Discrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational Science2658-46702658-7149Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University)8617ArticlesСтатьиResearch ArticleFuzzy Conceptual Graphs for Knowledge Representation in Process-Oriented OrganizationsНечеткие концептуальные графы для представления знаний в процессно-ориентированной организацииAzofeifaE JАзофейфаГомез ХосуэDepartment of Information TechnologiesКафедра информационных технологийesteban.azofeifa@gmail.comNovikovaG MНовиковаГалина МихайловнаDepartment of Information TechnologiesКафедра информационных технологийnovikova_gm@mail.ruPeoples’ Friendship University of RussiaРоссийский университет дружбы народов150120161NO1 (2016)№1 (2016)677508092016Copyright ©; 2016, Азофейфа Г.Х., Новикова Г.М.2016Азофейфа Г.Х., Новикова Г.М.http://creativecommons.org/licenses/by/4.0https://journals.rudn.ru/miph/article/view/8617The use of fuzzy conceptual graphs for representing knowledge in process-oriented organizations is considered. Two types of knowledge, procedural and declarative, are discussed; the difference between them is shown along with representation and usage details in knowledge bases. A formal definition of fuzzy conceptual graphs is given, and their ability to represent declarative and procedural domain knowledge in a simple and understandable way is shown. The structure of the knowledge base includes three levels: an ontological layer, which contains concepts and integrates declarative and procedural knowledge; a middle or interface layer, which describes business processes based on real data; and the ground layer, the layer of real (historical) data, which collects primary information about the current state of objects and the relationships between them. The difference between the types of information on each of the layers of the knowledge base is shown, as well as the application method of fuzzy conceptual graphs on the interface layer. A description of the mechanisms of interaction and rules for reflecting data from the ground layer to the interface layer is provided. Mathematical methods for analysis of primary data and fuzzy knowledge indicators are described, which aid in decision-making, optimization and refinement of procedural knowledge systems.Рассматривается использование нечетких концептуальных графов для представления знаний в процессно-ориентированных организациях. Рассмотрены два типа знаний - процедурные и декларативные, показано их различие и особенности представления и использования в базах знаний. Дано формальное определение нечетких концептуальных графов. Показаны их возможности для представления в простой и понятной форме как декларативных, так и процедурных знаний предметной области. Предложена структура Базы Знаний, которая включает три уровня: онтологический слой, содержащий концепты понятий и интегрирующий декларативные и процедурные знания; средний слой, описывающий схемы бизнес-процессов на основе исторических данных, формирующихся на базовом уровне; нижний слой, слой реальных данных, где собирается первичная информация о текущих состояниях объектов и отношений между ними. Показано отличие типов информации на каждом из слоев базы знаний, а также способ использования нечеткого концептуального графа на средне-интерфейсном слое. Рассмотрены механизмы взаимодействия и правила преобразования информации между средне-интерфейсным слоем и базовым слоем. Описан математический аппарат и методы анализа первичной информации для поддержки принятия решений по оптимизации и уточнению процедурных знаний системы, а также показатели, используемые в процессе анализа нечетких знаний.Fuzzy conceptual graphsknowledge representationbusiness processknowledge baseontologyintelligent agentнечёткие концептуальные графыпредставления знанийбизнес-процессбазы знанийонтологииинтеллектуальный агент1.Cardoso J., Aalst W. Handbook of Research on Business Process Modeling. - Hershey, PA: Information Science Reference, 2009. - Pp. 456-480.2.Chein M., Mugnier M. Graph-Based Knowledge Representation. - London: Springer, 2009.3.Cao T. Conceptual Graphs and Fuzzy Logic. - Berlin: Springer-Verlag, 2010.4.Concepts, Ontologies, and Knowledge Representation / G. Jakus, V. Milutinovi/c, S. Omerovi/c, S. Tomaˇziˇc. - Heidelberg: Springer, 2013.5.Новикова Г. М. Интегрированная модель представления знаний в интеллектуальной системе управления // Динамические интеллектуальные системы / под ред. Э. В. Попов. - ЦРДЗ. - С. 110-112.6.Sowa J. F. Logic: Graphical and Algebraic. - Manuscript. - 1997.7.Zadeh L. Toward Extended Fuzzy Logic - a First Step // Fuzzy Sets and Systems. - 2009. - Vol. 160, No 21. - Pp. 3175-3181.8.Laudy C., Ganascia J., Sedogbo C. High-Level Fusion Based on Conceptual Graphs // 10th International Conference on Information Fusion. - 2007.9.Smith F., Proietti M. Behavioral Reasoning on Semantic Business Processes in a Rule-Based Framework // Communications in Computer and Information Science. - 2014. - Pp. 293-313.10.Silega N., Loureiro T., Noguera M. Model-Driven and Ontology-Based Framework for Semantic Description and Validation of Business Processes // IEEE Latin America Transactions. - 2014. - Vol. 12, No 2. - Pp. 292-299.11.Langacker R. Foundations of Cognitive Grammar: descriptive application. - California, USA: Stanford University Press, 1991. - Vol. 2.12.Lee J., Lai L. F., Huang W. T. Task-Based Specifications Through Conceptual Graphs // IEEE Expert. - 1996. - Vol. 11, No 4. - Pp. 60-70.13.Aalst W. Process mining. - Berlin: Springer, 2011.