Ontologie per i linked open data / Stefano De Luca, Paola De Caro, Claudia C...libriedocumenti
Conferenza tenuta presso la ex SSAB da Stefano De Luca e Paola De Caro (Evodevo) il 12-03-2015 nell'ambito del 9. ciclo "Biblioteche libri documenti: dall'informazione alla conoscenza", a.a. 2014-2015, Prof.ssa M.T. Biagetti
Il World Wide Web nasce 25 anni fa al CERN, inventato per permettere lo scambio rapido di informazioni tra i fisici del laboratorio di Ginevra e quelli delle università e gli istituti di ricerca nel mondo. Quella rete, concepita allora per condividere la scienza tra gli addetti ai lavori, mette oggi a disposizione di tutti, anche a chi scienziato non è, i risultati delle ricerche e il patrimonio globale della conoscenza scientifica. Se il web permette di accedere democraticamente alla conoscenza scientifica, consente anche l’espressione altrettanto democratica della propria opinione, apparentemente senza filtri. Sulla rete hanno così trovato voce e spazio anche le teorie pseudoscientifiche più audaci, che, nel caso della fisica, spiegherebbero il funzionamento dell’universo meglio di quelle di Einstein o Feymann. Come insegnare a chi scienziato non è a distinguere le teorie squinternate dalla scienza? Possono gli scienziati comunicare i risultati del loro lavoro in un’arena in cui le opinioni sembrano contare più dei fatti? È possibile uscire (e fare uscire) dalle “camere a eco” che non fanno che confermare le proprie credenze?
Ontologie per i linked open data / Stefano De Luca, Paola De Caro, Claudia C...libriedocumenti
Conferenza tenuta presso la ex SSAB da Stefano De Luca e Paola De Caro (Evodevo) il 12-03-2015 nell'ambito del 9. ciclo "Biblioteche libri documenti: dall'informazione alla conoscenza", a.a. 2014-2015, Prof.ssa M.T. Biagetti
Il World Wide Web nasce 25 anni fa al CERN, inventato per permettere lo scambio rapido di informazioni tra i fisici del laboratorio di Ginevra e quelli delle università e gli istituti di ricerca nel mondo. Quella rete, concepita allora per condividere la scienza tra gli addetti ai lavori, mette oggi a disposizione di tutti, anche a chi scienziato non è, i risultati delle ricerche e il patrimonio globale della conoscenza scientifica. Se il web permette di accedere democraticamente alla conoscenza scientifica, consente anche l’espressione altrettanto democratica della propria opinione, apparentemente senza filtri. Sulla rete hanno così trovato voce e spazio anche le teorie pseudoscientifiche più audaci, che, nel caso della fisica, spiegherebbero il funzionamento dell’universo meglio di quelle di Einstein o Feymann. Come insegnare a chi scienziato non è a distinguere le teorie squinternate dalla scienza? Possono gli scienziati comunicare i risultati del loro lavoro in un’arena in cui le opinioni sembrano contare più dei fatti? È possibile uscire (e fare uscire) dalle “camere a eco” che non fanno che confermare le proprie credenze?
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...Giorgia Lodi
La presentazione è stata fatta in occasione del raduno annuale open data sicilia ( 2018). La presentazione introduce OntoPiA e alcuni modelli ontologici sulle persone e sui ruoli delle persone.
Cmplx school spoleto_ve_reti1su3_22ago2016Valerio Eletti
Lezione dedicata ai concetti chiave delle teorie delle reti sociali complesse. Primo di tre ppt utilizzati nell'incontro del 22 agosto 2016 ad Aghielli (Spoleto) per il Complexity Institute.
Folksonomy e Web 2.0. Questioni metodologiche e implicazioni socialiMatteo Vergani
Questa slideshow è stata presentata agli studenti dell'Università Cattolica di Milano. L'articolo da cui sono tratti i contenuti è:
Vergani, M. (2010), Folksonomy nel Web 2.0: questioni metodologiche e implicazioni sociali, in Monaci, S. e Scifo, B. (a cura di), «Sociologia 2.0. Pratiche sociali e metodologie di ricerca sui media partecipativi», Scriptaweb, Napoli, pp. 93-108.
CM Literacy Meeting - Traccia libri consigliati da Valerio ElettiComplexity Institute
Per il Complexity Management Literacy Meeting 2014, Valerio Eletti - Direttore Scientifico del “Complexity Education Project” dell’Università Sapienza di Roma, curatore della collana “I Quaderni della complessità” della Guaraldi e docente della Complexity Management Business School del Complexity Institute - ha presentato come Libri Consigliati:
- Lexicon of Complexity, di Fortunato Tito Arecchi e Alessandro Farini
- Il Glossario dell'Auto-Organizzazione, di Francesco Trombetta
- Come funziona il Caos. Dal moto dei pianeti all’effetto farfalla, di Ivar Ekeland
SAPIENZA UNIVERSITA’ DI ROMA
DIPARTIMENTO DI SCIENZE DOCUMENTARIE, LINGUISTICO-FILOLOGICHE E GEOGRAFICHE
SCUOLA DI SPECIALIZZAZIONE IN BENI ARCHIVISTICI E LIBRARI
Anno accademico 2012-2013
Insegnamento: INFORMATICA PER GLI ARCHIVI E LE BIBLIOTECHE
Prof. Giovanni Solimine
Modulo integrativo
INFORMATICA PER LE BIBLIOTECHE
Prof. Maurizio Caminito
Sapienza Università di Roma
Anno Accademico 2012 – 2013
Informatica per gli Archivi e le Biblioteche
Prof.ssa Linda Giuva
Prof. Maurizio Caminito
Lezione 9a
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...Giorgia Lodi
La presentazione è stata fatta in occasione del raduno annuale open data sicilia ( 2018). La presentazione introduce OntoPiA e alcuni modelli ontologici sulle persone e sui ruoli delle persone.
Cmplx school spoleto_ve_reti1su3_22ago2016Valerio Eletti
Lezione dedicata ai concetti chiave delle teorie delle reti sociali complesse. Primo di tre ppt utilizzati nell'incontro del 22 agosto 2016 ad Aghielli (Spoleto) per il Complexity Institute.
Folksonomy e Web 2.0. Questioni metodologiche e implicazioni socialiMatteo Vergani
Questa slideshow è stata presentata agli studenti dell'Università Cattolica di Milano. L'articolo da cui sono tratti i contenuti è:
Vergani, M. (2010), Folksonomy nel Web 2.0: questioni metodologiche e implicazioni sociali, in Monaci, S. e Scifo, B. (a cura di), «Sociologia 2.0. Pratiche sociali e metodologie di ricerca sui media partecipativi», Scriptaweb, Napoli, pp. 93-108.
CM Literacy Meeting - Traccia libri consigliati da Valerio ElettiComplexity Institute
Per il Complexity Management Literacy Meeting 2014, Valerio Eletti - Direttore Scientifico del “Complexity Education Project” dell’Università Sapienza di Roma, curatore della collana “I Quaderni della complessità” della Guaraldi e docente della Complexity Management Business School del Complexity Institute - ha presentato come Libri Consigliati:
- Lexicon of Complexity, di Fortunato Tito Arecchi e Alessandro Farini
- Il Glossario dell'Auto-Organizzazione, di Francesco Trombetta
- Come funziona il Caos. Dal moto dei pianeti all’effetto farfalla, di Ivar Ekeland
SAPIENZA UNIVERSITA’ DI ROMA
DIPARTIMENTO DI SCIENZE DOCUMENTARIE, LINGUISTICO-FILOLOGICHE E GEOGRAFICHE
SCUOLA DI SPECIALIZZAZIONE IN BENI ARCHIVISTICI E LIBRARI
Anno accademico 2012-2013
Insegnamento: INFORMATICA PER GLI ARCHIVI E LE BIBLIOTECHE
Prof. Giovanni Solimine
Modulo integrativo
INFORMATICA PER LE BIBLIOTECHE
Prof. Maurizio Caminito
Sapienza Università di Roma
Anno Accademico 2012 – 2013
Informatica per gli Archivi e le Biblioteche
Prof.ssa Linda Giuva
Prof. Maurizio Caminito
Lezione 9a
How can a cultural institution provide and spread information about itself and its assets? Just a web site is not enough. Semantic Technologies to representing cultural heritage data.
Herbrand-satisfiability of a Quantified Set-theoretical Fragment (Cantone, Lo...
Semantic Web e Linked Open Data - Parte I
1. Introduzione Ontologie Interrogazioni Vocabolari
Linked Open Data e Semantic Web:
Fondamenti e Linguaggi di Interrogazione
Parte Prima
Cristiano Longo
longo@dmi.unict.it
Universita di Catania, 2014-2015
4. Introduzione Ontologie Interrogazioni Vocabolari
World Wide Web Consortium
Le tecnologie del Web Semantico rispondono ad un insieme di standard e protocolli
promossi e mantenuti dal World Wide Web Consortium (in breve W3C, vedi
http://www.w3.org).
Il W3C e un consorzio di standardizzazione per il Web che conta 403 membri tra
aziende e organizzazioni governative: CNR, Microsoft Corporation, Apple Inc., Intel
Corporation, Facebook, Google Inc., . . .
Altri standard sviluppati in seno al W3C sono: URL, HTTP, XML, HTML, CSS,
SOAP, WSDL, Javascript.
5. Introduzione Ontologie Interrogazioni Vocabolari
Limiti del World Wide Web (1/4)
The Web was designed as an information space, with the goal that it should
be useful not only for human-human communication, but also that machines
would be able to participate and help. One of the major obstacles to this has
been the fact that most information on the Web is designed for human
consumption, and even if it was derived from a database with well de
6. ned
meanings (in at least some terms) for its columns, that the structure of the
data is not evident to a robot browsing the web.
Semantic Web Roadmap, Tim Berners-Lee, 1998.
7. Introduzione Ontologie Interrogazioni Vocabolari
Limiti del World Wide Web (2/4)
Alcuni problemi nell'interpretazione di testi derivano da:
Lingue Dierenti e.g. Parigi e Paris possono indicare la stessa citta.
Omonimie e.g. esistono svariate citta chiamate Paris nel mondo (Arkansas,
Idaho, Illinois, Kentucky, Maine, Michigan, Missouri, New York, . . . );
9. Introduzione Ontologie Interrogazioni Vocabolari
Limiti del World Wide Web (4/4)
Come conseguenza, spesso e impossibile eseguire su web ricerce complesse ottenendo
risultati accurati. Ad esempio, cercando sul web Federico II places non si ottengono
risultati in prima pagina su Federico II, ma solo sull'omonima universita:
1 Universita degli Studi di Napoli Federico II | OPEN Places
2 AOU - Policlinico Federico II - Napoli, Italy - Hospital | Facebook
3 Federico II Ingegneria Via Claudio - College and University | Facebook
4 MARIA CATERINA FONTE - www.docenti.unina.it
10. Introduzione Ontologie Interrogazioni Vocabolari
Il Web Semantico (1/2)
[. . . ] the Semantic Web approach instead develops languages for expressing
information in a machine processable form.
Semantic Web Roadmap, Tim Berners-Lee, 1998.
Figure : Federico II su dbpedia.org
11. Introduzione Ontologie Interrogazioni Vocabolari
Il Web Semantico (1/2)
I linguaggi di rappresentazione usati nel Web semantico hanno una sintassi rigorosa e
sono dotati di una semantica formale.
Questo rende possibile eettuare interrogazioni complesse sui dataset, ottenendo dei
risultati precisi anche se a volte parziali:
Q = Luoghi di nascita di Federico II e dei suoi parenti stretti .
12. Introduzione Ontologie Interrogazioni Vocabolari
Linked Open Data Cloud (1/2)
The Semantic Web is a web of data, in some ways like a global database.
Semantic Web Roadmap, Tim Berners-Lee, 1998.
Figure : Linked Open Data Cloud
13. Introduzione Ontologie Interrogazioni Vocabolari
Linked Open Data Cloud (2/2)
Nel Linked Open Data Cloud sono presenti 365 dataset (fonte
http://stats.lod2.eu/).
Alcuni dataset:
DBPedia (dbpedia.org) corrispondente a wikipedia.org;
Linked Movie Database (http://linkedmdb.org/) controparte sul Web
Semantico di Internet Movie Database (http://www.imdb.com/);
Linked GeoData (http://linkedgeodata.org) contiene i dati di OpenStreetMap
(http://www.openstreetmap.org/);
AGROVOC (http://aims.fao.org/agrovoc) e il dataset della FAO
(http://fao.org);
Europeana (http://pro.europeana.eu/linked-open-data) contiene dati su
beni culturali e tradizioni Europee.
14. Introduzione Ontologie Interrogazioni Vocabolari
Linked Data (1/2)
I dataset nel Web Semantico possono essere collegati tra loro. Ad esempio, una stessa
risorsa puo essere descritta sotto diversi aspetti in dataset dierenti.
Ad esempio, la citta di Catania e presente:
come pubblica amministrazione nel dataset del sistema pubblico di connettivita e
cooperazione http://spcdata.digitpa.gov.it/;
come divisione amministrativa nel dataset http://www.geonames.org;
come area territoriale nel dataset dell'ISTAT
http://linkedstat.spaziodati.eu/.
15. Introduzione Ontologie Interrogazioni Vocabolari
Linked Data (2/2)
E
possibile eettuare interrogazioni che coinvolgano diversi dataset (anche
eterogenei).
Ad esempio, la seguente query puo essere eseguita interrogando un data set
contenente dati storici ed uno sulle strutture ricettive:
Q = Strutture ricettive nei luoghi di nascita di Federico II e dei suoi parenti stretti.
17. niti ontologie.
Una ontologia e una descrizione parziale del mondo:
descrive una porzione del mondo, spesso e limitata ad un'unico dominio di
conoscenza;
non si assume che i fatti non esplicitamente presenti nell'ontologia siano falsi
(Open World Assumption).
Essa e costituita da un insieme
18. nito di aermazioni. Ad esempio:
Tutti gli esseri umani sono mortali;
Socrate e mortale;
Alice e la madre di Roberto.
19. Introduzione Ontologie Interrogazioni Vocabolari
Ontologie - Aermazioni
Le aermazioni contenute in una ontologia sono di tre tipi:
Constraints: impongono dei vincoli semantici sul dominio di conoscenza che si va a
rappresentare. La notazione richiama quella insiemistica;
HumanBeing v Mortal
Property Assertions: impongono una relazione tra due elementi del dominio;
Alice motherOf Bob
Class Assertions: indicano l'appartenenza di un elemento ad un insieme.
HumanBeing(Socrate)
20. Introduzione Ontologie Interrogazioni Vocabolari
Ontologie - Reasoning
Con il termine reasoning si intende l'attivita di estrazione di conoscenza implicita in
una ontologia.
HumanBeing v Mortal;
HumanBeing(Socrate)
=) Mortal(Socrate)
Le attivita di reasoning sono rese possibili dalle semantiche formali associate ai
linguaggi di rappresentazione utilizzati.
23. niti, numerabili e a due a due disgiunti di nomi di
classe, proprieta e individuo, rispettivamente.
Una ontologia e un insieme
24. nito di asserzioni dei seguenti tipi:
Sintassi Semantica
Constraints C v D (8x)(x 2 C ! x 2 D)
R v S (8x; y)([x; y] 2 R ! [x; y] 2 S)
dom(R) v C (8x; y)([x; y] 2 R ! x 2 C)
range(R) v C (8x; y)([x; y] 2 R ! y 2 C)
Class Assertions C(a) a 2 C
Property Assertions a P b (equivalente P(a; b)) [a; b] 2 P
dove C;D 2 NC , R; S 2 NP e a; b 2 NI .
25. Introduzione Ontologie Interrogazioni Vocabolari
Ontologie - Esempio
Riportiamo un esempio di ontologia. Siano HumanBeing;Mortal 2 NC ,
teacherOf 2 NP, Socrate; Platone 2 NI .
O = fHumanBeing v Mortal;
range(teacherOf ) v HumanBeing;
HumanBeing(Socrate);
Socrate teacherOf Platoneg
26. Introduzione Ontologie Interrogazioni Vocabolari
Ontologie - Esempio
Riportiamo un esempio di ontologia. Siano HumanBeing;Mortal 2 NC ,
teacherOf 2 NP, Socrate; Platone 2 NI .
Mediante reasoning e possibile esplicitare ulteriori aermazioni.
O = fHumanBeing v Mortal; O0 = fMortal(Socrate);
range(teacherOf ) v HumanBeing; =)
HumanBeing(Socrate); g
Socrate teacherOf Platoneg
27. Introduzione Ontologie Interrogazioni Vocabolari
Ontologie - Esempio
Riportiamo un esempio di ontologia. Siano HumanBeing;Mortal 2 NC ,
teacherOf 2 NP, Socrate; Platone 2 NI .
Mediante reasoning e possibile esplicitare ulteriori aermazioni.
O = fHumanBeing v Mortal; O0 = fMortal(Socrate);
range(teacherOf) v HumanBeing; =) HumanBeing(Platone);
HumanBeing(Socrate); g
Socrate teacherOf Platoneg
28. Introduzione Ontologie Interrogazioni Vocabolari
Ontologie - Esempio
Riportiamo un esempio di ontologia. Siano HumanBeing;Mortal 2 NC ,
teacherOf 2 NP, Socrate; Platone 2 NI .
Mediante reasoning e possibile esplicitare ulteriori aermazioni.
O = fHumanBeing v Mortal O0 = fMortal(Socrate);
range(teacherOf ) v HumanBeing; =) HumanBeing(Platone)
HumanBeing(Socrate); Mortal(Platone)g
Socrate teacherOf Platoneg
29. Introduzione Ontologie Interrogazioni Vocabolari
Interrogazioni
Il metodo piu immediato per ottenere informazioni da una ontologia e il Conjunctive
Query Answering. Consideriamo ad esempio la seguente ontologia:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Alcune interrogazioni che e possibile eettuare con il conjunctive query answering
sono:
Trova tutti gli individui maschi.
Chi sono gli individui con almeno un
37. nito, numerabile e disgiunto da NC , NP e NI delle
variabili. Le formule atomiche sono espressioni dei due seguenti tipi:
C(x); P(x; y)
con x; y 2 NI [ V, P 2 NC e P 2 NP.
Esempi di formule atomiche sono:
HumanBeing(x),
x childOf Alice,
Bob childOf x,
x childOf y,
Mortal(Socrate),
Alice childOf Elise
con HumanBeing;Mortal 2 NC , childOf 2 NP, Alice; Bob; Elise 2 NI e x; y 2 V.
38. Introduzione Ontologie Interrogazioni Vocabolari
Formule Atomiche Chiuse
Una formula atomica nella quale non compaiano variabili si dice chiusa.
Negli esempi che seguono sono evidenziate le formule atomiche chiuse:
HumanBeing(x),
x childOf Alice,
Bob childOf x,
x childOf y,
Mortal(Socrate),
Alice childOf Elise
con HumanBeing;Mortal 2 NC , childOf 2 NP, Alice; Bob; Elise 2 NI e x; y 2 V.
39. Introduzione Ontologie Interrogazioni Vocabolari
Formule Atomiche Chiuse
Una formula atomica nella quale non compaiano variabili si dice chiusa.
Negli esempi che seguono sono evidenziate le formule atomiche chiuse:
HumanBeing(x),
x childOf Alice,
Bob childOf x,
x childOf y,
Mortal(Socrate),
Alice childOf Elise
con HumanBeing;Mortal 2 NC , childOf 2 NP, Alice; Bob; Elise 2 NI e x; y 2 V.
Le asserzioni presenti nelle ontologie sono formule atomiche chiuse.
41. nita di formule atomiche T1 ^ : : : ^ Tn.
Alcuni esempi di query congiuntive:
Trova tutti gli individui maschi.
Male(x)
Chi sono gli individui con almeno un
45. nire le soluzioni (risposte) delle query congiuntive introduciamo la nozione di
sostituzione.
Una sostituzione = [x1 ! a1; : : : ; xn ! an] (x1; : : : ; xn 2 V, a1; : : : ; an 2 NI ) e una
mappa
46. nita che associa nomi di individui a variabili.
Sia T una formula atomica e = [x1 ! a1; : : : ; xn ! an] una sostituzione.
L'applicazione T di a T e la formula atomica che si ottiene sostituendo in T ad
ogni occorrenza della variabile xi il corrispondente nome di individuo ai , per ogni
1 i n.
Alcuni esempi:
Male(x)[x ! Bob] = Male(Bob)
Male(x)[y ! Bob] =
(x childOf y)[x ! Alice] =
(x childOf y)[x ! Alice; y ! Elise] =
con x; y 2 V, Male 2 NC , childOf 2 NP e Alice; Bob; Elise 2 NI .
48. nire le soluzioni (risposte) delle query congiuntive introduciamo la nozione di
sostituzione.
Una sostituzione = [x1 ! a1; : : : ; xn ! an] (x1; : : : ; xn 2 V, a1; : : : ; an 2 NI ) e una
mappa
49. nita che associa nomi di individui a variabili.
Sia T una formula atomica e = [x1 ! a1; : : : ; xn ! an] una sostituzione.
L'applicazione T di a T e la formula atomica che si ottiene sostituendo in T ad
ogni occorrenza della variabile xi il corrispondente nome di individuo ai , per ogni
1 i n.
Alcuni esempi:
Male(x)[x ! Bob] = Male(Bob)
Male(x)[y ! Bob] = Male(x)
(x childOf y)[x ! Alice] =
(x childOf y)[x ! Alice; y ! Elise] =
con x; y 2 V, Male 2 NC , childOf 2 NP e Alice; Bob; Elise 2 NI .
51. nire le soluzioni (risposte) delle query congiuntive introduciamo la nozione di
sostituzione.
Una sostituzione = [x1 ! a1; : : : ; xn ! an] (x1; : : : ; xn 2 V, a1; : : : ; an 2 NI ) e una
mappa
52. nita che associa nomi di individui a variabili.
Sia T una formula atomica e = [x1 ! a1; : : : ; xn ! an] una sostituzione.
L'applicazione T di a T e la formula atomica che si ottiene sostituendo in T ad
ogni occorrenza della variabile xi il corrispondente nome di individuo ai , per ogni
1 i n.
Alcuni esempi:
Male(x)[x ! Bob] = Male(Bob)
Male(x)[y ! Bob] = Male(x)
(x childOf y)[x ! Alice] = Alice childOf y
(x childOf y)[x ! Alice; y ! Elise] =
con x; y 2 V, Male 2 NC , childOf 2 NP e Alice; Bob; Elise 2 NI .
54. nire le soluzioni (risposte) delle query congiuntive introduciamo la nozione di
sostituzione.
Una sostituzione = [x1 ! a1; : : : ; xn ! an] (x1; : : : ; xn 2 V, a1; : : : ; an 2 NI ) e una
mappa
55. nita che associa nomi di individui a variabili.
Sia T una formula atomica e = [x1 ! a1; : : : ; xn ! an] una sostituzione.
L'applicazione T di a T e la formula atomica che si ottiene sostituendo in T ad
ogni occorrenza della variabile xi il corrispondente nome di individuo ai , per ogni
1 i n.
Alcuni esempi:
Male(x)[x ! Bob] = Male(Bob)
Male(x)[y ! Bob] = Male(x)
(x childOf y)[x ! Alice] = Alice childOf y
(x childOf y)[x ! Alice; y ! Elise] = Alice childOf Elise
con x; y 2 V, Male 2 NC , childOf 2 NP e Alice; Bob; Elise 2 NI .
63. nisce come segue.
Sia = [x1 ! a1; : : : ; xn ! an] una sostituzione e siano T1; : : : ;Tm formule atomiche.
Allora
(T1 ^ : : : ^ Tm) =Def T1 ^ : : : ^ Tm:
Alcuni esempi:
(y childOf x ^ Male(y))[x ! Alice] =Def y childOf Alice ^ Male(y)
(y childOf x ^ Male(y))[x ! Alice; z ! Bob] =Def y childOf Alice ^ Male(y)
(y childOf x ^ Male(y))[x ! Alice; y ! Bob] =Def Bob childOf Alice ^ Male(Bob)
64. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q de
65. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 1 = [x ! Alice; y ! Daniel]. 1 e una soluzione per Q rispetto ad O?
66. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 1
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q (Chi sono gli individui con almeno un
68. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 1 = [x ! Alice; y ! Daniel]. 1 e una soluzione per Q rispetto ad O? SI.
Q1 = Daniel childOf Alice ^ Male(Daniel):
69. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 2
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q de
70. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 2 = [x ! Alice; y ! Bob]. 2 e una soluzione per Q rispetto ad O?
71. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 2
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q (Chi sono gli individui con almeno un
73. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 2 = [x ! Alice; y ! Bob]. 2 e una soluzione per Q rispetto ad O? NO.
Q2 = Bob childOf Alice ^ Male(Bob):
74. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 3
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q de
75. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 3 = [x ! Charlie; y ! Francis]. 3 e una soluzione per Q rispetto ad O?
76. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 3
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q (Chi sono gli individui con almeno un
78. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 3 = [x ! Charlie; y ! Francis]. 2 e una soluzione per Q rispetto ad O? NO.
Q3 = Francis childOf Charlie ^ Male(Francis):
79. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 4
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q de
80. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 4 = [y ! Daniel]. 4 e una soluzione per Q rispetto ad O?
81. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 4
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q (Chi sono gli individui con almeno un
83. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 4 = [y ! Daniel]. 2 e una soluzione per Q rispetto ad O? NO.
Q4 = Daniel childOf x ^ Male(Daniel):
Anche una sostituzione sia una soluzione per una query Q (a prescindere
dall'ontologia) e necessario che in compaiano tutte le variabili di Q.
84. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 5
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q de
85. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 5 = [x ! Elise; y ! Charlie; z ! Francis]. 5 e una soluzione per Q rispetto ad
O?
86. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni per una Query - Esempio 5
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q = T1 ^ : : : ^ Tm una query
congiuntiva e O una ontologia.
e detta essere una soluzione per Q rispetto ad O se e solo se T1; : : : ;T2
compaiono in O.
Consideriamo l'ontologia O e la query Q (Chi sono gli individui con almeno un
88. nite come segue:
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
Sia 5 = [x ! Elise; y ! Charlie; z ! Francis]. 5 e una soluzione per Q rispetto ad
O? SI.
Q5 = Charlie childOf Elise ^ Male(Charlie):
89. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni Minimali per una Query
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q una query congiuntiva e O una
ontologia.
e una soluzione minimale per Q rispetto a O se e solo se:
1 e una soluzione per Q rispetto ad O e inoltre
2 tutte le variabili x1; : : : ; xn che compaiono in compaiono anche in Q (criterio di
minimalita).
Consideriamo ad esempio
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
5 = [x ! Elise; y ! Charlie; z ! Francis] e una soluzione minimale per Q rispetto a
O?
90. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni Minimali per una Query
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q una query congiuntiva e O una
ontologia.
e una soluzione minimale per Q rispetto a O se e solo se:
1 e una soluzione per Q rispetto ad O e inoltre
2 tutte le variabili x1; : : : ; xn che compaiono in compaiono anche in Q (criterio di
minimalita).
Consideriamo ad esempio
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
5 = [x ! Elise; y ! Charlie; z ! Francis] e una soluzione minimale per Q rispetto a
O? NO.
6 = [x ! Elise; y ! Charlie] e una soluzione minimale per Q rispetto a O? .
91. Introduzione Ontologie Interrogazioni Vocabolari
Soluzioni Minimali per una Query
Siano = [x1 ! a1; : : : ; xn ! an] una sostituzione, Q una query congiuntiva e O una
ontologia.
e una soluzione minimale per Q rispetto a O se e solo se:
1 e una soluzione per Q rispetto ad O e inoltre
2 tutte le variabili x1; : : : ; xn che compaiono in compaiono anche in Q (criterio di
minimalita).
Consideriamo ad esempio
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Q = y childOf x ^ Male(y):
5 = [x ! Elise; y ! Charlie; z ! Francis] e una soluzione minimale per Q rispetto a
O? NO.
6 = [x ! Elise; y ! Charlie] e una soluzione minimale per Q rispetto a O? SI.
92. Introduzione Ontologie Interrogazioni Vocabolari
Conjunctive Query Answering
Il problema del Conjunctive Query Answering consiste nel trovare tutte le soluzioni
minimali di una query congiuntiva rispetto ad una ontologia.
Esse sono sempre in numero
93. nito, infatti:
le variabili che compaiono nelle soluzioni sono esattamente quelle che compaiono
nella query,
i nomi di individui che compaiono nelle soluzioni sono un sottoinsieme di quelli
che compaiono nell'ontologia.
94. Introduzione Ontologie Interrogazioni Vocabolari
Conjunctive Query Answering - Esempio 1
Trova tutti gli individui maschi.
Q = Male(x)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x
95. Introduzione Ontologie Interrogazioni Vocabolari
Conjunctive Query Answering - Esempio 1
Trova tutti gli individui maschi.
Q = Male(x)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x
Bob
96. Introduzione Ontologie Interrogazioni Vocabolari
Conjunctive Query Answering - Esempio 1
Trova tutti gli individui maschi.
Q = Male(x)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x
Bob
Charlie
97. Introduzione Ontologie Interrogazioni Vocabolari
Conjunctive Query Answering - Esempio 1
Trova tutti gli individui maschi.
Q = Male(x)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x
Bob
Charlie
Daniel
99. glio maschio?
Q = y childOf x ^ Male(y)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y
101. glio maschio?
Q = y childOf x ^ Male(y)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y
Elise Charlie
103. glio maschio?
Q = y childOf x ^ Male(y)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y
Elise Charlie
Alice Daniel
105. glio maschio?
Q = y childOf x ^ Male(y)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y
Elise Charlie
Alice Daniel
Bob Daniel
107. gli di Elise?
Q = x childOf Elise
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x
109. gli di Elise?
Q = x childOf Elise
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x
Alice
111. gli di Elise?
Q = x childOf Elise
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x
Alice
Charlie
113. glio maschio ed una femmina?
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y z
115. glio maschio ed una femmina?
Q = y childOf x ^ z childOf x ^ Male(y) ^ Female(z)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y z
117. glio maschio ed una femmina?
Q = y childOf x ^ z childOf x ^ Male(y) ^ Female(z)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y z
Elise Charlie Alice
119. glia femmina?
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y
121. glia femmina?
Q = Male(x) ^ y childOf x ^ Female(y)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
x y
123. glia femmina?
Q = Male(x) ^ y childOf x ^ Female(y)
O = fFemale(Elise); Female(Alice); Male(Bob);
Male(Charlie); Male(Daniel);
Alice childOf Elise; Charlie childOf Elise;
Daniel childOf Alice; Daniel childOf Bob;
Francis childOf Charlieg
Nessuna Soluzione
125. ci domini di
conoscenza (eg. organizzazioni, pubblica amministrazione, biologia, commercio, etc.).
Un vocabolario puo contenere anche alcuni vincoli sulle classi e le proprieta del
vocabolario stesso.
131. nito di vincoli che coinvolgano solo nomi di classi in C e nomi di
proprieta in P.
132. Introduzione Ontologie Interrogazioni Vocabolari
Vocabolari condivisi
L'utilizzo di vocabolari condivisi (ben noti) favorisce la scalabilita orizzontale delle
applicazioni.
Ad esempio, una applicazione sviluppata sull'ontologia di un comune che utilizzi i
vocabolari standard per le pubbliche amministrazioni (vedi le Linee Guida per la
Valorizzazione del Patrimonio Informativo Pubblico dell'Agenzia per l'Italia Digitale)
puo essere estesa senza sforzi aggiuntivi per utilizzare i dati provenienti dalle ontologie
di tutti i comuni.
134. niti nell'ambito del Web semantico e
Friend OF A Friend (FOAF, vedi http://foaf-project.org).
FOAF is a project devoted to linking people and information using the Web.
In questa sede ci limiteremo solo alla parte Core.
Core - These classes and properties form the core of FOAF. They describe
characteristics of people and social groups that are independent of time and
technology; as such they can be used to describe basic information about
people in present day, historical, cultural heritage and digital library contexts.
In addition to various characteristics of people, FOAF de
135. nes classes for
Project, Organization and Group as other kinds of agent. Related work:
(tratto da FOAF Vocabulary Speci
138. nito come segue:
FOAFCore =Def (Cfoaf ; Pfoaf ;
foaf )
Cfoaf =Def fAgent; Person; Project; Organization; Group; Document; Imageg
Pfoaf =Def fname; title; img; depiction; depicts; familyName; givenName;
; based near ; age; made; maker ; primaryTopic; primaryTopicOf ; memberg
foaf =Def fPerson v Agent; Group v Agent; Organization v Agent;
Image v Document; dom(title) v Document;
range(depiction) v Image; img v depiction; dom(img) v Person;
dom(knows) v Person; range(knows) v Person; : : :g
139. Introduzione Ontologie Interrogazioni Vocabolari
Descrizioni Intuitive degli Elementi dei Vocabolari
Le classi e le proprieta di un vocabolario vengono spesso fornite di una descrizione
intuitiva nel documento che descrive il vocabolario. Ad esempio, le classi Agent e
Person vengono descritte come segue in http://xmlns.com/foaf/spec/
Agent - The Agent class is the class of agents; things that do stu. A well
known sub-class is Person, representing people. Other kinds of agents
include Organization and Group.
The Agent class is useful in a few places in FOAF where Person would have
been overly speci
140. c. For example, the IM chat ID properties such as jabberID
are typically associated with people, but sometimes belong to software bots.
Person - The Person class represents people. Something is a Person if it is a
person. We don't nitpic about whether they're alive, dead, real, or
imaginary. The Person class is a sub-class of the Agent class, since all people
are considered 'agents' in FOAF.
141. Introduzione Ontologie Interrogazioni Vocabolari
Descrizioni Rigorose degli Elementi dei Vocabolari
Tuttavia, gia nei vincoli di un vocabolario si trovano indicazioni importanti sulla
semantica dei nomi di classe e di proprieta del vocabolario stesso.
Person v Agent
range(depiction) v Image
img v depiction;
dom(img) v Person;
dom(knows) v Person;
range(knows) v Person;
: : :
142. Introduzione Ontologie Interrogazioni Vocabolari
Vocabolari Compositi
E
possibile costruire un vocabolario estendendone un'altro. Ad esempio, il vocabolario
Organization Ontology (in breve ORG, vedi http://www.w3.org/TR/vocab-org/)
estende FOAF con classi e proprieta, per modellare in dettaglio le strutture
organizzative di aziende, associazioni e tutte le forme di organizzazioni.
Formalmente, dati due vocabolari
V =Def (C; P;
)
V0 =Def (C0; P0;
0)
si dice che V0 importa (o estende) V se e solo se
C C
P P0
0
143. Introduzione Ontologie Interrogazioni Vocabolari
Il Vocabolario Organization Ontology
Ad esempio, il vocabolario Organization Ontology (in breve ORG, vedi
http://www.w3.org/TR/vocab-org/) estende FOAF con classi e proprieta, per
modellare in dettaglio le strutture organizzative di aziende, associazioni e tutte le
forme di organizzazioni.
ORG =Def (Corg ; Porg ;
org )
Corg =Def Cfoaf [ fFormalOrganization; OrganizationalUnit; Site
Post; Role; : : :g
Porg =Def Pfoaf [ fbasedAt; classi
144. cation; hasPost; hasPrimarySite;
hasRegisteredSite; hasSite; hasSubOrganization;
hasUnit; headOf ; heldBy; holds; location; postIn;
purpose; role; siteAddress; siteOf ; unitOf ;
subOrganizationOf ; transitiveSubOrganizationOf ; : : :g
org =Def
foaf [ fFormalOrganization v Organization;
OrganizationalUnit v Organization;
headOf v member ; dom(hasUnit) v Organization;
range(hasUnit) v OrganizationalUnit; : : :g
145. Introduzione Ontologie Interrogazioni Vocabolari
Il Vocabolario Organization Ontology
Ad esempio, il vocabolario Organization Ontology (in breve ORG, vedi
http://www.w3.org/TR/vocab-org/) estende FOAF con classi e proprieta, per
modellare in dettaglio le strutture organizzative di aziende, associazioni e tutte le
forme di organizzazioni.
ORG =Def (Corg ; Porg ;
org )
Corg =Def Cfoaf [ fFormalOrganization; OrganizationalUnit; Site
Post; Role; : : :g
Porg =Def Pfoaf [ fbasedAt; classi
146. cation; hasPost; hasPrimarySite;
hasRegisteredSite; hasSite; hasSubOrganization;
hasUnit; headOf ; heldBy; holds; location; postIn;
purpose; role; siteAddress; siteOf ; unitOf ;
subOrganizationOf ; transitiveSubOrganizationOf ; : : :g
org =Def
foaf [ fFormalOrganization v Organization;
OrganizationalUnit v Organization;
headOf v memberOf ; dom(hasUnit) v Organization;
range(hasUnit) v OrganizationalUnit; : : :g
NOTA: I vincoli semantici esplicitano la relazione tra i due vocabolari.
149. niamo ad esempio una ontologia per descrivere la struttura organizzativa del
comune di Catania (vedi http://www.dmi.unict.it/~longo/comunect/) a partire
dal vocabolario ORG.
Il sindaco del comune di Catania e Enzo Bianco
OCT = fEnzoBianco headOf ComuneCT
152. niamo ad esempio una ontologia per descrivere la struttura organizzativa del
comune di Catania (vedi http://www.dmi.unict.it/~longo/comunect/) a partire
dal vocabolario ORG.
Fanno direttamente capo al comune il gabinetto del sindaco, la polizia municipale e la
direzione aari legali.
OCT = org [ fEnzoBianco headOf ComuneCT;
ComuneCT hasUnit GabinettoDelSindaco;
ComuneCT hasUnit PoliziaMunicipale;
ComuneCT hasUnit AariLegali;
155. niamo ad esempio una ontologia per descrivere la struttura organizzativa del
comune di Catania (vedi http://www.dmi.unict.it/~longo/comunect/) a partire
dal vocabolario ORG.
Il comune comprende inoltre diverse direzioni, raggruppate in due macro-aree.
OCT = org [ fEnzoBianco headOf ComuneCT;
ComuneCT hasUnit GabinettoDelSindaco;
ComuneCT hasUnit PoliziaMunicipale;
ComuneCT hasUnit AariLegali ;
ComuneCT hasUnit Area1;
ComuneCT hasUnit Area2;
158. niamo ad esempio una ontologia per descrivere la struttura organizzativa del
comune di Catania (vedi http://www.dmi.unict.it/~longo/comunect/) a partire
dal vocabolario ORG.
Il comune comprende inoltre diverse direzioni, raggruppate in due macro-aree.
OCT = org [ fEnzoBianco headOf ComuneCT;
ComuneCT hasUnit GabinettoDelSindaco;
ComuneCT hasUnit PoliziaMunicipale;
ComuneCT hasUnit AariLegali ;
ComuneCT hasUnit Area1;
ComuneCT hasUnit Area2;
Area1 hasUnit RisorseUmane;
Area1 hasUnit Istruzione;
Area1 hasUnit Famiglia;
Area1 hasUnit Ecologia;
Area1 hasUnit Manutenzione;
Area1 hasUnit LavoriPubblici;
161. niamo ad esempio una ontologia per descrivere la struttura organizzativa del
comune di Catania (vedi http://www.dmi.unict.it/~longo/comunect/) a partire
dal vocabolario ORG.
Il comune comprende inoltre diverse direzioni, raggruppate in due macro-aree.
OCT = org [ fEnzoBianco headOf ComuneCT;
ComuneCT hasUnit GabinettoDelSindaco;
ComuneCT hasUnit PoliziaMunicipale;
ComuneCT hasUnit AariLegali;
ComuneCT hasUnit Area1;
ComuneCT hasUnit Area2;
Area1 hasUnit RisorseUmane;
Area1 hasUnit Istruzione;
Area1 hasUnit Famiglia;
Area1 hasUnit Ecologia;
Area1 hasUnit Manutenzione;
Area1 hasUnit LavoriPubblici;
Area2 hasUnit Patrimonio;
Area2 hasUnit ServiziDemogra