 ⊑ 𝑃𝑟𝑜𝑏𝑙𝑒𝑚

≥ 1 𝑕𝑎𝑠𝐼𝐷 ⊑ 𝑇𝑎𝑠𝑘 ≥ 1 𝑕𝑎𝑠𝑁𝑎𝑚𝑒 ⊑ 𝑃𝑟𝑜𝑏𝑙𝑒𝑚

≥ 1 𝑕𝑎𝑠𝑃𝐼𝐷 ⊑ 𝑃𝑟𝑜𝑏𝑙𝑒𝑚

≥ 0 𝑕𝑎𝑠𝑂𝑝𝑡𝑖𝑚𝑢𝑚 ⊑ 𝑃𝑟𝑜𝑏𝑙𝑒𝑚

≥ 0 𝑕𝑎𝑠𝑇𝑎𝑠𝑘𝑇𝑖𝑚𝑒 ⊑ 𝑇𝑎𝑠𝑘 T ⊑ ∀ 𝑕𝑎𝑠𝐿𝑖𝑛𝑘𝑇𝑜. 𝑇𝑎𝑠𝑘 T ⊑ ∀ 𝑕𝑎𝑠𝑃𝑟𝑒𝑑𝑒𝑐𝑒𝑠𝑠𝑜𝑟. 𝑇𝑎𝑠𝑘 T ⊑ ∀ 𝑕𝑎𝑆𝑢𝑐𝑐𝑒𝑠𝑠𝑜𝑟. 𝑇𝑎𝑠𝑘 T ⊑ ∀ 𝑕𝑎𝑠𝑇𝑎𝑠𝑘. 𝑇𝑎𝑠𝑘 T ⊑ ∀ 𝑖𝑠𝐴𝑠𝑠𝑖𝑔𝑛𝑒𝑑𝑇𝑜. 𝑆𝑡𝑎𝑡𝑖𝑜𝑛 T ⊑ ∀ 𝑖𝑠𝐸𝑥𝑐𝑙𝑢𝑑𝑒𝑑𝐹𝑟𝑜𝑚. 𝑆𝑡𝑎𝑡𝑖𝑜𝑛 T ⊑ ∀ 𝑖𝑠𝐹𝑖𝑥𝑒𝑑𝑇𝑜. 𝑆𝑡𝑎𝑡𝑖𝑜𝑛 T ⊑ ∀ 𝑖𝑠𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒𝑇𝑜. 𝑇𝑎𝑠𝑘 T ⊑ ∀ 𝑝𝑒𝑟𝑓𝑜𝑟𝑚𝑠𝑇𝑎𝑠𝑘. 𝑇𝑎𝑠𝑘 T ⊑ ∀ 𝑐𝑦𝑐𝑙𝑒𝑇𝑖𝑚𝑒. 𝐼𝑛𝑡𝑒𝑔𝑒𝑟 T ⊑ ∀ 𝑕𝑎𝑠𝐶𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛. 𝑆𝑡𝑟𝑖𝑛𝑔 T ⊑ ∀ 𝑕𝑎𝑠𝐼𝐷. 𝑆𝑡𝑟𝑖𝑛𝑔 T ⊑ ∀ 𝑕𝑎𝑠𝑁𝑎𝑚𝑒. 𝑆𝑡𝑟𝑖𝑛𝑔 T ⊑ ∀ 𝑕𝑎𝑠𝑃𝐼𝐷. 𝑆𝑡𝑟𝑖𝑛𝑔 T ⊑ ∀ 𝑕𝑎𝑠𝑂𝑝𝑡𝑖𝑚𝑢𝑚. 𝐼𝑛𝑡𝑒𝑔𝑒𝑟 T ⊑ ∀ 𝑕𝑎𝑠𝑁𝑎𝑚𝑒. 𝑆𝑡𝑟𝑖𝑛𝑔

T ⊑ ≤ 1𝑖𝑠𝐴𝑠𝑠𝑖𝑔𝑛𝑒𝑑𝑇𝑜 T ⊑ ≤ 1 𝑖𝑠𝐹𝑖𝑥𝑒𝑑𝑇𝑜 T ⊑ ≤ 1 𝑐𝑦𝑐𝑙𝑒𝑇𝑖𝑚𝑒 T ⊑ ≤ 1 𝑕𝑎𝑠𝐶𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛 T ⊑ ≤ 1 𝑕𝑎𝑠𝐼𝐷

T ⊑ ≤ 1 𝑕𝑎𝑠𝑃𝐼𝐷

T ⊑ ≤ 1 𝑕𝑎𝑠𝑂𝑝𝑡𝑖𝑚𝑢𝑚

𝑖𝑠𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒𝑇𝑜 ≡𝑖𝑠𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒𝑇𝑜−

𝑕𝑎𝑠𝐿𝑖𝑛𝑘𝑇𝑜 ≡ 𝑕𝑎𝑠𝐿𝑖𝑛𝑘𝑇𝑜−

𝑕𝑎𝑠𝑃𝑟𝑒𝑑𝑒𝑐𝑒𝑠𝑠𝑜𝑟+ 𝑕𝑎𝑠𝑆𝑢𝑐𝑐𝑒𝑠𝑠𝑜𝑟+

Page 29: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Regelspezifikation • Inferenz mit Regeln

basieren auf dem

Jena

GenericRuleReasoner

• Regel P1:

[P1: (?p rdf:type opt:GALP)

(?p opt:cycleTime ?c)

(?t1 rdf:type opt:Task)

(?t2 rdf:type opt:Task)

(?t1 opt:hasTaskTime ?time1)

(?t2 opt:hasTaskTime ?time2)

sum(?time1,?time2,?newTime)

greaterThan(?newTime, ?c)

noValue(?t1 opt:isIncompatibleTo ?t2)

notEqual(?t1,?t2)

->

(?t1 opt:isIncompatibleTo ?t2)]

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 29

Page 30: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Regelspezifikation

[P2: (?t1 opt:hasSuccessor ?t2)

(?t2 opt:hasSuccessor ?t3)

(?t1 opt:hasSuccessor ?t3)

(?t1 opt:isIncompatibleTo ?t2)

notEqual(?t1,?t2)

notEqual(?t2,?t3)

notEqual(?t1,?t3)

noValue(?t1 opt:isIncompatibleTo ?t3)

->

(?t1 opt:isIncompatibleTo ?t3)]

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 30

Page 31: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Regelspezifikation

[P3: (T1 opt:isFixedTo M1)

(T2 opt:isFixedTo M2)

notEqual(M1,M2)

->

(T1 isIncompatibelTo T2)]

• Erkenntnis: Restriktionen des GALB lassen sich in Inkompatibilitätsrestriktionen logisch umwandeln, während diese in Standardmodellierungen als verschiedene Restriktionen behandelt werden

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 31

Page 32: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Implementierte Lösungsalgorithmen

• Vorverarbeitung bzw. Extraktion von Informationen mit vordefinierten SPARQL Queries PREFIX opt: <http://www.semanticweb.org/ontologies/2011/0/OntologyALB.owl#>

PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>

SELECT ?problem ?optimum

WHERE { ?problem rdf:type opt:GALP .

?problem opt:hasOptimum ?optimum . }

PREFIX opt: <http://www.semanticweb.org/ontologies/2011/0/OntologyALB.owl#>

PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>

SELECT ?id ?sucid

WHERE { ?task rdf:type opt:Task . ?task opt:hasID ?id .

OPTIONAL { ?task opt:hasSuccessor ?sucTask .

?sucTask opt:hasID ?sucid . }}

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 32

Page 33: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Evaluation

Zeile IR ABSALOM AVALANCHE FIS-PR-OR FIS-PR-MR FIS-GA-OR FIS-GA-MR

KG-

MR

KG-

OR

rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) opt rel.Abw.(%) Opt

0 0 0.05 263 2.19 162 3.7 136 4.54 120 3.24 128 3.34 126 6.17 4.57

1 2 0.22 262 3.85 135 3.8 136 4.92 114 N/A N/A N/A N/A 6.89 4.75

2 5 0.41 257 6.29 115 4.2 127 5.64 105 N/A N/A N/A N/A 8.90 6.18

3 7 0.44 254 8.28 97 5.0 120 6.56 87 N/A N/A N/A N/A 10.22 6.95

4 10 0.76 246 11.05 94 6.0 106 7.51 78 N/A N/A N/A N/A 12.25 9.12

5 20 1.37 231 19.27 79 9.7 78 12.60 50 N/A N/A N/A N/A 19.81 15.12

• Vergleichsdaten entnommen aus Scholl et al. (2010) (gleiche Ausgangsdaten)

• ABSALOM – Branch & Bound Verfahren

• AVALANCHE – Ameisenalgorithmus

• FIS-PR-OR – Prioritätsregel mit OWL DL Inferenz, aber ohne Regeln

• FIS-PR-MR - Prioritätsregel mit OWL DL Inferenz und Regeln

• FIS-GA-OR – Genetischer Algorithmus mit OWL DL Inferenz, aber ohne Regeln

• FIS-GA-MR – Genetischer Algorithmus mit OWL DL Inferenz und Regeln

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 33

Page 34: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Erkenntnisse

• SALB und GALB besitzen in den meisten Fällen implizite

Inkompatibilitätsrestriktionen zwischen Aufgaben, die eigentlich bisher

nur das Merkmal von GALB definiert wurden.

• Weitere Restriktionen können durch logische Regeln in

Inkompatibilitätsrestriktionen umgeformt werden.

IR Ausgangsdaten OR MR 0 0 0 222398 2 39093 78186 296100 5 95565 191416 404308 7 132694 265388 473982

10 190529 381058 582740 20 379451 759966 940886

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 34

Page 35: Entscheidungsunterstützung im Semantic Web

Anwendung: Assembly Line Balancing

Erkenntnisse • Logikbasierte Kandidatengenerierung mit anschließender Prioritätsregel ist

schneller und bietet z.T. bessere Ergebnisse als aktuell vorhandene GALP Heuristiken NP harte Optimierungsprobleme können von integrierter logischer Inferenz profitieren

• Die Ableitung von impliziten logischen Informationen führt aber nicht zwingend zu einem besseren Optimierungsergebnis, hierzu sind weitere Analysen notwendig. Zwar findet eine Einschränkung des Suchraumes statt, aber die implementierten Algorithmen müssen dies auch nutzen können.

• SPARQL Abfragen ohne Inferenz sind auf Tripel Datenbanken performant

• SPARQL-DL Abfragen mit Inferenz sind performant solange Subgraphen im Hauptspeicher gehalten werden können.

• Schichtung von Inferenzmaschinen kann schnell zu Laufzeitproblemen führen

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 35

Page 36: Entscheidungsunterstützung im Semantic Web

Zusammenfassung

• Während in den letzten Jahren eine intensive Forschung zur weiteren Entwicklung des Semantic Web stattgefunden hat, ist die direkte Integration und Nutzung dieser Informationen in der Entscheidungsunterstützung nur teilweise durch Forschung adressiert

• Welchen Beitrag leistet die Arbeit? – Die Arbeit gibt eine Übersicht über Architekturen von Ontologie-basierten

Entscheidungsunterstützungssystemen

– Die Arbeit analysiert Vor- und Nachteile der Integration in Bezug auf:

• Promblemlösungsfähigkeit

• Zeitkomplexität

• Vereinfachte Modellierung

– Die Arbeit zeigt konkrete praktische Lösungsmöglichkeiten in verschiedenen Anwendungsgebieten auf Methodische Weiterentwicklung

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 36

Page 37: Entscheidungsunterstützung im Semantic Web

Literaturverzeichnis

Abanda, H., Ng’ombe, A., Tah, J. H. M., & Keivani, R. (2011). An ontology-driven decision support system for land delivery in Zambia. Expert Systems with Applications,

38(9), 10896-10905. Elsevier Ltd. doi: 10.1016/j.eswa.2011.02.130.

Baader, F., Calvanese, D., McGuinness, D. L., Nardi, D. & Patel-Schneider, P. F., editors (2003). The Description Logic Handbook: Theory, Implementation, and

Applications. Cambridge University Press, first edition.

Berendt, B., Hotho, A., & Stumme, G. (2002). Towards Semantic Web Mining. In Horrocks, I. and Hendler, J. A., editors, The Semantic Web -ISWC 2002, First

International Semantic Web Conference, Sardinia, Italy, June 9-12, 2002, Proceedings, volume 2342 of Lecture Notes in Computer Science, pages 264–278. Springer.

Bolloju, N. (2002). Integrating knowledge management into enterprise environments for the next generation decision support. Decision Support Systems, 33(2), 163-176.

doi: 10.1016/S0167-9236(01)00142-7.

Bracke, M. (2004). Decision support system with semantic model to assess the risk of tail biting in pigs1. Modelling. Applied Animal Behaviour Science, 87(1-2), 31-44.

doi: 10.1016/j.applanim.2003.12.005.

Brickley, D., Guha, R., & McBride, B. (2004). RDF Vocabulary Description Language 1.0: RDF Schema. Webpage.

Chang, a. (1993). Model management issues and directions. Decision Support Systems, 9(1), 19-37. doi: 10.1016/0167-9236(93)90020-4.

Dzeroski, S. (2003). Multi-relational Data Mining: An Introduction. SIGKDD Explorations, 5(1):1–16.

Dzeroski, S. (2006). Inductive Logic Programming in a Nutshell. In Lise Getoor and Ben Taskar, editors, Introduction to Statistical Relational Learning (Adaptive

Computation and Machine Learning). The MIT Press.

Dzeroski, S. & Lavrac, N., editors (2001). Relational Data Mining. Springer, 1 edition.

Dargam, F. (1998). A decision support system for power plant design. European Journal of Operational Research, 109(2), 310-320. doi: 10.1016/S0377-2217(98)00059-9.

Edelmann, W. (2000). Lernpsychologie. Kösel-Verlag, Verlagsgruppe Beltz, 6 edition.

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 37

Page 38: Entscheidungsunterstützung im Semantic Web

Literaturverzeichnis

Fanizzi, N., d’Amato, C. & Esposito, F. (2008). Conceptual clustering and its application to concept drift and novelty detection. In Bechhofer, S.,

Hauswirth, M., Hoffmann, J., and Koubarakis, M., editors, The Semantic Web: Research and Applications, 5th European Semantic Web Conference,

ESWC 2008, Tenerife, Canary Islands, Spain, June 1-5, 2008, Proceedings, volume 5021 of Lecture Notes in Computer Science, pages 318–332.

Springer.

Fedorowicz, J., & Williams, G. B. (1986). Representing modeling knowledge in an intelligent decision support system. Decision Support Systems, 2(1), 3-

14. doi: 10.1016/0167-9236(86)90116-8.

Fischer, T. and Ruhland, J. (2011). A Genetic Algorithm for Optimization of a Relational Knapsack Problem with Respect to a Description Logic

Knowledge Base. In Hu, B., Morasch, K., Pickl, S., Siegle, M., editors, Operations Research Proceedings 2010. Springer Berlin Heidelberg.

Friedman, N., Getoor, L., Koller, D. & Pfeffer, A. (1999). Learning probabilistic relational models. In IJCAI, pages 1300-1309. Morgan Kaufmann.

Getoor, L. & Taskar, B. (2007). Introduction to Statistical Relational Learning. (Adaptive Computation and Machine Learning). The MIT Press.

Grimnes, G. A., Edwards, P. & Preece, A. D. (2008). Instance based clustering of semantic web resources. In Bechhofer, S., Hauswirth, M., Hoffmann, J.,

and Koubarakis, M., editors, The Semantic Web: Research and Applications, 5th European Semantic Web Conference, ESWC 2008, Tenerife, Canary

Islands, Spain, June 1-5, 2008, Proceedings, volume 5021 of Lecture Notes in Computer Science, pages 303–317. Springer.

Gruber, T. R. (1993). Toward principles for the design of ontologies used for knowledge sharing. In Guarino, N., Poli, R., Publishers, K. A., Substantial, I.

P., and Gruber, T. R., editors, In Formal Ontology in Conceptual Analysis and Knowledge Representation, Kluwer Academic Publishers, in press.

Substantial revision of paper presented at the International Workshop on Formal Ontology.

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 38

Page 39: Entscheidungsunterstützung im Semantic Web

Literaturverzeichnis

Jung, J. (2009). Towards open decision support systems based on semantic focused crawling. Expert Systems with Applications, 36(2), 3914-3922. Elsevier Ltd. doi: 10.1016/j.eswa.2008.02.057.

Klyne, G., Carroll, J. J., & McBride, B. (2004). RDF Primer. Webpage.

Kim, H.-J., Kim, W., & Lee, M. (2009). Semantic Web Constraint Language and its application to an intelligent shopping agent. Decision Support Systems, 46(4), 882-894. Elsevier B.V. doi: 10.1016/j.dss.2008.12.004.

Knobbe, A. (2006). Multi-Relational Data Mining: Volume 145 Frontiers in Artificial Intelligence and Applications. IOS Press.

Kosaka, T., & Hirouchi, T. (1982). An effective architecture for decision support systems. Information & Management, 5(1), 7–17. Elsevier. Retrieved July 12, 2011, from http://linkinghub.elsevier.com/retrieve/pii/0378720682900143.

Maedche, A. & Zacharias, V. (2002). Clustering Ontology-Based Metadata in the Semantic Web. In (Elomaa et al., 2002]) pages 348–360.

Neville, J. & Jensen, D. (2007). Relational Dependency Networks. In Lise Getoor and Ben Taskar, editors, Introduction to Statistical Relational Learning (Adaptive Computation and Machine Learning). The MIT Press.

Raedt, L. D. (2008). Logical and Relational Learning (Cognitive Technologies). Springer, 1 edition.

Becker, C., & Scholl, a. (2006). A survey on problems and methods in generalized assembly line balancing. European Journal of Operational Research, 168(3), 694-715. doi: 10.1016/j.ejor.2004.07.023.

Scholl, A., Fliedner, M., & Boysen, N. (2010). Absalom: Balancing assembly lines with assignment restrictions. European Journal of Operational Research, 200(3), 688-701. Elsevier B.V. doi: 10.1016/j.ejor.2009.01.049.

Singh, M. P. & Huhns, M. N. (2005). Service-Oriented Computing: Semantics, Processes, Agents. Wiley, 1 edition.

Smith, M. K., Welty, C., & McGuinness, D. L. (2004). OWL Web Ontology Language Guide. Webpage.

Stumme, G., Hotho, A. & Berendt, B. (2006). Semantic Web Mining -State of the Art and Future Directions. Journal of Web Semantics, 4(2):124–143.

Tresp, V., Bundschus, M., Rettinger, A. & Huang, Y. (2008). Towards Machine Learning on the Semantic Web. In Uncertainty Reasoning for the Semantic Web I, ISWC International Workshops, URSW 2005-2007, Revised Selected and Invited Papers, volume 5327 of Lecture Notes in Computer Science, pages 282–314. Springer.

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 39

Page 40: Entscheidungsunterstützung im Semantic Web

Ende

Entscheidungsunterstützung im Semantic Web | Thomas Fischer | 14. Interuniversitäres Doktorandenseminar Wirtschaftsinformatik 40