模糊推論機制(Fuzzy Inference Mechanism)

們從所有語意關係路徑中選出語意關係較強且不重覆的路徑，所以可以得到：

最長的語意關係路徑之長度(MSRPL) 最重的語意關係路徑之權重(MSRPW)

的路徑 2 長度為

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎦

⎤

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎣

⎡

=

0 0 1 1 0 0

0 0 1 1 0 0

1 1 0 1 0 0

1 1 1 0 0 0

0 1 1 1 0 0

2 0 1 0 0 0

' 2

IFG IGF

HIG HIF

GFI GIH GIF

FGI FIH FIG

DIH DIG DIF

CGI,CHI CGF

M

長度為1的路徑

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎦

⎤

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎣

⎡

=

0 1 1 1 0 0

1 0 0 0 0 0

1 0 0 1 0 0

1 0 1 0 0 0

1 0 0 0 0 0

0 1 1 0 0 0

' 1

IH IG IF

HI GI GF

FI FG

DI CH CG

M

的路徑 4 長度為

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎦

⎤

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎣

⎡

=

0 0 0 0 0 0

0 0 0 0 0 0

0 0 0 0 0 0

0 0 0 0 0 0

0 0 0 0 0 0

0 1 1 1 0 0

' 4

CGFIH CHIFG CHIGF

M

長度為3的路徑

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎦

⎤

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎣

⎡

=

0 0 0 0

0 0

0 0 1

1 0 0

0 1

0 0

0 0

0 1

0 0

0 0

0 0 1

1 0 0

1 1 1 2

0

0

_,

' 3

HIFG HIGF

GFIH FGIH DIFG DIGF

CGFI CGIH CHIG CHIF CGIF

M

長度為 2 的語意關係 {C,G,F}, {C,G,I}, {C,H,I}, {D,I,F}, {D,I,G},{D,I,H}, {F,I,G}, {F,I,H}, {F,G,I}, {G,I,F}, {G,I,H}, {G,F,I}, {H,I,F}, {H,I,G}, {I,G,F}, {I,F,G}

長度為 3 的語意關係 {C,G,I,F}, {C,H,I,F}, {C,H,I,G}, {C,G,I,H}, {C,G,F,I}, {D,I,G,F}, {D,I,F,G}, {F,G,I,H}, {G,F,I,H}, {H,I,G,F}, {H,I,F,G}

長度為 4 的語意關係 {C,H,I,G,F}, {C,H,I,F,G}, {C,G,F,I,H}

(MCW)、最大語意關係路徑長度(MSRPL)、最大語意關係路徑權重(MSRPW)三個 模糊變數進行文件類別判定的推論運算。

DocTerm1, DocTerm2, …, DocTerm n.

Layer5 (output similarity layer)

Layer4 (output semantic layer)

Layer3 (rule layer)

Layer2 (input semantic layer)

Layer1 (input document layer)

Chinese term set of Document Weighted Ontology

Y

_i

COA

. . . SRS

SRS SRS SRS SRS

MCW MSRPL MSRPW

Term 1, Term 2, …,Term m, Relation matrix of Term 1 …Term m.

圖 3-12 模糊推論機制[31][32][33]

在此平行推論的模糊推論機制中，包含了五個層級：input document layer

、 input semantic layer 、 rule layer 、 output semantic layer 以及 output similarity layer，在 input document layer 中，包函二種輸入集合，一是待分類的新聞文件經

過文件前處理[34]後所得到的詞彙集合，另一是由專家建置之 Domain Ontology 內的所有詞彙與詞彙之間的關係矩陣，將文件透過文件與 Weighted Ontology 的 對應與計算，在 input semantic layer 中可以得到三個模糊變數，分別為對應概念 權 重 (MCW) 、 最 大 語 意 關 係 路 徑 長 度 (MSRPL) 與 最 大 語 意 關 係 路 徑 權 重 (MSRPW)。

MCW(Mapped Concept Weight)：所有對應的 Concepts 權重值

MSRPL(Maximal Semantic Relation Path Length)：最長的語意關係路徑長度 MSRPW(Maximal Semantic Relation Path Weight)：最大的語意關係路徑權重值

假設有一篇待分類的氣象新聞(如圖 3-13)，透過文件前處理後，我們可以得

到該篇新聞詞彙的集合(如圖 3-14)，然後將待分類的新聞詞彙集合與氣象新聞 Ontology 做對應(如圖 3-14)，便可得到其對應後的 Concept 與 Concept 之間的關 係(如圖 3-16)，之後透過路徑搜尋演算法找到所有存在的語意關係，便可以求得

MCW、MSRPL、MSRPW 三種用來評估文件相似度的模糊變數。因此，圖 3-13

與氣象新聞 Ontology 對應後所得到的 MCW、MSRPL、MSRPW 三種模糊變數分 別為 6、4、2(表 3-2)。

圖 3-13 氣象新聞 明日天氣概況：

東部地區多雲陰有雨，中部地區受颱風外圍環流影響，中央氣象局 對中南部發佈豪雨特報，請山區民眾嚴防土石流災害。

圖 3-14 將新聞文件透過文件前處理後得到的詞彙集合 明日(Nd) 天氣(Na) 概況(Na) ： 東部(Ncd) 地區(Nc) 多 (Neqa) 雲(Na) 陰(Na) 有(V_2) 雨(Na) ，中部(Ncd) 地區 (Nc) 受(P) 颱風(Na) 外圍(Nc) 環流(Na) 影響(VC) ， 中央氣象局(Nc) 對中(VJ) 南部(Ncd) 發佈(VE) 豪雨(Na) 特報(VC) ， 請(VF) 山區(Nc) 民眾(Na) 嚴防(VE) 土石流 (Na) 災害(Na) 。

0.5 自然氣侯 氣壓

0.7

0.5 雲 0.8

氣象局

0.7 颱風

1

0.8 0.8

0.2

0.7 0.6 0.3

特報 0.2 0.2

0.9 0.8

災害 0.3

天氣

0.7 0.6

0.6

0.6 氣象新聞

圖 3-15 氣象 Weighted Ontology

圖 3-16 對應後的關係圖

表 3-2 新聞與氣象 Ontology 對應後所得到的對應關係

模糊變數 對應的 Concept 值

MCW 氣象局，災害、天氣、特報、颱風、雲 3

MSRPL 氣象局→特報→颱風→雲→天氣 4

特報 0.2

天氣 0.6 氣象局

0.8

災害 0.3

颱風 0.7

雲 0.4 0.3

0.2 0.6

0.7 0.6

MSRPW 災害→颱風→雲→天氣 1.9

在 rule layer 層級中，我們制定了 27 條推論規則，用來推算 MCW

、 MSRPL 、 MSRPW 三個模糊變數所對應得到之 Matching degree，利用正規化運算得到輸出

的模糊變數 SRS(Semantic Relation Strength) 值，並依據重心法計算得到每一條規 則推導之重心值(Center of Area, COA )，最後再做加權平均計算出每一詞組的語 意關聯強度值。表 3-3 顯示預先定義之 27 條推論規則，圖 3-17 為輸出模糊變數

SRS 之模糊集合。

表 3-3 FIA 之推論規則

Fuzzy Variables

Rules

MCW MSRPL MSRPW SRS

1 L L L VL

2 L L M L

3 L L H L

4 L M L L

5 L M M L

6 L M H M

7 L H L L

8 L H M M

9 L H H H

10 M L L L

11 M L M L

12 M L H M

13 M M L L

14 M M M M

15 M M H H

16 M H L M

17 M H M H

18 M H H H

19 H L L L

20 H L M M

21 H L H H

22 H M L M

23 H M M H

24 H M H H

25 H H L H

26 H H M H

27 H H H VH

VL: Very Low L: Low M: Medium H: High VH: Very High

Membership Degree

0 1

SRS_Very Low SRS_Low SRS_Medium SRS_High SRS_Very High

α

² SRS

2 SRS

m

SRS⁺

m

SRS2

m

SRS3

m

SRS4

m

SRS4⁺

β

SRS4

m

SRS5

m

^SRS1

圖 3-17 輸出模糊變數 SRS 之模糊集合

接下來，我們分別描述五階層式模糊推論機制各層級的輸入、輸出。

Layer 1 (Input Layer)

第一層的輸入值分別是一篇中文新聞文件詞彙集合和某類別的 Weighted Ontology 內的各個詞彙以及詞彙之間的關係矩陣，中文新聞文件詞彙集合是將中 文新聞透過自然語言前處理後所匯集的詞彙集合

( DocTerm

¹

, ..., DocTerm

ⁿ

)

，而某 類 別 Weighted Ontologies 中 詞 彙 與 關 係 為

。因此，第一層的輸出向 量如下所示：

( OntoTerm

¹

, ..., OntoTerm

^n,

Relation Matrix of OntoTerms )

( )

( )

( )

(

^{MCW MSRPL MSRPW}

)

]

MSRPW MSRPL m

MCW m m

MSRPW MSRPL 1

MCW 1 1

MSRPW MSRPL n

MCW n n

MSRPW MSRPL 1

MCW 1 1

trix RelationMa ,

trix RelationMa ,

trix RelationMa

DocTerm DocTerm

OntoTerm

OntoTerm ,

OntoTerm ,

OntoTerm

DocTerm ,

DocTerm ,

DocTerm

DocTerm ,

DocTerm ,

DocTerm µ

−

−

−

−

−

−

−

−

−

−

−

−

⎟⎟ ⎠

⎜⎜ ⎞

⎝

⎛

−

−

−

⎢ ⎣

⎡

⎟⎟ ⎠

⎜⎜ ⎞

⎝

= ⎛

) , ,

, (

,..., ,..., ,

1

Layer 2 (Input Linguistic Layer)

第 二 層 接 受 了 來 自 第 一 層 傳 來 的 DocTerms 、 OntoTerms 與 OntoTerms Relation Matrix，首先計算用來評估文件類別的三個模糊變數，分別是對應概念 權重(MCW)、最大語意關係路徑長度(MSRPL)與最大語意關係權重(MSRPW)，再 來便進行與最佳模糊規則的推論過程，透過推論我們可以得到這三個語意項 (Linguistic Term)的隸屬程度(Matching Degree)，因此，在這一層的輸出向量便如 下所示：

)) u

, u

, (u

), u

, u

, (u

), u

, u

, ((u

µ

_High MSRPW 2 _Medium 1 MSRPW 2 _Low 1 MSRPW 2 1

_High MSRPL 2 1 _Medium MSRPL 2 1 _Low MSRPL 2 1 _Low MCW 2 1 _Medium MCW 2 1 _High MCW 2 1 2

−

−

−

−

−

−

−

−

= −

t MCW

u

1²_{− _} 表示輸出模糊變數 MCW 的語意項的歸屬程度(Membership Degree)，

表示輸出模糊變數 MSRPL 的第 t 個語意項的歸屬程度， 是輸 入模糊變數 MSRPW 第 t 個語意項的歸屬程度。

t MSRPL

u

₁²_{− _}

u

₁²_{−MSRPW_t}

Layer 3 (Rule Layer)

第三層為規則層，接收來自第二層各個模糊變數的歸屬程度，透過既定好的 規則(如表 3-3)，每個節點透過上述既訂的規則，將來自第二層的模糊變數之歸 屬程度透過推論收集後，再做 Fuzzy AND 運算將結果傳至第四層[31]，下列為此 層的輸出之 Matching Degree：

)) u

, u

, (u

min ..., ), u

, u

, (min(u

µ

³

=

²_{MCW_Low MSRPL}² _{_Low MSRPW}² _{_Low MCW}² _{_High MSRPL}² _{_High MSRPW}² _{_High}

Layer 4 (Output Linguistic Layer)

第四層為輸出語意層，這層執行 Fuzzy OR 的運算以整合接收來自第三層的 模糊規則與 Matching Degree，例如：如果有

r

條規則推論到相同的結果，對應到

輸出語意項為 Low, 則其對應計算得到的重心值為 , 而文件詞彙集合與 Weighted Ontology 的第四層輸出如下所示：

V

Low

∑

∑

=

= = r

1 p

3 p r

1 p

Low 3 p 4

Low

µ V µ µ

p

Layer 5 (Output Layer)

最後，文件與 Weighted Ontology 之語意關聯強度(SRS)值 y 如下所示：

4 VH 4 H 4 M 4 L 4 VL

Y i = µ + µ + µ + µ + µ

當 r 代表規則節點數，c 是輸出模糊變數之語意項數， 而 是第 q 個關連到 p 條推論規則的重心。

V

_pq

在文檔中 基於 Ontology 架構之文件分類網路服務 研究與建構 (頁 41-49)