Idea vincitrice del Working Capital 2010 (Bari). Telecom Italia ha finanziato questa ricerca con una borsa di studio.

1. Michele Filannino
Università degli Studi di Bari “A.Moro”
Dipartimento di Informatica
Research: http://www.di.uniba.it/~swap/ Working Capital - BarCamp
Twitter: @bronko85
Bari, 13 luglio 2010

2. Chi sono
Informazioni
• Età: 24 anni;
• Laureato in Informatica e tecnologie per la
produzione del software in meno di 3 anni, cum
laude;
• Laureando magistrale in Informatica;
• Membro del SWAP Research Group (Semantic
Web Access & Personalization);
• Blogger per melablog.it.
2 /15

3. Motivazioni
Quantità di dati in Internet
155 milioni di siti web
5 milioni di Tb* di dati
Un uomo impiegherebbe 57000 anni per leggerli.
1,8 miliardi di utenti (crescita esponenziale)
* Google ne ha indicizzato solo lo 0,004% ;)
Dati forniti da Eric Shmidt, CEO di Google, durante una conferenza del 2005 | Fonte: SoftPedia 3 /15

4. “It’s not information overload.
It’s filter failure”
Clay Shirky (al Web2.0 Expo del 2008)

5. Information filtering
Motori di ricerca
• non differenziano i risultati in base agli utenti;
• richiedono all’utente una parziale
conoscenza dei documenti cercati;
• offrono risultati errati o banali* poiché non
comprendono il linguaggio naturale.
* L. Iaquinta, M. de Gemmis, P. Lops, G. Semeraro, M. Filannino, and P. Molino. Introducing Serendipity in a Content-based Recommender System. In
F. Xhafa, F. Herrera, A. Abraham, M. Koppen, and J. M. Benitez, editors, Proceedings of the Eighth International Conference on Hybrid Intelligent
Systems HIS-2008 , pages 168-173. IEEE Computer Society Press, Los Alamitos, California, 2008. ISBN 978-0-7695-3326-1. 5 /15

6. Il presente
Semantica, Web3.0, etc...
• Ontologie -> Logiche descrittive;
• Realizzazione from scratch molto onerosa;
• Utilizzo limitato a domini molto
specifici;
• bassa precisione, risultati poco
pertinenti, complessità computazionale
elevata.
6 /15

7. “Nella misura in cui le leggi della matematica si riferiscono alla realtà non sono certe.
E nella misura in cui sono certe, non si riferiscono alla realtà.”
Albert Einstein

8. Idea
!
• Utilizzare logica fuzzy per restituire
risultati più intelligenti.
• Ridimensionare l’uso di algoritmi basati su
logica classica;
• Rifiutare di formalizzare i meccanismi sottesi al
linguaggio naturale umano;
8 /15

9. Logica fuzzy
Lotfi Zadeh, 1965*
• Logica del ragionamento
approssimato;
• Esprime incertezza;
• Estende la classica teoria
degli insiemi;
• Consente di profilare le
interpretazioni degli utenti.
• Fuzzy-relazioni tra concetti
ontologici
L. A. Zadeh. Fuzzy sets. Information and Control, 8(3):338–353, June 1965
9 /15

10. Il sistema software
Capacità
• Interpreterà il linguaggio
naturale (italiano ed inglese);
• Eliciterà i concetti
ontologici presenti nel
testo;
• Sarà facilmente integrabile in
sistemi terzi.
10 /15

11. Funzionamento
Input, output
INPUT OUTPUT
Concetti ontologici
Testo semplice pertinenti (anche nascosti)
Concetti ontologici
Pagina social network significativi per il profilo
Concetti ontologici correlati
Pagina web (anche nascosti)
11 /15

12. Scenario applicativo
Integrazione in un motore di ricerca classico
Query
arricchita
Query Query
Motore di
Utente ricerca
<<
Documenti pertinenti Documenti restituiti
restituiti da un sistema classico
12 /15

13. Scenario applicativo
Integrazione in un sistema di raccomandazioni
Concetti
pertinenti
Profilo,
Sistema di Posizione
Utente raccomandazioni geografica,
Data
Prodotti/servizi pertinenti
restituiti
13 /15

14. Progetti
In corso...
• Studio sui concetti di gradualità e vaghezza
nella ingegneria della conoscenza;
• Membro del progetto SWOP (Semantic
Web-service Opened Platform);
• Realizzazione di un algoritmo per il calcolo
della similarità semantica tra frasi (SAWA);
• Sogno di diventare un ricercatore.
14 /15

15. Grazie per l’attenzione
15 /15