我们熟知的斯坦福七步法,NeON方法等,都是敏捷开发方法,都有“确定范围”、“需求分析”等过程,但是到了本体学习,也就是自动化构建之后,工作的侧重点不再是需求分析,而是希望得到一个正确的“分类法”,主要包括概念、概念层次关系、非层次关系、本体公理等。
听起来本体学习直接得到了一个领域的本体,并且五脏俱全,其实不是这样的。这种本体学习的过程只瞄准一个需求,那就是获取正确的概念关系,这本身没有错。但和能力问题的要求还相去甚远。
有没有方法,不但考虑到正确的分类法,还考虑到了需求,跨过能力问题这个试金石?
经调研,确实有这样的文章,讨论能力问题的,把能力问题用于本体的测试,研究能力问题的模板,还有研究能力问题到SPARQL的映射的,都是很好的前驱工作,需要好好理解。
另一点,关于本体的写作(Ontology Authoring),有提及逻辑对本体来说很重要,但是本体中接受的逻辑主要是描述逻辑,对于比较强的表达能力而言,一阶逻辑的子集的演算系统比较完备。逻辑相关内容主要是理解,难以拓新,但理解应用也很重要,不是么?