Содержание к диссертации
Введение
Глава 1. Управление знаниями в производственных сетях 11
1.1. Производственные сети и их особенности 11
1.2. Использование контекста в управлении знаниями 14
1.3. Существующие системы управления знаниями 16
1.4. Существующие системы профилирования пользователей 22
1.5. Выводы по главе 29
Глава 2. Комплексный подход к контекстно-ориентированному управлению знаниями в производственных сетях 30
2:1. Использование объектно-ориентированных сетей ограничений для представления знаний 30
2.2. Принципы построения контекстно-ориентированных систем управления знаниями в производственных сетях 31
2.3. Онтологическая модель и модель контекста для системы управления знаниями в производственной сети 35
2.4. Онтологический подход к контекстно-ориентированному управлению знаниями в производственных сетях 40
2.5. Выводы по главе 54
Глава 3. Модели и метод построения компонент профилирования для контекстно-ориентированных систем управления знаниями в производственных сетях 56
3.1. Модель профиля пользователя в системах управления знаниями в производственных сетях 56
3.2. Модель профиля участника производственной сети з
3.3. Метод онтолого-ориентированной кластеризации для выявления предпочтений и группирования пользователей и участников производственной сети на основе истории их работы с системой 79
3.4. Оценка сложности метода онтолого-ориентированной кластеризации 87
3.5. Выводы по главе 89
Глава 4. Практическое использование предложенных моделей и алгоритмов при построении систем управления знаниями 91
4.1. Разработка прототипа контекстно-ориентированной системы управления знаниями для автомобильной промышленности 91
4.2. Система персонифицированной оперативной поддержки принятия решения в чрезвычайных ситуациях 98
4.3. Среда для управления онтологиями в системах управления знаниями 102
4.4. Система управления знаниями для автоматизированного построения кодов продуктов крупной промышленной компании 110
4.5. Выводы по главе 114
Заключение 116
Список использованной литературы
- Использование контекста в управлении знаниями
- Принципы построения контекстно-ориентированных систем управления знаниями в производственных сетях
- Метод онтолого-ориентированной кластеризации для выявления предпочтений и группирования пользователей и участников производственной сети на основе истории их работы с системой
- Система персонифицированной оперативной поддержки принятия решения в чрезвычайных ситуациях
Введение к работе
Актуальность темы диссертации. Растущая конкуренция между компаниями и ужесточение требований потребителей является причиной глобальных изменений в мировой экономике. Среди результатов таких изменений можно выделить растущий уровень сотрудничества между компаниями-производителями. Данный рост может быть объяснён тем, что организации, построенные по сетевому принципу и состоящие из большого количества участников, обычно более гибкие и устойчивые, чем иерархически организованные крупномасштабные компании.
Производственная сеть - это совокупность объединенных на принципах кооперации в рамках единого информационного пространства технологических ресурсов юридически независимых предприятий, способных на основании их координации и оперативного распределения производить конечный продукт или услугу.
Однако сетевой принцип организации предприятий требует оперативной координации большого количества независимых участников большой сети, для чего необходимо использование систем управления знаниями с целью формирования общего информационного взаимодействия. Для представления знаний в последнее время широко применяются онтологии. Онтология - это подробная спецификация модели предметной области; она включает в себя словарь (т.е. список логических констант и предикатных символов) для описания предметной области и набор логических высказываний, формулирующих существующие в данной проблемной области ограничения и определяющих интерпретацию словаря.
Для повышения эффективности и оперативности взаимодействия участников производственной сети система управления знаниями должна быть персонифицированной. С этой целью каждый зарегистрированный в системе участник должен быть описан набором характеристик, определяющих информацию, необходимую для взаимодействия с ним другим участникам.
В системах управления знаниями предлагается применение контекста для использования актуальных на текущий момент знаний. Контекстом называется информация, которая может быть использована, чтобы охарактеризовать ситуацию, в которой находится некоторый объект. Применительно к системе управления знаниями в роли объекта выступает участник производственной сети.
Всё вышеперечисленное обуславливает актуальность контекстно-ориентированных систем управления знаниями в производственных сетях и требует проведения исследований для построения таких систем.
Цель работы и задачи исследования. Основной целью диссертационной работы является разработка онтологического подхода и
моделей контекстно-ориентированной системы управления знаниями в производственной сети для персонифицированной поддержки взаимодействия ее участников с целью повышения оперативности принятия решений данными участниками при её функционировании.
Для достижения поставленной цели в диссертационной работе поставлены и решены следующие задачи:
Анализ существующих систем управления знаниями, систем профилирования, современных технологий, используемых в системах управления знаниями в производственных сетях, а также использования контекстного подхода к управлению знаниями.
Разработка онтологического подхода к контекстно-ориентированному управлению знаниями в производственных сетях.
Разработка метода и моделей, обеспечивающих персонифицированную поддержку взаимодействия участников производственной сети и пользователей системы управления знаниями.
Реализация разработанных моделей и метода с целью их апробации.
Методы исследования. В работе используются методы искусственного интеллекта; теория графов; теория множеств; представление знаний, основанное на онтологиях, фреймовых моделях и сетях ограничений.
Основные положения, выносимые на защиту:
Онтологический подход к контекстно-ориентированному управлению знаниями в производственных сетях, основанный на знаниях о проблемной области и позволяющий осуществлять персонифицированную поддержку взаимодействия участников производственной сети.
Онтологическая модель производственной сети, позволяющая определить основные понятия в производственной сети и связи между ними.
Информационная модель профиля участника производственной сети, позволяющая персонифицировать взаимодействие участников производственной сети.
Информационная модель профиля пользователя, позволяющая персонифицировать взаимодействие системы управления знаниями с пользователями.
Метод о нто лого-ориентированной кластеризации, позволяющий выявлять предпочтения и группировать пользователей и участников производственной сети на основе истории их работы с системой управления знаниями.
Научная новизна. В диссертации разработан комплекс моделей для
персонифицированной поддержки взаимодействия участников
производственной сети на основе контекстно-ориентированной системы управления знаниями.
Предложен онтологический подход к контекстно-ориентированному управлению знаниями, отличающийся применением контекста для использования актуальных на текущий момент знаний и технологий профилирования пользователей и участников производственной сети и позволяющий повысить оперативность принятия решений участниками производственной сети при её функционировании.
Разработана онтологическая модель производственной сети, содержащая знания о предметной области, позволяющая различным составляющим системы управления знаниями использовать их для поддержки взаимодействия участников производственной сети.
Разработана информационная модель профиля участника производственной сети, позволяющая формально описать его многоаспектную деятельность и предоставить эту информацию другим участникам производственной сети, отличающаяся возможностью автоматизированного выявления предпочтений участников производственной сети.
Разработана информационная модель профиля пользователя системы управления знаниями, позволяющая накапливать и анализировать всю доступную информацию о пользователе, отличающаяся возможностью выявлять и использовать предпочтения пользователя и группировать пользователей на основе истории их работы с системой.
Разработан метод онтоло го-ориентированной кластеризации для выявления предпочтений и группирования пользователей и участников производственной сети на основе истории их работы в системе, предоставляющий возможность уточнения предпочтений пользователей и участников производственной в процессе функционирования системы управления знаниями.
Обоснованность и достоверность научных положений обеспечены анализом состояния исследований в данной области на сегодняшний день, подтверждаются корректностью предложенных моделей, алгоритмов и согласованностью результатов, полученных при практической реализации этих моделей и алгоритмов, а также апробацией основных теоретических положений в печатных трудах и докладах на российских и международных научных конференциях.
Практическая ценность работы. Модели, разработанные в данной
диссертационной работе, направлены на повышение эффективности
функционирования производственной сети за счёт использования
контекстно-ориентированной системы управления знаниями, организующей
персонифицированную поддержку взаимодействия участников
производственной сети.
Разработанный метод онтолого-ориентированной кластеризации позволяет выявлять предпочтения пользователей системы управления
знаниями и участников производственной сети на основе анализа их профилей. Выявленные предпочтения позволяют персонифицировать работу системы управления знаниями путём предложения пользователям или участникам производственной сети именно той информации, которая коррелирует с их предпочтениями или предпочтениями других пользователей из его группы.
Разработанные прототипы программного обеспечения могут быть адаптированы для работы в других предметных областях, что потребует использования соответствующей онтологической модели.
Реализация результатов работы. Исследования, отраженные в диссертации, были поддержаны грантами РФФИ (№02-01-00284, 2006-2008 гг.; №06-07-89242, 2006-2008 гг.; №05-01-00151, 2005-2007 гг.); грантом ОИТВС РАН (№ 1.9, 2003-2005 гг.); программой Президиума РАН (№2.35, 2003-2008 гг.); Европейским проектом ILIPT (№ 507592, 2004-2008). Часть результатов была использована при работе по проекту МНТЦ №1993Р, 2000-2003 гг. Разработанные программные прототипы предложенных моделей использовались при выполнении контракта Web-DESO, 2002-2003 гг.; проекта «Интеллектуальный доступ к каталогам и документам», 2003-2004 гг; проекта «New Order Code», 2005-2008 гг.; проекта CRDF, 2005-2006 гг.
Апробация результатов работы. Основные положения и результаты диссертационной работы представлялись на международной конференции «Региональная информатика-2004»; международной научно-практической конференции «Логистика: современные тенденции развития», 2006; международной конференции «Региональная информатика - 2006»; международной конференция информационных систем на предприятиях (ICEIS 2007); международной конференции по электро/информационным технологиям (IEEE), 2006; совместной конференции: международном симпозиуме по «Mass Customization 2006» (IMCM'06) и международной конференции по экономическим, техническим и организационным аспектам систем конфигурирования продуктов (РЕТО'06); международной конференции по жизненному циклу продукции (PLM 2007).
Публикации. Основные результаты по материалам диссертационной работы опубликованы в 8 печатных работах, среди них 1 работа из перечня ВАК.
Структура и объем работы. Диссертация объемом 132 машинописных страниц содержит введение, четыре главы и заключение, список литературы (111 наименований), 9 таблиц, 51 рисунок.
Использование контекста в управлении знаниями
Целью проекта ICONS [60] является объединение результатов передовых научных исследований, технологий и стандартов в согласованную, основанную на Интернет, архитектуру системы для того, чтобы разрабатывать и использовать в будущем основанную на знаниях систему управления содержимым.
hechSight [56] — это система управления знаниями с интеллектуальными возможностями для технологоемких отраслей. Она позволяет исследовать технологические особенности, требуемый опыт, новые тенденции.
Проект CORMA [85] представляет собой практические методы и средства корпоративного управления знаниями, предоставления общего доступа и капитализации секретов производства и технологий. Целью проекта является разработка систематического подхода для поддержки принципов, методов и средств управления знаниями при параллельном производстве на основе процессов освоения новых изделий и каналов выхода на рынок в телекоммуникационном секторе.
Стратегический подход к управлению знаниями kBOS [65] состоит из методологии, поддерживающей возможности управления знаниями, решений, основанных на знаниях, сети знаний для бизнеса научных и других организаций.
CogniQ [102] - это система управления знаниями, позволяющая интегрировать переносные портативные устройства и Интернет. Она позволяет издательствам, ассоциациям и фармацевтическим компаниям предлагать решения для пользователей с портативными устройствами.
Целью проекта KnowCoat [66] является управление цепью поставок для шерстяной промышленности. Это интегрированная система для управления знаниями. Интегрированные части включают в себя XML решения для выявления знаний и их распространения, которые объединяются с экспертными правилами и возможностью персонифицированной функциональности.
kManager [31] - это система управления знаниями, интегрирующая большинство функций задачи управления знаниями в одной платформе. Она позволяет работать с репозиторием электронных документов.
AnaXagora [32] - это система с открытыми исходными кодами, интегрирующая электронное обучение с управлением знаниями и компетенциями. Система имеет следующие модули: модуль графического моделирования процессов, модуль управления компетенциями, модуль для управления, исполнения и распространения тренингов для электронного обучения и модуль управления знаниями.
K-Inflnity [63] - это система для создания и использования сетей знаний, что является основным, по мнению разработчиков, для интеллектуального управления знаниями. Система поддерживает интеграцию различных источников данных, обработку неявных знаний и документов, потоки информации в задачи и бизнес-процессы.
КІМ [100] - это система управления знаниями и информацией. Система представляет собой инфраструктуру для автоматического семантического аннотирования и индексирования документов. KMS [99] - это система управления знаниями, предоставляющая платформу, в которой пользователи могут искать, обсуждать и совместно использовать медицинские знания. Используя эту систему, можно: узнавать, что другие думают о медицине, делать общедоступными свои знания, принимать участие в дискуссиях, устанавливать контакты с другими пользователями и т.д.
OpenMDV [72] — это система для управления данными в Интернет окружении, построенная по технологии XML. Так как не все форматы данных могут иметь простой предварительный просмотр (документы большого объёма, аудио-файлы, видео ролики), система создана для упрощения построения метаданных для таких данных. Система интегрирует различные источники данных в распределённом окружении с децентрализованным управлением. Система имеет стандартизированные интерфейсы между основными компонентами и поддерживает HTML для визуализации.
CL Research KMS [45] - это система для обработки текста и анализа программ, которая строит семантическую сеть одного или нескольких документов. Она включает в себя последние технологии языковой инженерии, покрывая полный диапазон обработки текста.
Система Novo Solutions [76] позволяет быстро собирать, классифицировать и делать знания доступными пользователям компании. Система имеет Интернет-интерфейс и использует SQL сервер базы данных. Система поддерживает различные уровни доступа, управление ролями, управление знаниями различных отделов компании и т.п.
РВМА [75] - это основанная на процессах система для обеспечения задач управления знаниями, разработанная национальным агентством по аэронавтике и исследованию космического пространства США. Система имеет непрерывно расширяющуюся базу стратегий, требований, рекомендаций, передового опыта а также экспертов по различным тематикам. Однако система является не только совокупностью лучших и наиболее полных ресурсов для выполнения задач, но и средством для разделения знаний между множеством пользователей.
Система Hyperwave eKnowledge Suite [58] позволяет достаточно просто собирать и управлять информацией внутри компании и разделять её «разумно» внутри компании для партнёров и клиентов. Система имеет следующие возможности: управление документами (поддерживает основные форматы документов, контроль версий, хранит историю документов), управление контентом, управление знаниями и информацией (автоматическая категоризация, поиск похожих документов, доступ к внешним источникам знаний), взаимодействие пользователей (различные форумы, интеграция с электронной почтой).
Система INVISION KMS [61] была разработана для нужд сотрудников и партнёров компаний, предоставляя им простое, доступное, удобное средство для взаимодействия. Система спроектирована для больших компаний, которые имеют сложную деятельность в различных сегментах бизнеса.
Как видно из рис. 1.6 и рис. 1.7, основным принципом построения систем такого типа является ориентированность приложения на Интернет. Эти, системы широко используют онтологии для описания бизнес-процессов, например [77].
Таким образом, при сравнении систем управления знаниями одним из критериев была возможность неоднократного использования знаний, за счёт онтологических описаний.
В то время как возможность взаимодействия систем на технологическом уровне (поддержка XML) предусмотрена в рассматриваемых системах, возможность взаимодействия на семантическом уровне (поддержка форматов описания онтологии, таких как RDF, OWL) представлена слабо. Можно проследить также слабую тенденцию к построению архитектуры, основанной на сервисах (SOAP), что может являться первым шагом к интеграции прикладных систем предприятия.
Принципы построения контекстно-ориентированных систем управления знаниями в производственных сетях
Фаза построения сообщества потенциальных участников производственной сети включает в себя задачи регистрации участников сообщества (регистрация в системе управления знаниями, создание профиля участника сообщества) и обеспечения «понимания» участниками друг друга [9] (установка соответствий между терминами онтологической модели и терминологией участника производственной сети). Входными данными для этих задач являются потенциальные участники и их информационные потребности, а результатом фазы является сообщество участников в едином информационном пространстве.
На фазе конфигурирования производственной сети происходит выбор участниками сообщества друг друга для установления партнёрских отношений с целью выполнения поступившего заказа. Фаза включает в себя задачу поддержки конфигурирования заказа для конечного потребителя (для этих целей используются предпочтения заказчика из его профиля и технологические возможности из онтологической модели производственной сети) и задачу поддержки конфигурирования производственной сети (для этих целей в системе используются возможности потенциальных партнёров, которые описываются их профилями).
Фаза функционирования производственной сети включает в себя задачи поддержки координации, синхронизации, мониторинга, регулирования, которые обеспечиваются участниками производственной сети самостоятельно, а система управления знаниями обеспечивает в этом случае поддержку их взаимодействия.
Фаза реконфигурирования производственной сети включает в себя задачу реконфигурирования производственной сети в случае невозможности её дальнейшего функционирования по причине, например, выхода из сети одного или нескольких участников. Фаза перераспределения сообщества включает в себя задачи регистрации и исключения участников сообщества, в случае появления новых потенциальных участников или исключения старых.
Системы управления знаниями в производственных сетях должны решать следующие основные задачи: В настоящее время одним из передовых подходов к решению таких задач является онтологический подход. Онтология - это подробная спецификация модели предметной области; она включает в себя словарь (т.е. список логических констант и предикатных символов) для описания предметной области и набор логических высказываний, формулирующих существующие в данной проблемной области ограничения и определяющих интерпретацию словаря.
Система управления знаниями должна- быть контекстно-ориентированной, т.к. знание, требуемое от системы в данный момент времени, возможно, будет уже устаревшим в будущем либо неприемлемым в другом контексте. Информация и знания, предоставляемые системой, должны быть релевантны текущей задаче [92].
Под контекстом в данном случае понимается область, в границах которой приобретались знания и, следовательно, в пределах которой их можно считать достоверными [34, 36]. Использование контекста в области приобретения знаний ограничивает область достоверности приобретенных знаний и указывает, в какой момент использование знаний является наиболее корректным [35]. Важным элементом основанной на онтологиях системы управления знаниями является возможность обмена знаниями с другими источниками, для чего необходима возможность импорта/экспорта онтологии в общепринятые форматы, такие как RDF или OWL.
Для эффективной работы с пользователями в системе управления знаниями необходима компонента профилирования пользователей. Данная компонента должна хранить информацию о пользователях системы и их предпочтениях, и пользователь в первую очередь будет получать только те данные и знания от системы, которые коррелируют с его предпочтениями.
В [18] авторы отмечают, что в каждой организации есть сотрудники (компетенты), которые обладают знаниями, делающие продукцию фирмы уникальной, и подчёркивают, что «важнейшей задачей любой организации становится превращение ключевых компетентов в ключевые компетенции». Профили пользователей позволяют формализовывать знания этих компетентов.
Компании-участники производственной сети должны иметь профили, которые описывают информацию о каждой конкретной компании, используемой в системе для автоматизации взаимодействия компаний между собой и предоставления пользователям информации об интересующей его компании.
Метод онтолого-ориентированной кластеризации для выявления предпочтений и группирования пользователей и участников производственной сети на основе истории их работы с системой
При регистрации участника производственной сети в системе управления знаниями для него также создаётся профиль, который содержит в себе информацию об участнике, историю его деятельности в рамках системы управления знаниями, производственные предпочтения, отзывы о качестве выполнения заказов. Профиль участника позволяет наиболее точно подобрать участника производственной сети для выполнения требуемой операции или производства/поставки необходимых компонентов. Более подробно профили участников производственной сети описаны ниже в разделе 3.2.
На рис. 2.5 показано взаимодействие пользователей и участников производственной сети. Пользователь участника і может послать запрос либо конкретному пользователю участника j либо получить информацию из профиля участника ". Например, пользователь участника / может посмотреть в профиле участника j производственные возможности участника j, а также отзывы о качестве и своевременности выполнения запросов участником j, сделанных ранее другими пользователями. Затем напрямую с пользователем участника j он может обсудить детали взаимодействия. Взаимодействие напрямую (в обход системы управления знаниями) может быть целесообразно в том случае, когда участник производственной сети j может иметь некоторую секретную информацию, хранение которой в системе управления знаниями недопустимо, но она должна быть передана непосредственно участнику і или наоборот.
Участник производственной сети / может также послать запрос напрямую участнику производственной сети j (без участия пользователей). Например, автоматизированная система управления складом участника і в случае, когда заканчиваются требуемые для производства комплектующие, может сделать запрос на их поставку соответствующему поставщику (например, участнику производственной сети у) без участия пользователей.
Онтологический подход к контекстно-ориентированному управлению знаниями в производственной сети (рис. 2.6) основывается на разработанной ранее идее логистики знаний [25].
Согласно концептуальной модели контекстно-ориентированная система управления знаниями реализует следующий сценарий поддержки взаимодействия участников производственной сети [7, 8].
Пользователь задаёт запрос системе (1). На основе этого запроса, онтологической модели предметной области и текущей ситуации формируется контекст (2), представляющий собой описание запроса пользователя в терминах онтологической модели предметной области с учётом текущей ситуации. Осуществляется поиск терминов запроса в онтологической модели предметной области, а найденные фрагменты объединяются [42], они и содержат релевантные запросу знания.
Картограмма знаний определяет связи между онтологической моделью (3) и источниками знаний (4), что позволяет использовать разрозненные источники различных компаний как одну распределенную базу знаний. На основе картограммы знаний и формализованного запроса пользователя из различных источников знаний извлекаются те знания и информация (5), которые необходимы пользователю в рамках заданного им запроса. В роли источников знаний могут выступать как базы данных и электронные документы, так и другие участники производственной сети.
Кроме того, учитываются предпочтения участника - источника знаний: время выполнения (участник может предпочитать долгосрочные либо краткосрочные проекты); объем работ (участник можем предпочитать мелкосерийное или массовое производство); возможности (для участника может быть желательно при производстве продукции А также производить и продукцию Б). Местоположение участника производственной сети используется для определения времени доставки продукции, а также в зависимости от текущей ситуации (время года, наличие обильного выпадения осадков, снежные заносы, местные праздники и т.п.) участник может быть недоступен.
Полученная от источников знаний информация передаётся пользователю, причём на данном этапе профиль пользователя используется для ранжирования представляемых результатов, на основе их релевантности запросу и предпочтениям пользователя.
На рис. 2.7 и рис. 2.8 показано взаимодействие участника к с другими участниками производственной сети с целью выбора поставщиков, в первом случае с использованием системы управления знаниями без учёта контекста, а во втором случае с использованием контекстно-ориентированной системы управления знаниями. В первом случае (рис. 2.7) участник /: взаимодействует с остальными участниками производственной сети, предлагающими необходимую ему продукцию, для выбора поставщика; в этом случае система управления знаниями представляет ему информацию о том какие поставщики могут поставить "ему продукцию, но не предоставляет ему информацию о текущей стоимости этой продукции, текущих производственных мощностях и т.д.
Система персонифицированной оперативной поддержки принятия решения в чрезвычайных ситуациях
Входными данными для метода онтолого-ориентированной кластеризации являются запросы пользователей или участников производственной сети и контексты, представляющие собой срезы онтологической модели, соответствующие запросам. Данная информация содержится в профилях пользователей (раздел 3.1) и участников производственной сети (раздел 3.2). Принципиальной разницы для выявления предпочтений пользователей и участников производственной сети с точки зрения метода онтолого-ориентированной кластеризации нет, поэтому рассмотрим метод на примере выявления предпочтений участника производственной сети.
Для выявления предпочтений некоторого участника производственной сети выполняется кластеризация всех его запросов. На основе строкового сравнения каждого из терминов запроса элементам онтологии определяются веса дуг между каждым запросом и элементом онтологии. В результате кластеризации получаются, группы запросов с элементами онтологии, наиболее характерными для каждой группы, которые и представляют собой предпочтения участника. В. случае группирования участников производственной сети выполняется кластеризация запросов всех участников производственной сети. Веса дуг между участниками и классами (атрибутами) онтологической модели в этом случае предложено определять на основе весов дуг между запросами и элементами онтологической модели? по следующим формулам (класс С (атрибуте) онтологической модели встречается в Мзапросах участника U): где с Re? , — вес дуги между классом С и запросом Req, AReq wei ы - вес дуги между атрибутом А и запросом Req, а Мтах — максимальное число одних и тех же классов, встретившихся в запросах участника U. В данном случае, для нормализации весов дуг между пользователем и классами (атрибутами) онтологической модели, предлагается делить сумму весов дуг между классом С (атрибутом А) и запросами; в которых встречается данный класс (атрибут) на максимальное число одних и тех же классов (атрибутов), встретившихся в запросах участника. Если один класс (атрибут) встретился в і запросах, а второй в/и ( j, то, разделив обе суммы веса на і, получим, что вес для того класса (атрибута), который встретился меньшее число раз, уменьшится. В результате выполнения кластеризации выявляются группы участников производственной сети.
Рассмотрим метод онтолого-ориентированной кластеризации на примере определения неявных предпочтений участника производственной сети. Согласно модели профиля участника (глава 3.2), неявные предпочтения включают в себя продукцию (классы онтологической модели) и атрибуты продукции (атрибуты онтологической модели).
Общая схема метода выявления предпочтений участника производственной сети представлена на рис. 3.7. На первом шаге по запросам участника производственной сети, на основе контекстов, соответствующих этим запросам, строится математическая модель, связывающая эти элементы. В качестве модели предложено использовать взвешенный граф. Далее, на втором шаге, выполняются преобразования этой модели, позволяющие установить связи между каждой парой запросов. И, наконец, на третьем шаге, производится содержательная интерпретация полученного преобразования на предметную область, то есть строятся группы запросов.
