Overview of rule inference algorithms for structured rule bases

• Autorzy: Bobek S. , Kaczor K. , Nalepa G.

Warianty tytułu

PL

Przegląd algorytmów wnioskowania dla ustrukturyzowanych baz wiedzy

• Języki publikacji: EN

Abstrakty

EN

Building rule-based expert systems requires creating a rule base, as well as providing an effective inference mechanism. This paper briefly discusses a well-established rule inference algorithm called Rete, as well as more recent ones called TREAT and Gator. Since large rule bases often require identifying certain rule clusters, modern inference algorithms sup-port inference rule groups. In the paper, the case of the version of Drools, introducing the RuleFlow module, is presented. These solutions are contrasted with a custom rule representation method, called XTT2, which introduces explicit structure in the rule base using decision tables linked in an inference network.

PL

Podczas tworzenia systemów regułowego, oprócz zaprojektowania i zbudowania bazy wiedzy, ważnym elementem jest dostarczenie efektywnych mechanizmów inferencji. Ten artykuł pokrótce opisuje jeden z najpopularniejszych algorytmów wnioskowania o nazwie Rete, jak również dwa nowsze algorytmy TREAT i Gator. Ponieważ duże bazy wiedzy często wymagają wyodrębnienia pewnych grup reguł, współczesne algorytmy wnioskowania wspierają wnioskowanie w takiej zmodularyzowanej bazie wiedzy. W artykule omawiany jest pakiet narzędzi o nazwie Drools, wprowadzający innowacyjne podejście do modelowania systemów ekspertowych oparte o diagramy DroolsFlow. To rozwiązanie konfrontowane jest z nową reprezentacją wiedzy o nazwie XTT2, która wprowadza strukturalizacje bazy wiedzy przy pomocy tabel decyzyjnych połączonych w sieć wnioskowania.

Słowa kluczowe

EN

rule inference algorithms; rule bases

PL

algorytmy wnioskowania; baza wiedzy

• Wydawca: Wydział Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej. Technologie Informacyjne
• Rocznik: 2010
• Tom: T. 18
• Strony: 57--62
• Opis fizyczny: Bibliogr. 8 poz., tab.

Twórcy

autor

Bobek S.

autor

Kaczor K.

autor

Nalepa G.

• AGH University of Science and Technology

Bibliografia

• [1] Joseph C. Giarratano and Gary D. Riley. Expert Systems. Thomson, 2005.
• [2] B. G. Buchanan and E. H. Shortliffe, editors. Rule-Based Expert Systems. Addison-Wesley, Reading, Massachusetts, 1985.
• [3] Charles Forgy. Rete: A fast algorithm for the many patterns/many objects match problem. Artif. Intell., 19(l): 17–37, 1982.
• [4] E. Friedman-Hill. Jess in Action, Rule Based Systems in Java. Manning, 2003.
• [5] Daniel P. Miranker. TREAT: A Better Match Algorithm for AI Production Systems; Long Version. Technical Report 87–58, University of Texas, July 1987.
• [6] Eric N. Hanson and Mohammed S. Hasan. Gator: An Optimized Discrimination Network for Active Database Rule Condition Testing. Technical Report 93-036, CIS Department University of Florida, December 1993.
• [7] Grzegorz J. Nalepa and Antoni Ligęza. HeKatE methodology, hybrid engineering of intelligent systems. International Journal of Applied Mathematics and Com-puter Science, 20(l): 35–53, March 2010.
• [8] Grzegorz. J. Nalepa, Szymon Bobek, Michał Gawędzki, and Agata Ligęza. HeaRT Hybrid XTT2 rule engine design and implementation. Technical Report CSLTR 4/2009, AGH University of Science and Technology, 2009.