Applicazioni delle logiche descrittive

StrutturaIntroduzione alle DL

Applicazioni delle DLDL e Web Semantico

Loris Bozzato<[email protected]>

Dipartimento di Informatica e Comunicazione,Università degli Studi dell’Insubria

28 marzo 2008

Loris Bozzato DL: applicazioni

1 Introduzione alle DL

2 Applicazioni delle DL

3 DL e Web Semantico

Definizioni generaliLogica descrittiva ALCDL knowledge baseProblemi sulle DL

Logiche descrittive

Logiche descrittive (DL)Formalismi logici per la rappresentazione della conoscenza

Caratteristiche:Nate come formalizzazione dei sistemi network basedFrammenti della FOL espressivi ma decidibiliImplementazioni efficienti ⇒ molte applicazioni

Logiche descrittive: descrizioni

Elementi:Concetti: classi di oggetti HumanRuoli: relazioni binarie fra oggetti hasChild

Descrizioni complesse:Concept constructors (u,t,¬) Malet FemaleRole restrictions (∃, ∀, >) ∃hasChild .Male

Logica descrittiva ALC: sintassi

Linguaggio per ALC: costruito sugli insiemi (disgiunti):

NC: nomi di concettoNR: nomi di ruoloNI: nomi di individuo

Se A ∈ NC e R ∈ NR:

Concetto C

C ::= A | ¬C | Cu C | Ct C | ∃R.C | ∀R.C

Logica descrittiva ALC: semantica

Interpretazione I :I = (∆I , .I )

∆I : dominio dell’interpretazione.I : funzione di valutazione

Valutazione

Individui: aI ∈ ∆I

Concetti atomici: AI ⊆ ∆I

Ruoli: RI ⊆ ∆I × ∆I

Logica descrittiva ALC: semantica

Interpretazione dei concetti non atomici:

(¬A)I = ∆I \ AI

(Au B)I = AI ∩ BI (At B)I = AI ∪ BI

(∃R.A)I = { d ∈ ∆I | esiste d′ ∈ ∆I t.c. (d, d′) ∈ RI

e d′ ∈ AI }

pizza_margheritaI ∈ (∃hasIngredient.Vegetable)I

(∀R.A)I = { d ∈ ∆I | per ogni d′ ∈ ∆I , (d, d′) ∈ RI

implica d′ ∈ AI }

insalata_vegetarianaI ∈ (∀hasIngredient.Vegetable)I

DL Knowledge base

Knowledge base K definito come:

K = (T ,A)

Dove:TBox T : terminological knowledge (definizione dei concetti)ABox A: assertional knowledge (asserzioni sugli individui)

DL Knowledge base: TBox

Componenti della TBox T :

Definizioni di concetto: A ≡ C Human ≡ Malet FemaleInclusioni fra concetti: C v D Father v Parent

Data un’interpretazione I :

I |= A ≡ C sse AI = CI

I |= C v D sse CI ⊆ DI

I |= T sse I |= α per ogni α ∈ T

DL Knowledge base: ABox

Componenti della ABox A:

Asserzioni di concetto: a : C adam : Father

Asserzioni di ruolo: (a, b) : R (adam,abel) : hasChild

Data un’interpretazione I :

I |= a : C sse aI ∈ CI

I |= (a, b) : R sse (aI , bI ) ∈ RI

I |= A sse I |= α per ogni α ∈ A

Problemi sulle DL

Problemi di inferenza sulle DL:

TBoxConcept satisfiability (consistency): esiste un modello di Tin cui CI 6= ∅?Concept subsumption: CI ⊆ DI in tutti i modelli di T ?

TBox coherence check: per ogni C ∈ T , C è consistente?

TBox classification: quali sono tutte le sussunzioni in T ?

Problemi sulle DL

Problemi di inferenza sulle DL:

ABoxABox consistency: esiste un modello di A∪ T ?Instance check: aI ∈ CI in tutti i modelli di K?

Direct types test: quali sono i concetti più specifici di cui a è istanza?

Retrieval: quali sono tutte le istanze di C?

Fillers retrieval: quali sono tutte le coppie istanze di R?

Roles retrieval: dati a e b, quali ruoli li legano?

IntroduzioneDL Knowledge Representation SystemEsempi di applicazioni

Applicazioni delle DL

Applicazioni delle logiche descrittive:

Applicazioni “classiche” (Knowledge Representation)Software engineering: Software Information Systems,documentazione del softwareConfigurazione: descrizione di parti e composizioniMedicina: definizione di vocabolari e concetti medici

Relazioni con altri settori dell’informaticaDatabase: modello dei dati, query, data integrationNatural language processing: estrazione del contenutosemantico e generazione di frasiRelazioni con altri formalismi: form. logici e class-based

Web SemanticoLinguaggi di rappresentazione di ontologia

Applicazioni classiche

Applicazioni “classiche” delle DL:

Molte di queste basate sul modello delDL Knowledge Representation System (DLKRS)

DLKRS: introduzione

DLKRS:Knowledge Base:Rappresentazione dellaconoscenza tramite DLReasoner:Servizi di inferenza sul KBInterfaccia:Accesso al sistema perutenti e applicazioni

DLKRS: interfaccia

Interfaccia:Basic Access:Interazione di base col sistema (ASK e TELL)Application Access:Standard di comunicazione con le applicazioni: DIG interfaceHuman Access:Presentazione dei risultati delle query (spiegazione delle inferenze)

DLKRS: reasoner

Reasoner: a cosa serve?

TELL: progettazione e manutenzione del KB:Consistenza: tutti i concetti possono avere istanze?Correttezza: la rappresentazione è coerente?Ridondanze: ci sono sinonimi non intesi?Ricchezza: rappresentazioni sufficientemente dettagliate?

ASK: query rispetto a:Schema (TBox)Istanze (ABox)

Nota!Tutti i servizi ricondotti ai precedenti problemi sulle DL!

DLKRS: reasoner

Reasoner: a cosa serve?

TELL: progettazione e manutenzione del KB:Consistenza: tutti i concetti possono avere istanze?Correttezza: la rappresentazione è coerente?Ridondanze: ci sono sinonimi non intesi?Ricchezza: rappresentazioni sufficientemente dettagliate?

ASK: query rispetto a:Schema (TBox)Istanze (ABox)

Nota!Tutti i servizi ricondotti ai precedenti problemi sulle DL!

DLKRS: reasoner

Reasoner: quali sono oggi?IV fase: implementazioni mature su DL espressive

Impl. di ricerca: FaCT++, Pellet, Kaon2, CELImpl. commerciali: Racer, Cerebra

Fasi precedenti:I fase (1980-1990):

algoritmi strutturalisistemi non completi o per DL limitate: BACK, LOOM, CLASSIC

II fase (1990-1995):tableaux, risultati di complessità e ottimizzazionisistemi per DL non espressive: KRIS, CRACK

III fase (1995-2000):tableaux per logiche espressive, studio relazioni con altre logicheimplementazioni ottimizzate: FaCT, Racer

DLKRS: reasoner

Reasoner: quali sono oggi?IV fase: implementazioni mature su DL espressive

Impl. di ricerca: FaCT++, Pellet, Kaon2, CELImpl. commerciali: Racer, Cerebra

Fasi precedenti:I fase (1980-1990):

algoritmi strutturalisistemi non completi o per DL limitate: BACK, LOOM, CLASSIC

II fase (1990-1995):tableaux, risultati di complessità e ottimizzazionisistemi per DL non espressive: KRIS, CRACK

III fase (1995-2000):tableaux per logiche espressive, studio relazioni con altre logicheimplementazioni ottimizzate: FaCT, Racer

DLKRS: reasoner

Reasoner: metodi di reasoning?

Metodi di reasoning attuali:

Tableau reasoningFaCT, FaCT++, Racer, Pellet, Cerebra

Idea: ricerca di un modello per la soddisfacibilità di un concetto

Altri metodi:KAON2:Riduzione a programmi Datalog + risoluzioneCEL:Algoritmo polinomiale di sussunzione per EL+

DLKRS: reasoner

DLKRS: note

Note!DLKRS prima come obiettivo, oggi come strumentoDLKRS come componente di sistemi complessiImplementazioni: i reasoner non sono DLKRS!Ontology Information Systems (OIS):modello applicato alle ontologie

DLKRS: QuOnto

QuOnto: esempio di variantedello schema

Sistema orientato allaottimizzazione delle query

Traduzione di ABox e querysu DBS relazionale

Basato sulla logica DL-Lite

Reasoning ridotto aformulazione di query

DLKRS e DBS

Confronto DLKRS e DBS:

Parallelo:TBox ≈ SchemaABox ≈ Dati

Vantaggi

Facile mantenere coerenza fraschema e dati

Le query tengono conto anchedella TBox

Query anche su struttura TBox

Svantaggi

Semantica può non essereintuitiva (OWA e CWA)

Query answering molto piùcomplesso

Problemi di scalabilità

Esempi di applicazioni classiche:Software Engineering:

Software Information Systems: organizzazione delleinformazioni riguardo un ampio sistema softwarePer rappresentare:

Info sul dominio (contesto dell’applicazione)Info sul sistema (files di codice, funzioni. . . )

Esempio: LaSSIE

Basato su CLASSIC (1991)

Costruzione di due diversi modelli:domain model, compilato a manocode model, compilato automaticamente

Query: sui due modelli o loro unione“Trova i files in cui si usa una funzione che modella A”

Esempi di applicazioni classiche:Software Engineering:

Software Information Systems: organizzazione delleinformazioni riguardo un ampio sistema softwarePer rappresentare:

Info sul dominio (contesto dell’applicazione)Info sul sistema (files di codice, funzioni. . . )

Esempio: LaSSIE

Basato su CLASSIC (1991)

Costruzione di due diversi modelli:domain model, compilato a manocode model, compilato automaticamente

Query: sui due modelli o loro unione“Trova i files in cui si usa una funzione che modella A”

Esempi di applicazioni classiche:Configurazione:

Problema: trovare un insieme di componenti che rispettirequisiti e vincoliApplicazioni: telecomunicazioni, auto, costruzioni. . .

Vantaggi delle DL:Modellazione object-oriented: sistemi e dominio in termini diclassi e proprietàInferenza: deduzione di nuovi vincoli dagli elementi trovatiSpecifiche incomplete: deduzioni, verifica e estensioni

Requisiti:Rappresentazione di regole: come sussunzione o nuovielementi del KBSpiegazione inferenze: come si è arrivati al risultato?

Esempi: PROSE, QUESTAR

Esempi di applicazioni classiche:Configurazione:

Problema: trovare un insieme di componenti che rispettirequisiti e vincoliApplicazioni: telecomunicazioni, auto, costruzioni. . .

Vantaggi delle DL:Modellazione object-oriented: sistemi e dominio in termini diclassi e proprietàInferenza: deduzione di nuovi vincoli dagli elementi trovatiSpecifiche incomplete: deduzioni, verifica e estensioni

Requisiti:Rappresentazione di regole: come sussunzione o nuovielementi del KBSpiegazione inferenze: come si è arrivati al risultato?

Esempi: PROSE, QUESTAR

Esempi di applicazioni classiche:Medicina:

Uso: ontologie per terminologie e concetti medici(Interesse derivato dalla biologia: Gene Ontology (GO))Applicazioni:

OIS per dati cliniciIntegrazione e scambio di datiIndicizzazione di documenti. . .

Esempio: SNOMED-CT

Insieme di riferimento attualebasato su DL

Rappresentazione e scambio didati clinici

Esempio: GALEN

Studiato per medical informationsystems (info su pazienti)

Tra le prime ontologie basate suDL (GRAIL)

Uso: ontologie per terminologie e concetti medici(Interesse derivato dalla biologia: Gene Ontology (GO))Applicazioni:

OIS per dati cliniciIntegrazione e scambio di datiIndicizzazione di documenti. . .

Esempio: SNOMED-CT

Insieme di riferimento attualebasato su DL

Rappresentazione e scambio didati clinici

Esempio: GALEN

Studiato per medical informationsystems (info su pazienti)

Tra le prime ontologie basate suDL (GRAIL)

Caratteristiche:KB molto estesi:SNOMED: ≥ 250.000 concetti!Problemi di rappresentazione tipici:parti (isPartOf), vicinanza anatomica, anormalitàRilevanza di problemi più generali:scalabilità, espressività, granularitàOntologie come terminologie mediche ufficiali:SNOMED: adottato da US National Library of Medicine

Altre ontologie note: NCI, MeSH, FMA, UMLS(Sviluppate o tradotte in logiche descrittive)

DL e altri settori

Relazioni con altri settori dell’informatica:Database:1. Modellazione concettuale

Traduzioni formali: e.g. tra schemi ER e DLR(preserva formalmente le informazioni!)

Vantaggi:Reasoning per correttezza, consistenza, ridondanzeRappresentazione formale, non ambiguaPiù espressività: operazioni su entità, restrizioni su relazioni

Dati semistrutturati: definizione di schemi formali con DL

DL e altri settori

Traduzioni formali: e.g. tra schemi ER e DLR(preserva formalmente le informazioni!)Vantaggi:

Reasoning per correttezza, consistenza, ridondanzeRappresentazione formale, non ambiguaPiù espressività: operazioni su entità, restrizioni su relazioni

DL e altri settori

Traduzioni formali: e.g. tra schemi ER e DLR(preserva formalmente le informazioni!)Vantaggi:

Reasoning per correttezza, consistenza, ridondanzeRappresentazione formale, non ambiguaPiù espressività: operazioni su entità, restrizioni su relazioni

DL e altri settori

Relazioni con altri settori dell’informatica:Database:2. Query

DL come linguaggio di query:Reasoning per verifica correttezza con lo schemaClassificazione delle query:

- Per eseguire dalle più generali alle specifiche- Per ottimizzazione: per Q v C, limitare ricerca a C- Per tassonomia di viste

ProblemaApproccio limitato: linguaggio povero e solo per ASK

Alternative:DL per tipizzazione dei dati rispetto a TBoxQuery congiuntive: concetti e ruoli come predicati (DL-Lite)

Traduzione in SQL con ABox in DBS (QuOnto)

DL e altri settori

Relazioni con altri settori dell’informatica:Database:3. Data integration

Idea: visione uniforme dei dati di più risorse differenti

Descrizioni delle risorse:Schema globale dell’integrazioneDescrizione locale per ogni risorsa

Query sull’integrazione:Riformulazione delle query basata su viste

DL e altri settori

Relazioni con altri settori dell’informatica:Formalismi class-based:

Relazioni con:Semantic networks, frame systems, conceptual graphsModelli di database (schemi ER e Object Oriented)Object oriented programming languagesLinguaggi di modellazione (UML)

Nota!Difficile dare un metodo generale per mapparli nelle DL:

Si possono perdere caratteristiche nelle traduzioni

Di contro, semantica formale e reasoning

DL e altri settori

Relazioni con altri settori dell’informatica:Formalismi class-based:

Relazioni con:Semantic networks, frame systems, conceptual graphsModelli di database (schemi ER e Object Oriented)Object oriented programming languagesLinguaggi di modellazione (UML)

Nota!Difficile dare un metodo generale per mapparli nelle DL:

Si possono perdere caratteristiche nelle traduzioni

Di contro, semantica formale e reasoning

DL e altri settori

Relazioni con altri settori dell’informatica:Altri formalismi logici:

Logica (classica) dei predicati:

DL come sott’insiemi decidibili della FOLRestricted variable fragments: ALC ≤ L2

Guarded fragments: ∃R.A, ∀R.A

Logiche modali:

Ruoli e relazioni di accessibilità: ALC ≈ KmStudio relazioni per DL espressive: ALCR+ = S ≈ S4Risultati di complessità, tecniche di reasoning e costrutti

Molte altre relazioni ed estensioni:programmazione logica, logiche temporali, dinamiche,probabilistiche, fuzzy, costruttive. . .

DL e altri settori

Logica (classica) dei predicati:DL come sott’insiemi decidibili della FOLRestricted variable fragments: ALC ≤ L2

Logiche modali:

Ruoli e relazioni di accessibilità: ALC ≈ KmStudio relazioni per DL espressive: ALCR+ = S ≈ S4Risultati di complessità, tecniche di reasoning e costrutti

DL e altri settori

Logiche modali:Ruoli e relazioni di accessibilità: ALC ≈ KmStudio relazioni per DL espressive: ALCR+ = S ≈ S4Risultati di complessità, tecniche di reasoning e costrutti

DL e altri settori

Logiche modali:Ruoli e relazioni di accessibilità: ALC ≈ KmStudio relazioni per DL espressive: ALCR+ = S ≈ S4Risultati di complessità, tecniche di reasoning e costrutti

IntroduzioneComponentiStruttura e linguaggiApplicazioni

Web Semantico: introduzione

World Wide Web: caratteristiche (e problemi):Human readableDocumenti connessi

Web SemanticoUn nuovo web composto da informazioni connesse tra loro in

base al loro significato e comprensibile da macchine

Caratteristiche:Machine understandableInformazioni connesse (“Data Web”)

Web Semantico: introduzione

World Wide Web: caratteristiche (e problemi):Human readableDocumenti connessi

Web SemanticoUn nuovo web composto da informazioni connesse tra loro in

base al loro significato e comprensibile da macchine

Caratteristiche:Machine understandableInformazioni connesse (“Data Web”)

Web Semantico: esempio

Esempio: informazioni bibliograficheAgente 1: ricercaRicerca i libri di un dato autore, con edizioni, prezzi. . .Agente 2: pubblicazionePubblica i libri disponibili su un e-commerceAgente 3: elaborazionePubblica la classifica dei libri più venduti della settimana

IdeaUnire informazioni coerenti da più fonti per:

Eseguire ricerche consistenti sull’unioneScoprire nuove relazioni fra i dati (e.g. classifica)

Tim Berners-Lee: “The SW is a technology designed tospecifically do that: to open up the boundaries [. . . ] to look athow things connect in new combinations [. . . ].”

RichiesteTutti gli agenti:

devono capire cosa sono un autore, libro, prezzo. . .devono utilizzare lo stesso linguaggio per comunicare

IdeaUnire informazioni coerenti da più fonti per:

Eseguire ricerche consistenti sull’unioneScoprire nuove relazioni fra i dati (e.g. classifica)

Tim Berners-Lee: “The SW is a technology designed tospecifically do that: to open up the boundaries [. . . ] to look athow things connect in new combinations [. . . ].”

RichiesteTutti gli agenti:

devono capire cosa sono un autore, libro, prezzo. . .devono utilizzare lo stesso linguaggio per comunicare

Web Semantico: componenti

Componenti:

URI: identificazione degli oggetti

www.example.org/books#palomar

Statements (triple): relazioni fra oggetti

ex:calvino ex:isAuthorOf ex:palomar

Ontologie: semantica dei concetti e delle loro relazioni

Autore subClassOf Persona

Componenti:

Web Semantico: ontologie e logica

Rappresentazione formale delle ontologie:Logiche descrittive

Linguaggi di rappresentazione di ontologie:basati su logiche descrittive espressive (famiglia SH)

Caratterizzazione logica indispensabile per:Condivisione della semantica dei concettiReasoning (deduzione):

QueryValidazione delle ontologie. . .

Web Semantico: visione o realtà?

Il Web Semantico è ancora una visione. . .

MA. . .

I suoi strumenti e linguaggi sono già disponibili!

Web Semantico: visione o realtà?

Il Web Semantico è ancora una visione. . .

MA. . .

I suoi strumenti e linguaggi sono già disponibili!

Web Semantico: struttura

Struttura del Web Semantico:Unicode+URI, XML: formati dibase

RDF: linguaggio per triple

RDFS: schema di classi eproprietà

OWL: linguaggio di ontologia

Applicazioni: reasoner, API,editor. . .

Linguaggi: query, regole. . .

Web Semantico: RDF

Resource Description Framework (RDF)Rappresentazione di triple di risorse:

(soggetto, predicato, oggetto)

Risorse identificate da URIFormati: N-Triples, Notation3, grafi RDF, RDF/XML

rdf:type: predicato per tipizzazione delle risorse

<rdf:Description rdf:about=”www.example.org/books#palomar”>

<rdf:type rdf:resource=”www.example.org/terms#Book”>

</rdf:Description>

Web Semantico: RDFS

RDF Schema (RDFS)Definizione dello schema dei termini delle triple

Elementi base:Classi: rdfs:Class, rdfs:subClassOfProprietà: rdfs:Property, rdfs:subPropertyOf

<rdfs:Class rdf:ID=”Handbook”>

<rdfs:subClassOf rdf:resource=”#Book”>

</rdfs:Class>

Web Semantico: nota

SW DLClassi ≡ Concetti

Proprietà ≡ Ruoli

Web Semantico: OWL

Web Ontology Language (OWL)Rappresentazione di ontologie

W3C Recommendation del 10/2/2004(Standardizzato insieme a RDF e RDFS)

Costruito a partire da DAML+OIL

Sottolinguaggi

OWL LiteOWL DLOWL Full

Web Semantico: OWL

Web Ontology Language (OWL)Rappresentazione di ontologie

W3C Recommendation del 10/2/2004(Standardizzato insieme a RDF e RDFS)

Costruito a partire da DAML+OIL

Sottolinguaggi

OWL LiteOWL DLOWL Full

Web Semantico: OWL

Elementi tipici:Definizione dello schema:

Classi: owl:Class, owl:Thing, owl:NothingProprietà: owl:ObjectProperty, owl:DatatypePropertyIndividui: owl:Individual

Assiomi e costruttori:Equivalenze: owl:EquivalentClass, owl:disjointFormUguaglianze: owl:SameAs, owl:differentFromProprietà inverse: owl:inverseOfCaratteristiche delle p.: owl:TransitivePropertyComposizione di classi: owl:intersectionOfRestrizioni: owl:allValuesFrom, owl:minCardinalityClassi enumerate: owl:oneOf, owl:hasValue

Altri: annotation properties, inclusioni di ontologie. . .

Web Semantico: OWL

<owl:Class rdf:ID=”Human”><owl:unionOf rdf:parseType=”Collection”>

<owl:Class rdf:about=”#Male”/><owl:Class rdf:about=”#Female”/>

</owl:unionOf></owl:Class>

<owl:ObjectProperty rdf:ID=”isAutoreOf”><owl:inverseOf rdf:resource=”#hasAutore”/>

</owl:ObjectProperty>

<owl:Class rdf:ID=”WeekDays”><owl:oneOf rdf:parseType=”Collection”>

<owl:Thing rdf:about=”#Monday”><owl:Thing rdf:about=”#Tuesday”><owl:Thing rdf:about=”#Wednesday”>. . .

</owl:oneOf></owl:Class>

Web Semantico: OWL

Web Semantico: OWL e DLs

Relazioni tra OWL e DLs:

OWL DL

Concept SAT

OWL Lite ≈ SHIF (D)

ExpTime-complete

OWL DL ≈ SHOIN (D)

NExpTime-complete

OWL Full ≈ ???(DAML+OIL) ≈ SHIQ

ExpTime-complete

Relazioni tra OWL e DLs:

OWL DL Concept SATOWL Lite ≈ SHIF (D) ExpTime-completeOWL DL ≈ SHOIN (D) NExpTime-completeOWL Full ≈ ???(DAML+OIL) ≈ SHIQ ExpTime-complete

Sintassi OWL Sintassi DL Semantica

A (Classe) A ∈ NC AI ⊆ ∆I

owl:Thing > owl:ThingI = ∆I

owl:Nothing ⊥ owl:NothingI = ∅

intersectionOf(C1, C2) C1 u C2 CI1 ∩ CI2unionOf(C1, C2) C1 t C2 CI1 ∪ CI2complementOf(C) ¬C ∆I \ CI

oneOf(c1, . . . , cn) {c1, . . . , cn} {cI1 , . . . , cIn }

(R someValuesFrom C) ∃R.C { d | ∃d′ t.c. (d, d′) ∈ RI , d′ ∈ CI }(R allValuesFrom C) ∀R.C { d | ∀d′, (d, d′) ∈ RI ⇒ d′ ∈ CI }(R hasValue c) ∀R.{c} { d | (d, cI ) ∈ RI }(R minCardinality n) > n.R { d | #(d′ | (d, d′) ∈ RI ) ≥ n }(R maxCardinality n) 6 n.R { d | #(d′ | (d, d′) ∈ RI ) ≤ n }

Web Semantico: OWL 1.1

OWL 1.1Nato da discussioni su funzionalità di OWL (OWLED’05)Formalizzazione logica: proposta nel KR2006Horrocks, Kutz, Sattler: The even more irresistible sROIQ.

W3C Submission del 19/12/2006W3C Working Draft del 8/1/2008

OWL 1.1 ≈ sROIQ(D):Restrizioni di cardinalità qualificate (Q)Disgiunzioni di ruoliRuoli simmetrici, antisimmetrici e riflessiviRuolo universaleComposizione di ruoli (R)Complemento su ruoli

Supportato da tools e reasoners: Protégé, FaCT++, Pellet

Supportato da tools e reasoners: Protégé, FaCT++, PelletLoris Bozzato DL: applicazioni

Web Semantico: strumenti e linguaggi

Strumenti e linguaggi per l’uso delle ontologie:Strumenti:

Editor di ontologie: Protégé, Oiled, SwoopAmbienti di sviluppo: HP Jena, Sesame, SWI-PrologReasoners: FaCT++, Racer, Pellet, KAON2, CELRDF triple store: Oracle Spatial 10g, SDBAltri: validatori, browser, motori di ricerca per ontologie

Nota!Già ≈100 strumenti elencati nel sito della

W3C Semantic Web Activity

Strumenti e linguaggi per l’uso delle ontologie:Strumenti:

Editor di ontologie: Protégé, Oiled, SwoopAmbienti di sviluppo: HP Jena, Sesame, SWI-PrologReasoners: FaCT++, Racer, Pellet, KAON2, CELRDF triple store: Oracle Spatial 10g, SDBAltri: validatori, browser, motori di ricerca per ontologie

Nota!Già ≈100 strumenti elencati nel sito della

W3C Semantic Web Activity

Strumenti e linguaggi per l’uso delle ontologie:Linguaggi:

SPARQL: linguaggio di query per RDF/OWLRIF: rappresentazione di regole di inferenzaGRDDL: estrazione di RDF da XML, XHTML. . .POWDER: metadati per insiemi di risorseSKOS: descrizione di (semplici) terminologie

Ontology Engineering:Metodologie di sviluppoOntology matching e alignmentOntology evaluation

Strumenti e linguaggi per l’uso delle ontologie:Linguaggi:

SPARQL: linguaggio di query per RDF/OWLRIF: rappresentazione di regole di inferenzaGRDDL: estrazione di RDF da XML, XHTML. . .POWDER: metadati per insiemi di risorseSKOS: descrizione di (semplici) terminologie

Ontology Engineering:Metodologie di sviluppoOntology matching e alignmentOntology evaluation

Web Semantico: applicazioni

Applicazioni degli strumenti del Web Semantico:

RDF/OWL formato per scambio dati:RSS (RDF Site Summary)Fino alla versione 1.0 basato su RDF(S)Creative CommonsLicenze dei documenti come triple RDF e schema RDFSEstensioni di FirefoxDescrizione di ogni estensione in un file RDF

Molte ontologie note: Dublin Core, FOAF, MusicBrainzPagine HTML + (meta)dati RDF: XHTML2 e RDFa

Applicazioni degli strumenti del Web Semantico:RDF/OWL formato per scambio dati:

RSS (RDF Site Summary)Fino alla versione 1.0 basato su RDF(S)Creative CommonsLicenze dei documenti come triple RDF e schema RDFSEstensioni di FirefoxDescrizione di ogni estensione in un file RDF

RSS (RDF Site Summary)Fino alla versione 1.0 basato su RDF(S)

Creative CommonsLicenze dei documenti come triple RDF e schema RDFSEstensioni di FirefoxDescrizione di ogni estensione in un file RDF

RSS (RDF Site Summary)Fino alla versione 1.0 basato su RDF(S)Creative CommonsLicenze dei documenti come triple RDF e schema RDFS

Estensioni di FirefoxDescrizione di ogni estensione in un file RDF

Applicazioni degli strumenti del Web Semantico:Ontology Information Systems (OIS):

Portali basati su ontologie:Vodafone LiveRicerca e descrizione di multimedia tramite metadati RDFSun swoRDFishRicerca di materiali di supporto ai prodotti (whitepapers)

Assistenza alla ricerca documenti:GoPubMedRicerca articoli di PubMed basata su ontologieFood, Nutrition and Agriculture Journal (FAO)(Simile, basata sull’ontologia AGRIS)

Integrazione dei dati:RenaultAggregazione di documenti per diagnosi e riparazioneMuseoSuomiAggregazione tra collezioni di più musei

Applicazioni degli strumenti del Web Semantico:Semantic Web Services:

Descrizione “semantica” delle proprietà dei Web ServicesW3C Semantic Web Services Interest Group:Gruppo attivo per i Semantic WS del W3C

Linguaggi di descrizione: SAWSDL, OWL-SProgetti su SWS: LUISA, SUPER, IRS-III

Web Semantico: ultimi sviluppi

Ultimi sviluppi del Web Semantico: interesse sul lato:Teorico:

Conferenze:ISWC, OWLED, Semantic Technology Conference, SWAPPubblicazioni:Journal of Web Semantics

Applicativo:Aziende:Racer Systems, Cerebra, HP (Jena), IBM (SNOBASE)Associazioni e progetti:STI international, Ontology Engineering Group, OKKAM

Direzioni di sviluppo

Teoria ⇔ ApplicazioniAlgoritmi di reasoning,espressività delle DL

Strumenti, applicazioni,linguaggi, metodologie

Web Semantico: ultimi sviluppi

Ultimi sviluppi del Web Semantico: interesse sul lato:Teorico:

Conferenze:ISWC, OWLED, Semantic Technology Conference, SWAPPubblicazioni:Journal of Web Semantics

Applicativo:Aziende:Racer Systems, Cerebra, HP (Jena), IBM (SNOBASE)Associazioni e progetti:STI international, Ontology Engineering Group, OKKAM

Direzioni di sviluppo

Teoria ⇔ ApplicazioniAlgoritmi di reasoning,espressività delle DL

Strumenti, applicazioni,linguaggi, metodologie

Web Semantico: conclusione

Web Semantico e logiche descrittive:

Semantic Web come impulso per:Standardizzazione dei linguaggiSviluppo di strumenti e implementazioniSviluppo di applicazioni reali di DL e reasoning

Sviluppo di linguaggi e strumenti del SW di pari passo allosviluppo teorico delle DL

EsempiDalla teoria alla pratica: KAON2Dalla pratica alla teoria: OWL 1.1 e sROIQ

Applicazioni delle logiche descrittive

Documents

Transcript of Applicazioni delle logiche descrittive