Dati Semistrutturati: Ontologie Sistemi di Elaborazione dell’informazione II Corso di Laurea Specialistica in Ingegneria Telematica II anno – 4 CFU Università Kore – Enna – A.A. 2008-2009 Alessandro Longheu http://www.diit.unict.it/users/alongheu [email protected]2 A. Longheu – Sistemi di Elaborazione delle Informazioni II Introduzione al Livello Ontologico Ontologie: Definizione e Obiettivi Modelli e Implementazioni di Ontologie: WordNet, Cyc, SUMO, DOLCE Linguaggi per la descrizione di Ontologie: OWL Linguaggi + Modelli Creazione di Ontologie: metodologia e tools (OntoLearn, Protege, OntoEdit) Esempi d’uso di Ontologie, in particolare: Utilizzo delle Ontologie per l’annotazione semantica, metodi e tools Schema Lezione
Transcript
Dati S
emistru
tturati: O
ntologie
Sistemi d
i Elaborazione dell’in
form
azione II
Corso di Laurea Specialistica in Ingegneria Telematica
con “tag”generiche, che non descrivono il contenuto.
�Il liv
ello
ontologico, basato sul linguaggio O
WL m
a non solo, èun m
odello semantico ed un insiem
e di regole per “ragionare”sui dati a disposizione.
Intro
duzione al Livello
Ontologico
5
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Nell’am
bito del
Web
Semantico,
si è
giunti a
un insiem
e di
linguaggi standard
(W3C),
ciascuno costruito sul precedente:O
WL
?
XML+
XMLS
Liv
ello sch
ema
(defin
izione d
el vocab
olario
)
Liv
ello o
nto
logico
(defin
izione d
i onto
logie)
Liv
ello lo
gico
(supporto
al ragio
nam
ento
)
Liv
ello d
ei dati
(modello
dei d
ati e sintassi p
er i metad
ati)
RD
F+
RD
FS
RD
F+
RD
FS
OW
LO
WL
Descrip
tion
Lo
gics, lin
gu
agg
iD
escriptio
n L
og
ics, ling
uag
gi
log
icilo
gici
Intro
duzione al Livello
Ontologico
6
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
HTML
XML
RDF
OWL
Non distin
gue tra
stru
ttura del contenuto e
rappresentazione del d
ocumento
Perm
ette
di d
efin
ire i p
ropri ta
g e di stru
tturare
le in
form
azioni in
dipendentemente dalla lo
ro
futura ed eventuale re
sa grafica
Perm
ette
di e
sprim
ere re
lazioni e
sistenti tra
istanze concettu
ali
(es. A
utore-di(B
uzzati, D
eserto
dei ta
rtari))
Poggia su RDFS e perm
ette
di e
sprim
ere pienamente
classi, re
lazioni, is
tanze, v
incoli, e
cc.
RDFS
Perm
ette
di d
efin
ire re
lazioni e
concetti
(es. A
utore-di è
una re
lazione, L
ibro è
un concetto
)
XMLS
Defin
isce la
stru
ttura sintattic
a di u
n
documento XML
Intro
duzione al Livello
Ontologico
7
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Diverse sono le d
efin
izioni d
i ontologia:
�Filosofia: “a system
atic explanation of being”�Neches
: “…defines the basic term
s and relations including the vocabulary of a topic area as w
ell as the
rules for
combining
terms
and relations
to define extensions to the vocabulary.”
�Gruber, la più
citata: “…an explicit specification of a
conceptualization”�Borst,
leggermente
modificata:“…
a form
al specification of a shared
conceptualization”�Guarino: “…
a logical theory which gives an explicit,
partial account of aconceptualization”
Ontologie: D
efin
izione e Obiettiv
i
8
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Form
almente u
n’ontologia
O è
unatrip
la (C
, R, A
) dove:�C è
un insieme di concetti
�R è
un insiem
e di
relazioni concettuali
che esprim
ono le
interconnessioni sem
antiche tra
concetti. Ognirelazione in R
èdefinita su C
×C.�A
èun
insieme
di assiom
i che
permettono
di inferire nuovi fatti a partire da quelli codificati (seA =
∅l’ontologia non è
assiomatizzata)
�Gli insiem
i C ed R individuano un g
rafo
G = (V, E):
�V ≡
C�E =
{ (c1, c2) ∈C
×C : ∃S ∈R : (c1, c2) ∈
S }�e una fu
nzione di e
tichetta
tura L : C
×C →
2Rtale
che L(c1, c2) = { S ∈
R : (c1, c2) ∈
S }.
Ontologie: D
efin
izione e Obiettiv
i
9
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Un e
sempio
di ontologia èO’=
(C’, R’, A’),
dove:�C’
= {
Entità, Oggetto,
Persona, Meccanico,
Automobile, M
otore }�R’=
{ è-un, ha-un, ripara }�è-un
= {
(Oggetto,
Entità), (Persona,
Entità), (M
eccanico, Persona),
(Automobile,
Oggetto),
(Motore, O
ggetto) }�ha-un =
{ (Automobile, M
otore) }�ripara =
{ (Meccanico, Autom
obile) }�A’
= {
“∀a
∈Autom
obile ∃m
∈
Meccanico
: ripara(p, a)”
})
Ontologie: D
efin
izione e Obiettiv
i
10
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Entity
Perso
nO
bject
Mech
anic
Car
Engin
e
Kin
d_of
Kin
d_of
Kin
d_of
Kin
d_of
Kin
d_of
Has_
part
Rep
air
Ontologie: D
efin
izione e Obiettiv
i
11
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Ma esatta
mente a cosa servono le
Ontologie?
�Il
Semantic
Web:
rendere i dati
“machine-understandable”
�
soluzione: esprimere in m
odo formale il contenuto inform
ativo di risorse w
eb�
In che modo? A
ttraverso l’annotazione semantic
a�Un’annotazione
semantica
esprime
informazioni
semantiche
associate a risorse web.
�Un’annotazione basata su ontologie esprim
e in modo form
ale il significato di una risorsa w
eb o di una porzione di essa, utilizzando
la term
inologia fornita
da un’
Ontologia di
Rife
rimento
(RO)
�Nota: un ontologia si esprim
e attraverso un linguaggio di rappresentazione
della conoscenza
(XML,
RDF,
OWL,
DAM
L+OIL...)
�quindi,
XML
e RDF
sono strum
enti per
l’annotazione; se
tale annotazione
utilizza una
ontologia di
riferimento,
diventa sem
antica e permette la realizzazione del W
eb semantico
Ontologie: D
efin
izione e Obiettiv
i
12
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Più
in generale, q
ual è
l’obiettiv
o delle
Ontologie?
�Migliorare
la comunicazione fra persone e organizzazioni
�Favorire l’interoperabilità
fra sistemi
�Condividere
metodi
di modellazione,
paradigmi,
linguaggi, e
strumenti softw
are�
Supportare l’ingegnerizzazione
di sistem
i IT
(Information
Technology):�favorire
riusabilità
/condivisibilità
: condivisione
delle rappresentazioni form
ali�miglio
rare la ric
erca: usata com
e meta-data per indicizzare
databasesdocum
enti e sistemi inform
ativi in generale�esprim
ere sp
ecific
he: aiuta nell’identificare i
requirements
di un sistem
a IT�acquisire
conoscenza (generalizzare,
ragionare)�
Tramite le ontologie abbiam
o la possibilitàdi esprim
ere direttamente la
struttura della
nostra conoscenza
e perm
ettere alle
macchine
di elaborare autom
aticamente la conoscenza stessa, non più
solo le semplici
informazioni.
In questo
modo
passiamo
dalla sem
plice inform
atic
a(elaborazione autom
atica di informazioni) ad una
epistematic
a: una elaborazione autom
atica di conoscenza.
Ontologie: D
efin
izione e Obiettiv
i
13
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�La creazione, gestione e sfruttam
ento delle ontologie richiede:�un m
odello
, che offre delle linee guida per la organizzazione ragionata della conoscenza
�un
linguaggio, che rappresenta invece lo strum
ento con cui l’organizzazione ragionata viene effettivam
ente implem
entata�
Diversi sono i modelli
attu
alm
ente presenti,
che hanno
portato a diverse ontologie: WordN
et, Cyc, SUMO, D
OLCE
�I lin
guaggi disponibili
sono diversi, ad esempio Loom
, DAM
L(definito dall'am
ercana DAR
PA) ed OIL
(sponsorizzato dalla Unione
Europeanell'am
bito del programma IST), successivam
ente confluiti in D
AML+
OIL. Su questa base il W
3C ha definito OWL, linguaggio
attualmente principe
�Con
OWL
èpossibile
scrivere delle
ontologieche
descrivono la
conoscenza che
abbiamo
di un
certo dom
inio, tram
ite classi,
relazioni fra classi e individui appartenenti a classi. La conoscenza cosìform
alizzata èprocessabile autom
aticamente da un calcolatore,
tramite
un ragionatore
automatico
che implem
enta i processi
inferenziali e deduttivi.
Ontologie: D
efin
izione e Obiettiv
i
14
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Nel seguito si considerano alcuni m
odelli di Ontologie presenti sul m
ercato:�WordN
et�Cyc
�SU
MO
�DOLCE
Ontologie: M
odelli e
Implementazioni
15
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
{anim
ale, b
estia
}
{gatto
, micio}
{cane}
{felin
o} {mammife
ro}
{soria
no}
{tig
re}
WORDNET: D
aun elenco di p
arole:
<tig
re, cane, a
nim
ale, m
ammife
ro, b
estia
, micio, soria
no, g
atto
,felin
o>
A un dizionario
stru
tturato:
SynSets
NB: L
a stessa parola può apparte
nere a più
SynSets
Semantic
WEB -Longheu -TESEO
Ontologie: M
odelli e
Implementazioni
16
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
WordNet: Cognitive Science Laboratory
dell’Università
di Princeton(inglese) Fine anni ‘80
EuroWordNet: su Fondi dell’U
nione Europea. (m
ultilingue-ILC
-Pisa per l’italiano) Metà
anni ‘90
ItalW
ordNet: IR
ST-ICT (Trento). U
n progetto nazionale (italiano) Fine anni ‘90
Alcune versioni:
Ovviam
ente, molte versioni per altre lingue
Ontologie: M
odelli e
Implementazioni
17
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Rela
zio
ne
PO
Sco
lleg
ate
Esem
pi
Sin
on
imia
no
me/n
om
e;
verb
o/v
erb
o;
ag
gettiv
o/a
gg
ettiv
o;
avverb
io/a
vverb
iob
oo
k/v
olu
me
; to e
at/to
tak
e in
;
gre
at/o
uts
tan
din
g; g
rea
tly/d
ras
tica
lly
An
ton
imia
no
me/n
om
e;
verb
o/v
erb
o;
ag
gettiv
o/a
gg
ettiv
o
ma
n/w
om
an
; to e
nte
r/to e
xit;
lon
g/s
ho
rt
Ipo
nim
ian
om
e/n
om
e;
verb
o/v
erb
oslic
er/k
nife
; to w
alk
/to m
ove
Mero
nim
ian
om
e/n
om
eh
ead
/no
se
Imp
licazio
ne
verb
o/v
erb
oto
bu
y/to
pa
y
Cau
sa
verb
o/v
erb
oto
kill/to
die
So
mig
lian
za
ag
gettiv
o/a
gg
ettiv
ow
et/h
um
id
Attrib
uto
ag
gettiv
o/n
om
eta
ll/sta
ture
Rela
tivo
aln
om
eag
gettiv
o/n
om
efra
tern
al/b
rote
rho
od
Le re
lazio
nidi W
ordNet (o
riginale)
Ontologie: M
odelli e
Implementazioni
18
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Un difetto di W
ordnet èche alcune
delle relazioni adottate sono alquanto vaghe
POS sta per P
art O
f Speech (n
ome, verbo, e
cc.)
POS diverse colle
gate solo in
casi p
artic
olari (e
s.
parte
cipazione(nome) e
parte
cipare(verbo))
Ontologie: M
odelli e
Implementazioni
19
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Relazione
Ordini collegati
Esempi
Sinonim
ia1/1; 2
/2; 3
/3
barrie
ra/osta
colo;comprare/acquista
re;conoscenza/cognizione
Quasisin
onim
ia1/1; 2
/2; 3
/3
ordigno/congegno;certific
are/assic
urare
Xposquasisin
onim
ia2/2
arriv
o/arriv
are
Antonim
ia1/1; 2
/2; 3
/3
incredibile
/credibile
Quasiantonim
ia1/1; 2
/2; 3
/3
sopra/sotto
;arriv
are/partire
Xposquasiantonim
ia2/2
arriv
o/partire
Iponim
ia1/1; 2
/2; 3
/3
cane/anim
ale;agita
rsi/muoversi
Xpos ip
onim
ia2/2
arriv
o/andare;marte
llata/colpire
Meronim
ia1/1
braccio/corpo;mano/dito
Causa
2/2
uccidere/morire
;giustiz
iare/condanna
Sotto
-evento
2/2
comprare/pagare;dorm
ire/russa
re
Ruolo
1/2
marte
llo/marte
llare;pedone/camminare
Co_ruolo
1/1
chita
rrista/chita
rra
Stato_di
1/2
povero/povertà
;vecchio/vecchiaia
Maniera_per
2/2
bisb
iglia
re/a-bassa
-voce;tru
cidare/barbaramente
Deriv
azione
Tra tu
ttiacqua/acquaiolo
Relativ
o_a
2/2
presid
enziale/presid
ente
Classe
1/1
Po/fiu
me; R
oma/città
Le re
lazioni d
i EuroWordNet:
Ontologie: M
odelli e
Implementazioni
20
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Per
molte relazioni sono
definiteanche
le inverse,che
persem
plicitànon sono riportate
intabella
(ades.
iponimia
�
iperonimia; m
eronimia
�olonim
ia;causa
�causato_da; …
)�
Alcune relazioninon
sonodefinite
tra Synset, matra singole
parole.Questo
valeovviam
enteper la
sinonimia, m
aanche
per la derivazione
e per l’antonimia
�TuttiiSynset coinvolti si riferiscono
aclassi(chitarra,
andare, …)
eccetto quelli che compaiono nell’ultim
a relazione, in cuiuno deidue
elementi collegatiè
un’istanza(Po, R
oma)
Osservazioni:
�La
seconda colonna èmolto diversa da quella della tabella precedente. I
numeri (1, 2, 3) si riferiscono ai cosiddetti “o
rdini semantic
i”, cosìdefiniti:�
1: nomi concreti
�2: nom
i, verbi, aggettivi o avverbi indicanti proprietà, stati, processi o eventi�
3: nomi astratti indicanti proposizioni indipendenti dal tem
po e dallo spazio
Ontologie: M
odelli e
Implementazioni
21
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Inter L
ingu
al
Ind
ex
ILI reco
rd
(driv
e)guid
arecav
alcare
muoversi
Word
Net
Italiano
IIIIII
IIIcab
algar
condu
cir
mover
Word
Net
Spag
nolo
IIIIII
III
ride
driv
e
move
Word
Net
Inglese
IIIIII
IIIrijd
enberijd
en
betrag
enW
ord
Net
Olan
dese
IIIIII
III
II
II
II
II
locatio
n
2nd o
rder
entity
dyn
amic
air traffic traffic
road
traffic
Top
on
tolo
gy
Dom
ain
on
tolo
gy
II
�L’Architettura
di EuroW
ordNet,
che tiene
conto anche
della lingua:
Ontologie: M
odelli e
Implementazioni
22
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Nell’architettura di EuroW
ordNet:
�La
top-ontology è
una rappresentazione strutturata dei concetti più
generali
�L’Inter
Lingual Index
(ILI) è
solo una
tabella di
mapping
tra Synset, non strutturata
�Le
Dom
ain-Ontologies
sono elenchi
(parzialmente
strutturati) di Cam
pi Semantici(Sport, calcio, astronom
ia, …)
�Vi sono tre tipi diversi di archi:�I: archiindipendenti dalle varie lingue, che collegano un record dell’ILI con le
top e domain ontologies
�II:
archiche
collegano i synsetdei
vari WordN
etall’ILI (e
viceversa)�III: archi, dipendenti dalla particolare lingua, che collegano i vari synset.
Ontologie: M
odelli e
Implementazioni
23
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
en
tity
1s
t ord
er
2n
d o
rde
r3
rd o
rde
r
artifa
ctO
pla
ce
Uc
om
es
tible
U
su
bs
tan
ce
F
co
me
stib
leU
+a
rtifac
tO
na
tura
l O
co
nta
ine
rU
co
nta
ine
rU
+o
bje
ctF
co
nta
ine
rU
+o
bje
ctF
+a
rtifac
tO
dyn
am
icTs
tatic
T
ca
use
C
loc
atio
nC
me
nta
l
thin
g
ca
nd
yve
sse
l
bo
ttle
alim
en
t
bo
un
de
d
Eve
ntT
ob
jec
tF
so
lidF ga
sF
liqu
idF
�La Top-O
ntology di EuroWordN
et:
Ontologie: M
odelli e
Implementazioni
24
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�La definizione dei concetti è
basata su features:
�Per
le entitàdel prim
o ordine (concreti)esse sono:
�Origin
(se ènaturale o artificiale; indice O
nella figura) �Natural�
Living�
Plant�
Hum
an �
Creature�
Animal
�Artifact
�Form
(se è
una sostanza
o un
oggetto con
forma
definita; indice F nella figura) �Substance
�Solid
�Liquid
�Gas
�Object
Ontologie: M
odelli e
Implementazioni
25
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Com
position(se
èun
oggetto unitario
o un
gruppo; non
compare in figura)
�Part
�Group
�Function
(la funzione)�
Vehicle�
Representation
�MoneyR
epresentation�
LanguageRepresentation
�Im
ageRepresentation
�Softw
are�
Place�
Occupation
�Instrum
ent�
Garm
ent�
Furniture�
Covering�
Container�
Comestible
�Building
Ontologie: M
odelli e
Implementazioni
26
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Per le
entità
del secondo ordine
(azioni, astrazioni, qualità)esse
sono:�
Situation Com
ponent(una
caratteristica o
un partecipante
della situazione descritta; indice C nella figura)�
Cause�
Communication
�Condition
�Existence
�Experience
�Location
�Manner,
Mental,
Modal,
Physical, Possession,
Purpose, Quantity, Social, Tim
e�
Situation Type(il tipo della situazione; indice T in figura)
�Dynam
ic�BoundedEvent
�UnboundedEvent
�Static
�Property
�Relation
�Le entità
del te
rzo ordine non hanno fe
atures
Ontologie: M
odelli e
Implementazioni
27
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Le features possono essere com
binate per ottenere concetti piùspecifici
(ad esempio, si veda in figura containerU
+objectF+
artifactO )
�I concetti
del Top-level
non sono
dei SynSets!
Per cui
termini
come
Container debbono comparire sia nella top ontology, che nei SynSet
�Alla
Top-ontology sono
agganciati 1310
Base Concepts,
concetti fondam
entali comuni a tutte le lingue, individuati in base a 3 criteri:
�Num
ero delle relazioni associate ad essi�
Posizione nella gerarchia tassonomica
�Frequenza in un corpus
�Non
sono predefiniti
dei meccanism
i inferenziali,
che perm
ettano di
sfruttare la semantica delle relazioni. ItalW
ordNet
èmem
orizzato in un DB
relazionale, ed
ècom
pito dell’utente
scrivere le
query opportune
per spostarsi tra iSynsets. Esistono però dei brow
ser grafici che permettono di
navigare (manualm
ente) nella rete
Ontologie: M
odelli e
Implementazioni
28
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Ilprogetto
Cyc(da enCYClopedia)
nasce nel1984 ed èancora
incorso
(si veda il sitohttp://w
ww.opencyc.org/).
�Attualm
ente, Cycinclude oltre un m
ilione di concetti, mentre
laversione pubblica O
penCyc comprende
circa centinaia di migliaia
di concettie milioni di relazionitra
diessi (asserzioni)�
How
much does a program
need to know to begin w
ith? The annoying, inelegant, but apparently true answ
er is: a non-trivial fraction of consensus reality -
the millions of things that w
e all know
and that we assum
e everyone else knows”
(Guha
&Lenat,
1990). Cyc
cerca di
soddisfare questa
“banale”esigenza
coprendo una “non-trivial fraction”di term
ini
Ontologie: M
odelli e
Implementazioni
29
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Constra
int L
anguage
(Logica dei p
redicati,
livello
inferenziale)
CycL(lin
guaggio basato su fra
me,
descriv
e le asserzioni elementari -
Units
)
Ontologie: M
odelli e
Implementazioni
�Cyc Presenta due livelli
30
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�#$Texas
�#$capital: (#
$Austin)�
#$residents: (#
$Doug
Guha
Mary)
�#$stateO
f: (#$U
nitedStatesOfAmerica)
�I fram
e di Cyc si chiamano U
nits. Esse includono, come tutti i
frames, degli slots
�Esem
pio di Unit relativa ad un’istanza
�Tutti
i sim
boli che
hanno il
prefisso #$
sono Units.
Una
caratteristica fondam
entale di
Cyc
èche,
come
si vede
dall’esempio, anche gli slots sono U
nits (SlotUnits)
Ontologie: M
odelli e
Implementazioni
�Livello U
nits:
31
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
#$residents#$instanceO
f: (#$Slot)
#$inverse: (#
$residentOf)
#$m
akesSenseFor: (#$G
eopoliticalRegion)#$entryIsA: (#
$Person)#$specSlots: (#
$lifelongResidents#$illegalAliens
#$registeredVoters)
�Esem
pio di Unit relativa ad uno slot
�Daun punto di vista form
ale, gli slots sono relazioni binarie
�Quindi, è
necessario definire il dominio (#
$makesSenseFor)
e il range (#$entryIsa)
�E’anche possibile definire relazioni tra relazioni(#
$inverse e #$specSlots)
Ontologie: M
odelli e
Implementazioni
32
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Alcuni m
eccanismi in
ferenziali in
CycL
Mantenim
ento di re
lazioni in
verse: e
sempio precedente ($
inverse)
Mantenim
ento di sp
ecSlot-g
enlSlot: a
lcuni slot d
i una unit p
ossono essere
legati d
a una re
lazione di specializzazione-generalizzazione. A
d es.
#$padreDi #
$specSlot #
$genito
reDi
Se viene in
serita
l’inform
azione
(#$Luigi #
$padreDi #
$Marta
)Cycl in
troduce automatic
amente
(#$Luigi #
$genito
reDi#$Marta
)
TransfersThro:Il v
alore di u
no slot p
uò essere tra
sferito
a Unit c
ollegate:
#$lib
ro#$scritto
In#$lin
guaggio
#$lib
ro#$parte
DiTesto
#$capito
lo#$scritto
In #$tra
nsfe
rsThro
#$parte
DiTesto
Seviene in
serita
l’inform
azione
(#$I_demoni#$scritto
In#$russo
)(#
$I_demoni#$parte
DiTesto
#$I-d
emoni-ca
p-1)
Cyclintro
duce automatic
amente
(#$I_demoni-ca
p-1 #$scritto
In#$russo
)
Ontologie: M
odelli e
Implementazioni
33
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Ereditarietà: ben noto: “Se tutte le persone hanno un codice fiscale e i professori sono persone, allora i professori hanno un codice fiscale”.In realtà, Cyc estende questo m
eccanismo:
Eredita
rietà
standard:
Si applica allo
slot #
$allIn
stances(tu
ttele istanze di u
na unit);
Se
#$persona#$nazionalità: (#
$stato)#$stu
denteUnivRoma
#$genL: (#
$persona)#$nazionalità
“default per #$studenteU
nivRom
a= #$Italia”
Allo
ra, q
uando si a
sseris
ce
#$stu
denteUnivRoma#$allInstances (…
#$Sandra …
)
Cyc ottie
ne (p
er d
efault)
#$Sandra
#$nazionalità
#$Italia
�Alcuni m
eccanismi in
ferenziali in
CycL
Ontologie: M
odelli e
Implementazioni
34
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Conclusioni su Cyc
�Un sistem
a enormem
ente complesso, che include sia una
parte di rappresentazione di conoscenza e inferenza, sia una ontologia vera e propria
�VAN
TAGGI:
�Dimensione
�Potenza
inferenziale�
Ottim
izzazionedei ragionam
enti
�SVAN
TAGGI:
�Troppo
complesso
�Non
chiare le scelte ontologiche�
Alcuniinsuccessi (es. Legami col linguaggio naturale)
