WADe 2017-2018 (12/12) Ontology Engineering: Ontology Alignment. Pragmatic Uses. Perspectives

Dr.SabinBuragaprofs.info.uaic.ro/~busaco
Dezvoltarea aplicațiilor Web
ꐪ
inginerie ontologică (II)
alinierea ontologiilor, utilizări pragmatice

“Este dificil să vezi un tablou
atunci când ești în interiorul ramei.”
/usr/games/fortune

Cum integrăm diferite ontologii
descriind aceleași cunoștințe,
dar prezentând definiții,
puncte de vedere și noțiuni diferite?

realitate
existența unor ontologii diverse,
modelând puncte de vedere diferite

preliminarii
Expresivitatea limbajului ontologii folosit
versus
complexitatea inferențelor ce pot fi efectuate

preliminarii
Aspecte de interes
(Calvanese, Giacomo & Rodriguez-Muro, 2008):
utilizarea construcțiilor ontologice oferite de OWL
efectuarea de inferențe

preliminarii
Aspecte de interes
recurgerea la volum mare de date (indivizi)
(re)utilizare a unor baze de date

preliminarii
Aspecte de interes
flexibilitate privind realizarea interogărilor
limbaje de interogare – specifice (SPARQL)

preliminarii
Aspecte de interes
realizarea de asocieri între date,
păstrând sursele originare
asocieri (mappings) – e.g., baze de date↔triplestores

preliminarii
Context: integrarea datelor – data integration
data integration is the problem of providing unified
and transparent access to a set of autonomous and
heterogeneous sources
Bernstein & Haas, Communications of the ACM, 2008

necesități
Crearea corespondențelor dintre ontologii
O1 O2
Om
O1 O2
mapping
merging
articulation

potrivirea ontologiilor
Context:
integrarea datelor
scheme de baze de date (relaționale)
specificații provenite din inteligența artificială
Web (semantic) – RDF, JSON(-LD), OWL,…

Motive ale existenței nepotrivirilor – mismatches
conform (Noy, 2005)
reprezentarea subiectivă a unui domeniu (lume, web)
exemplu:
carte pentru copii despre animale vs. compendiu zoologic

conform (Noy, 2005)
existența diferitelor cerințe și workflow-uri
privitoare la (tipuri de) aplicații software
exemplificări:
e-business vs. e-learning vs. e-entertainment,
maniere diverse de interacțiune cu utilizatorul

conform (Noy, 2005)
folosirea altor convenții de reprezentare a cunoștințelor
a se (re)vedea și
cursul anterior

Tipuri de nepotriviri
la nivel…
de limbaj
ontologic

Nepotriviri la nivel de limbaj
diferențe de sintaxă, expresivitate sau semantică
a limbajelor ontologice actuale

Nepotriviri la nivel ontologic
diferențe vizând structura semantică
exemple: termeni diferiți definind același concept,
același termen descriind mai multe concepte,
convenții/paradigme de modelare eterogene,
puncte de vedere diferite etc.

potrivirea ontologiilor – exemplu
www.aktors.org/ontology/ vs. ebiquity.umbc.edu/ontology/
scop:
modelare de cunoștințe din domeniul academic
periodice, publicații compuse vs. absolvenți, invitați

nume diferite pentru același concept:
PhD-Student versus PhDStudent

specificare diferită a conceptelor:
Publication – restricții privitoare la citări, referințe biblio.
versus
Publication – restricții referitoare la rezumat

convenții de modelare diferite:
Journal (clasă) vs. journal (proprietate)

granularitate:
Professor-In-Academia vs. adjunct, affiliated, associate,…

convenții de modelare și nivel de detaliere:
proprietatea address compusă
din alte fragmente de informație
versus
proprietatea address de tip șir de caractere (nestructurat)

Problemă:
date la intrare ontologii – exprimate prin entități
discrete (tabele, XML, JSON, clase, proprietăți,…) –,
trebuie determinate relațiile (e.g., echivalență,
subsumare,…) care au loc între aceste entități

Problemă:
ontology matching
www.ontologymatching.org

Pavel Shvaiko & Jérôme Euzenat (2014)

Reducerea eterogenității
poate fi realizată în 2 pași

1. potrivire (match) – determinarea alinierii
la momentul proiectării sau (re)utilizării ontologiei

2. procesarea alinierii
procese: fuzionare (merging), transformare etc.

Corespondența între O1 și O2
〈 id, e1, e2, r 〉
id = identificator unic al corespondenței
ei entitate din ontologia Oi (e.g., clasă,…), i=1,2
r = relație între e1 și e2
echivalență (≡), disjuncție (⊥) etc.

Alinierea (alignment) A între O1 și O2 este
o mulțime de corespondențe peste O1 și O2
prezintă o anumită cardinalitate: 1 la 1, 1 la N etc.

Alinierea (alignment) A între O1 și O2 este
o mulțime de corespondențe peste O1 și O2
prezintă o anumită cardinalitate: 1 la 1, 1 la N etc.
pot fi atașate meta-date adiționale:
metoda de aliniere, data alinierii, proprietăți specifice,…

Alinierile pot fi descrise semantic
pe baza logicilor descrierii (Zimmermann, 2006)
conform François Scharffe (2008)

Alinierea (alignment)

potrivirea ontologiilor: utilizare
conform (Jérôme Euzenat & Pavel Shvaiko, 2007, 2013)

aspect de interes: facilitarea interconectării datelor RDF
linked data interlinking
(Jérôme Euzenat & Pavel Shvaiko, 2014)

aspect de interes: compunerea serviciilor Web
Web service composition
(Jérôme Euzenat & Pavel Shvaiko, 2014)

Patrimoniul cultural (cultural heritage)
alinieri realizate în faza de proiectare a aplicațiilor de
integrare a capodoperelor descrise via lexicoane
precum Iconclass și Aria
alinierile rezultate pot fi folosite și pentru a facilita
căutările multicriteriale (faceted search)

Geografie computațională (geo-information)
exemplu: planificarea urbană
bazată pe terminologii din arii diverse
(hidrologie, topografie) utilizate pentru a oferi
rezultate de interes conform cererilor utilizatorului
alinierile sunt (re)folosite la expandarea interogărilor

Alinierea – ciclul de viață

Alinierea
etape

clasificarea tehnicilor de potrivire
(Euzenat & Shvaiko, 2014)

Tehnici de potrivire la nivel de termeni
pe baza șirurilor de caractere
prefixul: net ≡ network, pen ≡ penguin (?)
sufixul: ID ≡ PID, nail ≡ snail (?)
distanța editării (numărul de operații de inserare,
ștergere, substituție a caracterelor pentru transformarea
unui termen în altul): EditDistance (NKN, Nikon) = 4

bazate pe limbaj
procesarea entităților (tokenization)
Hands-Free Kits → 〈 hands, free, kits 〉
analiza morfologică pentru găsirea
tuturor formelor de bază (lemmalization): Kits → Kit
utilizarea N-gram-elor
eliminarea cuvintelor nerelevante: “a”, “the”, “by” etc.

pe baza sensurilor – cazul WordNet
hiponimie, meronimie: Brand ⊑ Name
hipernimie, holonimie: Software ⊒ WebFramework
sinonimie: Quantity ≡ Amount
antonimie sau relații de siblings: Microprocessors ⊥ PC Board

pe baza glossei – se folosește WordNet
numărul acelorași cuvinte prezente
în ambele glosse (texte) de intrare
conduce la creșterea valorii de similaritate a termenilor

exemplu:
Maltese dog is a breed of toy dogs having
a long straight silky white coat
Afghan hound is a tall graceful breed of hound with a long silky coat

pot fi adoptate API-uri/biblioteci/servicii specializate
precum AlchemiAPI, Diffbot, Stemmer, Textalytics și altele

Tehnici de potrivire multilingvă
multilingual matching
potrivire pe baza etichetelor (e.g., via rdfs:label)
– disponibile în mai multe limbi – asociate conceptelor

Extensional techniques
folosind o mulțime de instanțe ce recurg la un concept,
se aplică metode statistice și/sau de învățare automată

Tehnici de potrivire la nivel structural
pe baza taxonomiei (tree-based)
reguli privitoare la super/sub-concepte
e.g., dacă super-conceptele sunt similare,
conceptele – copii ale acestora – sunt și ele similare

pe baza taxonomiei
potriviri ale drumurilor mărginite în graful ontologiilor
(bounded path matching)

Potrivire probabilistică
recurgerea la rețele Bayesiene ori Markov
pentru a evidenția posibilii candidați la potrivire

bazate pe modele
verificarea satisfiabilității (SAT) pe baza axiomelor:
Axioms → rel (context1, context2)

bazate pe modele – utilizarea logicilor descrierii

Procesele de potrivire pot avea loc secvențial

Procesele de potrivire se pot desfășura în paralel

Remarcă:
“Matching, however, requires explanations
because mappings between terms are not always
intuitively obvious to human users.”
Pavel Shvaiko, 2005

inter-
preta-
tion
simila-
rity
aggre-
gation
simila-
rity
compu-
tation
search
step
selec-
tion
feature
engi-
neering
alinierea ontologiilor
Procesul general: metodologie pentru crearea
asocierilor – mappings (M. Ehrig, 2006)
iteration

Date de intrare:
două ontologii O1 și O2
eventual, pot fi puse la dispoziție asocieri cunoscute
(realizate manual, semi-automat ori automat)

Date de ieșire:
o reprezentare a alinierilor
tabel indicând relația alignO1,O2
suplimentar, se pot oferi și valori de încredere

Pasul 1: feature engineering
sunt selectate fragmente mici descriind entități
de interes – reprezentând anumite semantici
ulterior, aceste trăsături vor fi folosite
pentru compararea ontologiilor

Pasul 2: search step selection
se caută candidați pentru aliniere
se calculează similaritatea unor perechi
de concepte (c1, c2), cu c1  O1, c2  O2

unele construcții pot fi ignorate
de exemplu,
se poate compara o1:car cu o2:automobile,
dar nu cu o2:hasMotor

suplimentar, se pot adopta strategii (euristici) de
reducere a spațiului comparațiilor pentru ontologii largi

Pasul 3: similarity computation
pentru descrierile date ale 2 entități din spațiul
de candidați ai alinierii, se indică o similaritate

pentru descrierile date ale 2 entități din spațiul
de candidați ai alinierii, se indică o similaritate
măsura similarității poate fi dată de
una sau mai multe caracteristici (trăsături, features)

exemplu:
simlabel(o1:car, o2:automobile) = simsynonym(“car”, “automobile”) = 1

Pasul 4: similarity aggregation
pentru 2 entități, pot exista mai multe similarități,
conform criteriilor considerate
e.g., privind etichetele conceptelor sau
relațiile cu alte entități

pentru 2 entități, pot exista mai multe similarități,
conform criteriilor considerate
aceste valori se agregă
într-o unică valoare de similaritate

exemplu:
(simlabel(o1:car, o2:automobile) +
simsubconcepts(o1:car, o2:automobile) +
siminstances(o1:car, o2:automobile)) / 3 = 0.5
combinarea acestor valori se realizează
prin mai multe strategii

Pasul 5: interpretation
valorile de similaritate individuale și agregate
sunt utilizate pentru alinierea entităților

valorile de similaritate individuale și agregate
sunt utilizate pentru alinierea entităților
aceste similarități vor fi interpretate
(se aleg diverse criterii: prag limită, structură etc.)

la final, se oferă sau nu o schemă de aliniere
a entităților considerate
exemplu: align(o1:car) =‘⊥’
nu s-a putut determina
nicio aliniere convenabilă

Pasul 6: iteration
similaritatea e propagată în ontologii
pe baza relațiilor între entități

Pasul 6: iteration
similaritatea e propagată în ontologii
pe baza relațiilor între entități
la fiecare interație, va fi recalculată similaritatea
unei alinieri candidate
pe baza similarității perechilor entităților vecine

Pasul 6: iteration
după realizarea unei interații,
pot rezulta alte similarități

Pasul 6: iteration
procesul se termină când nu se propun noi alinieri

Abordările avansate de aliniere utilizează:
potrivire contextuală (CBM – context-based matching)
potrivire bazată pe învățare (matching learning)
metode bazate pe reguli
tehnici de analiză structurală a grafurilor

Abordările avansate de aliniere utilizează:
tehnici de raționament – e.g., theorem proving
ajustare optimală (tuning)
îmbunătățirea alinierii: quality measures, debugging
algoritmi combinați, cu implicarea expertului uman
(user-driven composition, collective matching)

Există mai mulți algoritmi propuși
competiția anuală OAC – Ontology Alignment Contest
(2004—2017)
oaei.ontologymatching.org
detalii în P. Shvaiko, J. Euzenat, “Ontology Matching:
State of the Art and Future Challenges”,
IEEE Transactions on Knowledge and Data Engineering (2013)
disi.unitn.it/~p2p/RelatedWork/Matching/SurveyOMtkde_SE.pdf

De asemenea, se pot folosi cunoștințe anterioare
(background knowledge)
WordNet
ontologii de referință ale domeniului
ontologii de nivel superior – e.g., DOLCE, SUMO, UMBEL
resurse textuale on-line (Wikipedia – DBpedia, Wikidata)
vocabulare/ontologii disponibile on-line

pentru două entități provenind din vocabularele AGROVOC și NAL
(National Agricultural Library) se deduce automat
că termenul Food este mai general decât Beef
sistemul de efectuare a potrivirilor (matcher) a recurs la cunoștințe
anterioare (background knowledge) disponibile pe Web

implementări

procese de bază vizând alinierea (Lambrix & Tan, 2005)

implementări: S-Match
Utilizează scheme (e.g., specificații XML Schema, OWL,…)
calculează relații de similaritate: echivalență (≡),
mai general (⊒), mai puțin general (⊑), disjuncție (⊥)
transformă fiecare ontologie într-o teorie propozițională
folosind definiții WordNet + structura ontologică
procesele sunt rulate secvențial

implementări: S-Match
github.com/opendatatrentino/s-match

implementări: LogMap
Acceptă scheme (TBox) + instanțe (ABox)
aplică partiționarea ontologiilor de mari dimensiuni
și eliminarea fragmentelor (pruning) incomparabile
„repararea asocierilor” (mapping repair)
via algoritmi de verificare a satisfiabilității
oferit și la nivel de Web,
incluzând acces și la diverse sisteme de reasoning

implementări: LogMap
Ernesto Jiménez Ruiz‚ Bernardo Cuenca Grau‚ Ian Horrocks
http://www.cs.ox.ac.uk/isg/projects/LogMap/

implementari (actuale)
arhitectura generală a framework-ului COMA++ 3.0
(S. Massmann et al., 2011; P. Arnold & E. Rahm, 2014)
dbs.uni-leipzig.de/Research/coma.html

implementări: Alignment
Platformă Web open-source colaborativă
alinierile generate sunt disponibile via SPARQL
sau un API tradițional
implementare PHP + Java
detalii în S. Karampatakis et al., Alignment: A Collaborative, System
Aided, Interactive Ontology Matching Platform, OM 2017
disi.unitn.it/~pavel/om2017/papers/om2017_poster3.pdf

implementări: Alignmentgithub.com/okgreece/Alignment

implementări
AgreementMaker – include o multitudine de sisteme
automate de potrivire, cu suport pentru extensii
ASMOV – integrarea informațiilor din aria bioinformaticii
CogZ – investighează interacțiunea cu utilizatorul în cadrul
proceselor de aliniere ontologică
eTuner – metamatcher, capabil să ajusteze automat
diverși parametri de control
Falcon – utilizează divide-et-impera și
algoritmi de clustering pentru alinieri de ontologii largi
SAMBO – focalizat asupra potrivirii și
fuziunii de ontologii biomedicale
RiMOM – framework ce folosește strategii multiple
conform unor algoritmi de decizie bayesiană

utilizarea alinierilor
După efectuarea alinierilor, pot avea loc procese precum:
fuziune – Merge (o, o’, A) = o’’
traducere – Translate (d, A) = d’
interconectare – Interlink (d, d’, A) = L
rescriere de interogări – TransformQuery (q, A) = q’

fuziunea ontologiilor
Merging ontology – algoritmul general:

fuziunea ontologiilor
Merging ontology – în cazul ontologiilor OWL:

Câteva exemple de utilizări pragmatice
ale ontologiilor?

Dezvoltarea unei/unor ontologii
trebuie să reprezinte doar primul pas
un model conceptual nu are sens
dacă nu e utilizat în practică
James Handler, Wither OWL, ESWC 2016
www.slideshare.net/jahendler/wither-owl

baze de date
aplicații
native
servicii
Web
problem-solving
methods
baze de
cunoștințe
recomandare,
filtrare, analiză,
vizualizări,…
adaptare după Alan Rector et al., 2005
declară o manieră
de structurare
oferă o descriere
a unui domeniu (web)
ontologii

baze de date
aplicații
native
servicii
Web
problem-solving
methods
baze de
cunoștințe
recomandare,
filtrare, analiză,
vizualizări,…
adaptare după Alan Rector et al., 2005
declară o manieră
de structurare
oferă o descriere
a unui domeniu (web)
ontologii
eventual, aplicând
alte tehnici din
inteligența artificială

utilizare practică a ontologiilor
Domenii având cunoștințe modelate via ontologii
agricultura
AGROVOC (multilingual agricultural vocabulary),
Fisheries ontology, Geopolitical ontology, OpenAGRIS etc.
aims.fao.org/AIMS_semantics

biologie
GO (Gene Ontology)
BioPAX (Biological Pathways Exchange ontology)
www.biopax.org

biomedicină
OBO – Open Biological and Biomedical Ontologies
e.g., PRO (PRotein Ontology), Anatomical Entity Ontology,
Common Anatomy Reference Ontology etc.
www.bioontology.org

www.obofoundry.org

comerț electronic
GoodRelations, FAB (Food and Beverage Ontology),
PTO (Product Types Ontology), TIO (Tickets Ontology),…
purl.org/goodrelations/
www.productontology.org

legislație
LKIF (Legal Knowledge Interchange Format),
OPJK (Ontology of Professional Judicial Knowledge),
IPROnto (Intellectual Property Rights Ontology) etc.
github.com/RinkeHoekstra/lkif-core

modelarea conceptelor din legislația spaniolă
(Oscar Corcho et al.)

mass-media
Business News Ontology, Food Ontology, Journalism
Ontology, Politics Ontology, Programmes Ontology,
Wildlife Ontology,… create și folosite de BBC
www.bbc.co.uk/ontologies

cercetări ale spațiului cosmic
SWEET (Semantic Web for Earth and Environmental
Terminology) – github.com/nasa/dictionaries
Orbital Space Ontology & Terminology/Taxonomy Project
rrovetto.github.io/Orbital-Space-Ontology-Project/

preluarea datelor de la senzori
constituirea așa-numitelor semantic sensor networks
ce recurg la modele conceptuale – e.g., OntoSensor
www.slideshare.net/joshsh/semantics-and-sensors
www.slideshare.net/ocorcho/semantic-social-sensor-networks

Web of Things
modelare + interconectare a dispozitivelor
în contextul IoT (Internet of Things)
www.w3.org/TR/wot-architecture/
webofthings.org/category/research/

TD (Thing Description) se exprimă în RDF și
descrie meta-datele, plus interfețele unei entități
(sensor, servient, alt dispozitiv)
conform Web of Things (WoT) Thing Description
(în lucru la W3C, 19 decembrie 2017)
w3c.github.io/wot-thing-description/

descrierea utilizatorilor
Friend Of A Friend – www.foaf-project.org
PersonasOnto – blankdots.com/open/personasonto.html

ontology-based semantic search
se bazează pe structura/înțelesul datelor și
pe cunoștințe anterioare modelate explicit
schema.org – schema.org
dbonto.cs.ox.ac.uk/workshop16.html

ontology-based semantic search
diverse exemplificări:
S. Polavaram, G.A. Ascoli, An Ontology-based Search Engine for Digital
Reconstructions of Neuronal Morphology, Brain Informatics,
4 (2), 2017 – link.springer.com/article/10.1007/s40708-017-0062-x
M. Paredes-Valverde et al., ONLI: An Ontology-based System
for Querying DBpedia Using Natural Language Paradigm,
Expert Systems with Applications, 42 (12), 2015
www.sciencedirect.com/science/article/pii/S0957417415001414
K. Lee et al., Location-based Service Using Ontology-based Semantic
Queries: A Study with a Focus on Indoor Activities in a University
Context, Computers, Environment & Urban Systems, Vol. 62, 2017
www.sciencedirect.com/science/article/pii/S0198971516301259
A. Soylu et al., Ontology-based End-user Visual Query Formulation:
Why, what, who, how, and which?,
Universal Access in the Information Society, 16 (2), 2017
www.cs.ox.ac.uk/files/8116/Soylu_et_al_UAIS_2016.pdf

ingineria modelării cunoștințelor
provenance of a resource = a record that describes entities
and processes involved in producing and delivering
or otherwise influencing that resource
www.w3.org/2001/sw/wiki/ESWC2013ProvTutorial

contribuții autohtone: S. Buraga, C. Gheorghiu,
An Ontological Approach for Specifying Provenance
into SPARQL Service Descriptions, KSEM 2014
link.springer.com/chapter/10.1007%2F978-3-319-12096-6_28
PROV
Provenance Ontology
recomandare W3C (2013)

question answering
utilizarea tehnologiilor Web-ului semantic pentru a obține
răspunsuri (exacte) la întrebări formulate în limbaj natural
instrumente open source: LODQA, YodaQA
proiect de cercetare recent: WDAqua – wdaqua.eu
www.slideshare.net/JensLehmann/question-answering-application-and-challenges

Domenii având
cunoștințe modelate
via ontologii
inginerie industrială
integrarea cunoștințelor,
detecția defectelor,
verificarea
constrângerilor,
automatizare,…
sssw.org/2016/?page_id=384
Software Eng.Mechanical Eng. Electrical Eng.

Totuși, ce este Web-ul semantic?

ce este web-ul semantic
Data interoperability across applications
and organizations (for IT)
conform Tim Berners-Lee

A set of interoperable standards
for knowledge exchange

An architecture for interconnected
communities and vocabularies

meta-date și relații descrise semantic
în cadrul și între documentele Web

Web-ul semantic oferă un punct de vedere abstract
„ascunde” documentele

se oferă premisele modelării conceptuale a resurselor

se oferă premisele modelării conceptuale a resurselor
(date, informații, cunoștințe)
relație atomică
modelul
RDF

viziunea stratificată privitoare la Semantic Web
(Tim Berners-Lee)

Mit:
the semantic Web technology is Description Logic
OWL este doar un limbaj al Web-ului semantic
aplicațiile (dezvoltatorii) care doresc să exprime
diverse expresivități îl pot utiliza

Asigurarea interoperabilității
o abordare pragmaticăfolosirea și altor limbaje via URI
exemplu notabil:
JSON-LD – linked data via JSON
json-ld.org

antecedent consecvent
Având un model ontologic (consistent), pot fi
exprimate reguli referitoare la entitățile modelate
if condition then conclusion

Via reguli, pot fi deduse noi aspecte de interes
e.g., dacă un membru al unei echipe e interesat
de un limbaj de programare, atunci echipa în ansamblu
e interesată de acel limbaj
?person interestedBy ?lang
?person member ?team
?team interestedBy ?lang

reguli
de la formule logice la reguli (Subrata Das, 2008)

RIF (Rule Interchange Format)
suită de specificații W3C standardizate (2010, 2013)
www.w3.org/2005/rules/
www.w3.org/TR/rif-overview/
ruleml.org

scop:
asigurarea interoperabilității vizând specificarea regulilor
și transferul între sisteme de reguli existente

limitarea raționamentelor (ipoteza lumilor deschise)
prin reguli, se poate impune NAF – negation as failure
“If Cristina isn’t known to have a brother,
then assert she is brother-less.”

regulile pot fi utilizare și în cadrul medierilor ontologice
la nivel de TBox și/sau ABox
“If Ana knows Bogdan and Bogdan knows Carmen
and Carmen hasFamilyMember Dana,
then assert Dana canTrust Ana.”

reguli – rif
trăsături de bază (Core) și extensii:
BLD (Basic Logic Dialect) + PRD (Production Rule Dialect)

RIF BLD – Basic Logic Dialect
aserțiunile privind condițiile + concluziile sunt monotone
valoarea de adevăr a predicatelor nu poate fi schimbată

RIF BLD – Basic Logic Dialect
if Ana rel:childOf Bogdan
and Bogdan rel:brotherOf Cosmin
then Cosmin rel:uncleOf Ana

RIF PRD – Production Rule Dialect
aserțiunile despre condiții + concluzii nu sunt monotone
valoarea de adevăr a predicatelor poate fi modificată
(similar situației de la limbajele de programare)

RIF PRD – Production Rule Dialect
if customer.level = "premium"
then customer.discount = 0.25
inițial: customer.discount = 0

Studiu de caz (Amit Sheth)
utilizarea ontologiilor și regulilor
în contextul aplicațiilor financiare
scop:
automatizarea detectării inconsistențelor
și neregulilor financiare

Studiu de caz (Amit Sheth)
specificarea riguroasă a terminologiei
din sistemul financiar
integrarea datelor din surse multiple (semi)structurate
managementul și evaluarea formulelor analitice
asupra datelor financiare

Studiu de caz (Amit Sheth, 2006)
pasul I:
crearea ontologiei – financial domain ontology –,
populată pe baza unor surse de încredere

pasul II:
implementarea unor extractori software
pentru eliminarea ambiguităților privind datele
+ deducerea relațiilor relevante dintre acestea

pasul III:
dezvoltarea unui cadru de lucru
pentru specificarea formulelor/regulilor
și pentru interogarea cunoștințelor modelate ontologic

Studiu de caz (Q. Zhu et al., 2010)
recurgerea la reguli pentru descoperirea
informațiilor privitoare la medicamente
scop:
detectarea relațiilor între componentele medicamentelor
și efecte biologice, în contextul diverselor afecțiuni

Studiu de caz (Q. Zhu et al., 2010)
date preluate via servicii Web:
PubChem Compound, Pubchem BioAssay, Drug Bank
agregarea informațiilor se realizează folosind
WENDI (Web Engine for Non-obvious Drug Information)
procesare – inclusiv a regulilor – folosind Apache Jena

Scenariu de recomandare de produse (S. Hawke, 2009)
utilizatorul se află într-un magazin și
dorește să cumpere un obiect
folosind telefonul mobil scanează produsul și poate obține
via sistem(e) de reguli descrise semantic
prețul în alte magazine din vecinătate, caracteristici de
interes – e.g., proveniență, componente, păreri,
pericole/maniere de utilizare,… –,
oferte ale producătorului, dacă prietenii îl dețin deja etc.

Mit:
semantic Web is about public data
tehnologiile Web-ului semantic se pot aplica
și în cazul datelor la nivel personal, de grup,
organizațional – inclusiv vizând mediile enterprise

Mit:
semantic Web is about public data
…dar nu trebuie ignorate așteptările utilizatorilor
acces public la informații/cunoștințe procesabile automat
open knowledge
open government, open culture, open science etc.

Diverse aspecte avute în vedere de Web-ul semantic
pot fi aplicații pe scară largă
(e.g., în cadrul cloud computing, în contextul big data)
căutare, regăsire, reutilizare de date/cunoștințe
data/relation/knowledge mining
sisteme de recomandare (socială) „inteligentă”
etc.

problematici avute în vedere de Web science
ce va fi web-ul semantic

ce va fi web-ul semantic
Open Source Algorithms for Distributed Data Processing
for Large-scale RDF Knowledge Graphs
SANSA (Scalable Semantic Analytics Stack) – sansa-stack.net

Extragerea și înțelegerea informațiilor (textuale,
multimedia) disponibile în cadrul resurselor Web
Actualizarea automată și permanentă a cunoștințelor
(keep knowledge up-to-date)
Managementul cunoștințelor complexe
e.g., Most of the global warming in the last 50 years was
caused by human beings, to a high degree of certainty
context mai larg: deep understanding
ce va fi web-ul semantic: direcții majore
Xin Luna Dong, How Far Are We from Collecting the Knowledge in the World? (ICWE 2016)

rezumat
ꐪ
knowledge engineering
de la alinieri la utilizări pragmatice ale ontologiilor
studii de caz + perspective

episodul viitor: evaluarea proiectului (P)

Mult succes!

WADe 2017-2018 (12/12) Ontology Engineering: Ontology Alignment. Pragmatic Uses. Perspectives

Recommended

Recommended

More Related Content

Similar to WADe 2017-2018 (12/12) Ontology Engineering: Ontology Alignment. Pragmatic Uses. Perspectives

Similar to WADe 2017-2018 (12/12) Ontology Engineering: Ontology Alignment. Pragmatic Uses. Perspectives (20)

More from Sabin Buraga

More from Sabin Buraga (20)

WADe 2017-2018 (12/12) Ontology Engineering: Ontology Alignment. Pragmatic Uses. Perspectives