Transcript Nessun titolo diapositiva
Ontologie Esistenti: WordNet, SUMO, CyC, DOLCE
• Cosa sono le ontologie • Quali ontologie esistono – WordNet – Cyc – SUMO – DOLCE • Come costruire un’ontologia – Loom – OWL
WordNet
Da un elenco di parole:
A un dizionario strutturato:
{animale, bestia}
SynSets
{mammifero} {cane} {felino} {gatto, micio} {tigre} {soriano}
NB: La stessa parola può appartenere a più SynSets
Alcune versioni
WordNet: Cognitive Science Laboratory dell’Università di Princeton (inglese) Fine anni ‘80 EuroWordNet: su Fondi dell’Unione Europea. (multilingue - ILC-Pisa per l’italiano) Metà anni ‘90 ItalWordNet: IRST-ICT (Trento). Un progetto nazionale (italiano) Fine anni ‘90 Ovviamente, molte versioni per altre lingue
Le relazioni di WordNet (originale)
Relazione
Sinonimia Antonimia Iponimia Meronimia Implicazione Causa Somiglianza Attributo Relativo al nome
POS collegate
nome/nome; verbo/verbo; aggettivo/aggettivo; avverbio/avverbio nome/nome; verbo/verbo; aggettivo/aggettivo nome/nome; verbo/verbo nome/nome verbo/verbo verbo/verbo aggettivo/aggettivo aggettivo/nome aggettivo/nome
Esempi
book/volume; to eat/to take in; great/outstanding; greatly/drastically man/woman; to enter/to exit; long/short slicer/knife; to walk/to move head/nose to buy/to pay to kill/to die wet/humid tall/stature fraternal/broterhood
Osservazioni
• Alcune delle relazioni adottate sono alquanto vaghe
• POS sta per Part Of Speech (nome, verbo, ecc.) • POS diverse collegate solo in casi particolari (es. partecipzione (nome) e partecipare(verbo))
Relazione
Sinonimia Quasi sinonimia Xpos quasi sinonimia Antonimia Quasi antonimia Xpos quasi antonimia Iponimia Xpos iponimia Meronimia Causa Sotto-evento Ruolo Co_ruolo Stato_di Maniera_per Derivazione Relativo_a Classe
Le relazioni di EuroWordNet
Ordini collegati
1/1; 2/2; 3/3 1/1; 2/2; 3/3 2/2 1/1; 2/2; 3/3 1/1; 2/2; 3/3 2/2 1/1; 2/2; 3/3 2/2 1/1 2/2 2/2 1/2 1/1 1/2 2/2 Tra tutti 2/2 1/1
Esempi
barriera/ostacolo;comprare/acquistare;conoscenza/cognizione ordigno/congegno; certificare/assicurare arrivo/arrivare incredibile/credibile sopra/sotto; arrivare/partire arrivo/partire cane/animale; agitarsi/muoversi arrivo/andare; martellata/colpire braccio/corpo; mano/dito uccidere/morire; giustiziare/condanna comprare/pagare; dormire/russare martello/martellare; pedone/camminare chitarrista/chitarra povero/povertà; vecchio/vecchiaia bisbigliare/a-bassa-voce; trucidare/barbaramente acqua/acquaiolo presidenziale/presidente Po/fiume; Roma/città
• • •
Osservazioni
La seconda colonna è molto diversa da quella della tabella precedente. I numeri (1, 2, 3) si riferiscono ai cosiddetti “ordini semantici”, così definiti: 1: nomi concreti 2: nomi, verbi, aggettivi o avverbi indicanti proprietà, stati, processi o eventi 3: nomi astratti indicanti proposizioni indipendenti dal tempo e dallo spazio Per molte relazioni sono definite anche le inverse, che per semplicità non sono riportate in tabella (ad es. iponimia
iperonimia; meronimia
olonimia; causa
causato_da; …) Alcune relazioni non sono definite tra Synset, ma tra singole parole. Questo vale ovviamente per la sinonimia, ma anche per la derivazione e per l’antonimia
•
Tutti i Synset coinvolti si riferiscono a classi (chitarra, andare, …) eccetto quelli che compaiono nell’ultima relazione, in cui uno dei due elementi collegati è un’istanza (Po, Roma)
L’Architettura di EuroWordNet
Domain ontology
traffic
Top ontology
2nd order entity air traffic road traffic location ride III drive III move III WordNet Inglese II I I dynamic II cabalgar III III conducir mover III WordNet Spagnolo II ILI record (drive)
Inter Lingual Index
II rijden III berijden III betragen III WordNet Olandese guidare III cavalcare III muoversi III WordNet Italiano
Osservazioni
• • • •
La top-ontology è una rappresentazione strutturata dei concetti più generali (la esamineremo più avanti) Le Domain-Ontologies sono elenchi (parzialmente strutturati) di Campi Semantici, e cioè di ‘argomenti’ (ad es. Sport, calcio, astronomia, …) L’Inter Lingual Index (ILI) è solo una tabella di mapping tra Synset, non strutturata Vi sono tre tipi diversi di archi: I: archi indipendenti dalle varie lingue, che collegano un record dell’ILI con le top e domain ontologies II: archi che collegano i synset dei vari WordNet all’ILI (e viceversa) III: archi, dipendenti dalla particolare lingua, che collegano i vari synset. Questi sono gli archi che abbiamo descritto nelle due tabelle precedenti.
La Top-Ontology
entity 1st order 2nd order 3rd order thing artifact O dynamic natural O comestible U place U aliment container U substance F object F gas F comestible U +artifact O container U +object F solid F T static T cause bounded Event T liquid F C location C candy container U +object F +artifact O vessel bottle mental
•
La definizione dei concetti è basata su features
Per le entità del primo ordine (concreti) esse sono:
o
Origin (se è naturale o artificiale; indice O nella figura)
o
Natural
o
Living
o o o o
Plant Human Creature Animal
o o o
Artifact Form (se è una sostanza o un oggetto con forma definita; indice F nella figura)
o
Substance
o
Solid
o o
Liquid Gas
o
Object Composition (se è un oggetto unitario o un gruppo; non compare in figura)
o
Part
o
Group
o o o o o o o o o o o
Function (la funzione)
o o
Vehicle Representation
o
MoneyRepresentation
o o
LanguageRepresentation ImageRepresentation Software Place Occupation Instrument Garment Furniture Covering Container Comestible Building
•
Per le entità del secondo ordine (azioni, astrazioni, qualità) esse sono:
o
Situation Component (una caratteristica o un partecipante della situazione
o
descritta; indice C nella figura)
o
Cause
o
Communication
o o o o o o o o o o o o o
Condition Existence Experience Location Manner Mental Modal Physical Possession Purpose Quantity Social Time Situation Type (il tipo della situazione; indice T in figura)
o o
Dynamic
o
BoundedEvent
o
UnboundedEvent Static
o o
Property Relation
•
Le entità del terzo ordine non hanno features
Osservazioni
• • •
Le features possono essere combinate per ottenere concetti più specifici (ad esempio, si veda in figura
container U +object F +artifact O
) I concetti del Top-level non sono dei SynSets! Per cui termini come Container debbono comparire sia nella top ontology, sia in uno o più SynSet Alla Top-ontology sono agganciati 1310 Base Concepts, concetti fondamentali comuni a tutte le lingue, individuati in base a 3 criteri:
• • •
Numero delle relazioni associate ad essi Posizione nella gerarchia tassonomica Frequenza in un corpus
•
Non sono predefiniti dei meccanismi inferenziali , che permettano di sfruttare la semantica delle relazioni. ItalWordNet è memorizzato in un DB relazionale, ed è compito dell’utente scrivere le query opportune per spostarsi tra I Synsets.
•
Esistono però dei browser grafici che permettono di navigare (manualmente) nella rete
• Quali ontologie esistono – WordNet – Cyc – SUMO – DOLCE • Come costruire un’ontologia – Loom – OWL
Cyc
• Il progetto Cyc (da enCYClopedia) nasce nel 1984 ed è ancora in corso (si veda il sito http://www.opencyc.org/).
• Attualmente, Cyc include oltre un milione di concetti, mentre la versione pubblica OpenCyc comprende circa 6.000 concetti e 60.000 relazioni tra di essi •
So, the mattress in the road to AI is lack of knowledge, and the anti-mattress is knowledge. But how much does a program need to know to begin with? The annoying, inelegant, but apparently true answer is: a non-trivial fraction of
consensus reality
the millions of things that we all know and that we assume everyone else knows” (Guha & Lenat 90, p.4)
2 componenti
Constraint Language (Logica dei predicati) CycL (linguaggio basato su frame)
CycL
Units
I frame di Cyc si chiamano Units. Esse includono, come tutti i frames, degli slots Esempio di Unit relativa ad un’istanza
#$Texas #$capital: (#$Austin) #$residents: (#$Doug Guha Mary) #$stateOf: (#$UnitedStatesOfAmerica)
Tutti i simboli che hanno il prefisso #$ sono Units. Una caratteristica fondamentale di Cyc è che, come si vede dall’esempio, anche gli slots sono Units (SlotUnits)
Esempio di Unit relativa ad uno slot
#$residents #$instanceOf: (#$Slot) #$inverse: (#$residentOf) #$makesSenseFor: (#$GeopoliticalRegion) #$entryIsA: (#$Person) #$specSlots: (#$lifelongResidents #$illegalAliens #$registeredVoters)
•
Da un punto di vista formale, gli slots sono relazioni binarie
• •
Quindi, è necessario definire il dominio (#$makesSenseFor ) e il range (#$entryIsa ) E’ anche possibile definire relazioni tra relazioni (#$inverse e #$specSlots) Altri esempi più avanti
Constraint Language
Una variante della logica dei predicati basata su ‘restricted quantification’
Es. Tutte le persone hanno una madre e la loro differenza di età è maggiore di 16 Versione in logica dei predicati standard
(
"
x) person (x) [(
$
y) person ( y)
mother(x,y)
greaterThan(diff(age(y),age(x)), 16) ]
Versione con quantificazione ristretta
(
"
x person ) (
$
y person ) mother(x,y)
greaterThan(diff(age(y),age(x)), 16) ]
Versione Cyc
(#$ForAll x (#$Person) (#$Exists y (#$Person) (LogAnd (#$mother x y) (#$GreaterThan (#$Diff (y #$age) (x #$age)) 16))))
Versione Cyc più efficiente: separare …
la definizione della unit …
#$Person
#$genls: (#$Living) #$name: (#$PersonName) #$residentOf: (#$city) #$mother: (#$Person) #$inheritedSlotConstraints: (#$AgeOfMotherConstraint)
dal vincolo (constraint) sullo slot (infatti: Constraint Language)
#$AgeOfMotherConstraint
#$instanceOf: (#$SlotConstraint) #$constraintInheritedTo: (#$Person …) #$slotsConstrained: (#$mother) #$slotConstraints: (#$GreaterThan (#$Diff (v #$age) (u #$age)) 16)))))
Per completezza, e perchè serve dopo, ecco la definizione dello slot #$mother:
#$mother
#$instanceOf: (#$Slot) #$inverse: (#$motherOf) #$makesSenseFor: (#$Person) #$entryIsA: (#$Person) #$entryFormat: (SingleEntry)
Ma perchè questa soluzione è più efficiente?
Perchè parte del vincolo è espresso in CycL, che è stato introdotto proprio per rendere alcune inferenze più efficienti
Inferenza in Cyc
Consideriamo la seguente operazione:
(Put #$Giorgio #$mother #$Lucia)
Essa memorizza (
Put
) nello slot
#$ mother
della Unit
#$ Giorgio
, il valore (riferimento alla Unit)
#$Lucia
(e cioè, Lucia è la madre di Giorgio) Supponiamo ora di fare:
(Get #$Lucia #$mother-of)
E cioè di richiedere (
Get
) di chi è madre (
#$ mother-of
) Supponiamo che Lucia non abbia altri figli oltre Giorgio.
#$Lucia .
Quale sarà il risultato?
1.
2.
Possiamo ottenere due risultati:
( ) (#$Giorgio) Cioè la lista vuota: Lucia non ha figli Lucia è madre di Giorgio
Il primo risultato si ottiene se sia la Get che la Put precedenti sono state richieste “senza nessuna inferenza” Il secondo risultato si ottiene se o la Get o la Put (o entrambe) sono state richieste “con inferenza” (anche minima)
Quale inferenza è necessaria?
Quella associata alla definizione dello slot precedente), in cui è specificato che appunto
#$mother-of #$mother #$mother
ha un (v. slide
#$inverse
, che è
Alcuni meccanismi inferenziali in CycL
• •
Mantenimento di relazioni inverse : abbiamo già visto l’esempio
•
Mantenimento di specSlot-genlSlot : alcuni slot di una unit possono essere legati da una relazione di specializzazione-generalizzazione. Ad es.
#$padreDi #$specSlot #$genitoreDi
Se viene inserita l’informazione
(#$Luigi #$padreDi #$Marta)
Cycl introduce automaticamente
(#$Luigi #$genitoreDi #$Marta)
TransfersThro: Il valore di uno slot può essere trasferito a Unit collegate:
#$libro #$ scrittoIn #$linguaggio #$libro #$ parteDiTesto #$capitolo #$scrittoIn #$ transfersThro
Se viene inserita l’informazione
#$parteDiTesto (#$I_demoni #$scrittoIn #$russo) (#$I_demoni #$parteDiTesto #$I-demoni-cap-1)
Cycl introduce automaticamente
(#$I_demoni-cap-1 #$scrittoIn #$russo)
Alcuni meccanismi inferenziali in CycL (3)
•
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 meccanismo: Ereditarietà standard: Si applica allo slot #$allInstances (tutte le istanze di una unit); Se #$persona
#$nazionalità: (#$stato)
#$studenteUnivRoma
#$genL: (#$persona)
#$nazionalità
“default per #$studenteUnivRoma = #$Italia”
Allora, quando si asserisce #$studenteUnivRoma
#$allInstances (… #$Sandra …)
Cyc ottiene (per default) #$Sandra
#$nazionalità #$Italia
Il top level di Cyc
#$Thing #$Intangible #$SetOrCollection #$Individual #$IntangibleIndividual #$Situation #$TemporalThing #$Relationship #$Collection Una lista dei concetti di Cyc si può trovare al sito http://www.cyc.com/cyc-2-1/toc.html
( aggiornato al 1997)
#$ Thing :
è l’insieme universale: la collezione di ogni cosa! Ogni costante Cyc nella Base di Conoscenza è membro di questa collezione. Inoltre, ogni collezione della Base di Conoscenza è membro della collezione
#$Thing
.
#$ Intangible
#$Collection
è
:
la collezione di cose che non sono fisiche - non sono fatte di, o codificate nella, materia. Ogni
#$Intangible
(anche se le sue istanze sono tangibili) e tali sono anche alcuni
#$Individual
. Attenzione: non si confonda ‘tangibilità’ con ‘percettibilità’ - gli esseri umani possono percepire la luce anche se essa è intangibile.
#$ Individual :
la collezione di tutte le cose che non sono insiemi o collezioni. Così
#$Individual
include, tra le altre cose, oggetti fisici, sottoastrazioni temporali di oggetti fisici [ , numeri, relazioni e gruppi. Un elemento di
#$Individual
può avere parti o una struttura (incluse parti che sono discontinue); ma NESSUNA istanza di
#$Individual
può avere elementi o sottoinsiemi.
#$ IntangibleIndividual :
la collezione degli individui intangibili. I suoi elementi non hanno massa, volume, colore, ecc. Ad esempio, ore, idee, algoritmi, interi, distanze, e così via. D’altra parte, in quanto sottoinsieme di
#$Individual
non di , questa collezione ESCLUDE insiemi e collezioni, che sono elementi di
#$IntangibleIndividual #$Intangible
, ma
#$ TemporalThing :
la collezione delle cose che hanno una particolare estensione temporale, cose delle quail uno potrebbe ragionevolmente chiedere ‘Quando?’. Essa include molte cose; come le azioni, gli oggetti tangibili, gli accordi, e porzioni astratte di tempo. Alcune cose NON sono istanze di
#$TemporalThing
perchè sono astratte, atemporali, come un insieme matematico, un intero, ecc.
•
Conclusioni su Cyc
Un sistema enormemente complesso, che include sia una parte di rappresentazione di conoscenza e inferenza, sia una ontologia vera e propria VANTAGGI: - Dimensione - Potenza inferenziale - Ottimizzazione dei ragionamenti SVANTAGGI: - Troppo complesso - Non chiare le scelte ontologiche - Alcuni insuccessi (es. Legami col linguaggio naturale)
•
Versione 1990
#$Thing #$RepresentedThing #$Intangible #$IndividualObject #$IntangibleObject #$Collection #$Relationship #$IntangibleStuff #$Stuff #$Event #$Process • #$Slot
Versione 1997
#$Thing #$Intangible #$Individual #$SetOrCollection #$IntangibleIndividual #$Situation #$TemporalThing #$Relationship #$Collection
• Cosa sono le ontologie • Quali ontologie esistono – WordNet – Cyc – SUMO – DOLCE • Come costruire un’ontologia – Loom – OWL
SUMO
•
SUMO (Suggested Upper Merged Ontology) è il risultato di uno sforzo dell’IEEE (Institute of Electrical and Electronic Engineering), iniziato verso la metà degli anni ‘90. Per ottenere informazioni su SUMO si può accedere al sito del gruppo di lavoro SUO (Standard Upper Ontology) http://suo.ieee.org
•
Questo standard specificherà una ‘upper ontology’ che i computer potranno utilizzare per applicazioni quali l’interoperabilità dei dati ingegneria, ecc.).” (sulle
upper ontologies
, la ricerca e il reperimento di informazioni, il ragionamento automatico e l’elaborazione del linguaggio naturale . Un’ontologia è simile ad un dizionario o a un glossario, ma con maggiore dettaglio e struttura, che permette ad un computer di elaborare il suo contenuto. Un’ontologia consiste di un insieme di concetti, assiomi e relazioni che descrivono un dominio di interesse. Una ‘upper ontology’ è limitata a concetti che sono ‘meta’, generici, astratti e filosofici e, di conseguenza, sono sufficientemente generali da coprire (ad alto livello) un ampio range di domini. I concetti relativi ai domini specifici non saranno inclusi, ma questo standard fornirà una struttura e un insieme i concetti generali sulla base dei quali potranno essere costruite le ontologie di dominio (ad es. medicina, finanza, vedi intervento di Aldo Gangemi)
Le componenti di SUMO
TEORIA DEGLI INSIEMI NUMERI STRUCTURAL ONTOLOGY BASE ONTOLOGY TEMPO MISURE PROCESSI MEREOTOPOLOGIA (PARTI E SPAZIO) QUALITA’ OGGETTI
Structural Ontology
Descrizione (in SUMO) delle primitive di SUMO Definizione della relazione
instance
(asserted StructuralOntology (instance instance BinaryPredicate)) (asserted StructuralOntology (instance instance AntisymmetricRelation)) (asserted StructuralOntology (domain instance 1 Entity)) (asserted StructuralOntology (domain instance 2 Class))
Definizione della relazione
subclass
(asserted StructuralOntology (instance subclass BinaryPredicate)) (asserted StructuralOntology (instance subclass PartialOrderingRelation)) (asserted StructuralOntology (domain subclass 1 Class)) (asserted StructuralOntology (domain subclass 2 Class))
Un ‘assioma’
(
asserted StructuralOntology (=> (subclass ?C1 ?C2) (forall (?X) (=> (instance ?X ?C1) (instance ?X ?C2)))))
Structural Ontology
(2)
Definizione della relazione
inverse
(asserted StructuralOntology (instance inverse BinaryPredicate)) (asserted StructuralOntology (instance inverse SymmetricRelation)) (asserted StructuralOntology (domain inverse 1 BinaryRelation)) (asserted StructuralOntology (domain inverse 2 BinaryRelation))
Un ‘assioma’ per ‘inverse’
(
asserted StructuralOntology (=> (and (inverse ?R1 ?R2) (instance ?R1 BinaryRelation) (instance ?R2 BinaryRelation)) (forall (?X1 ?X2) (<=> (holds ?R1 ?X! ?X2) (holds ?R2 ?X2 ?X1)))))
A differenza di Cyc, non ‘procedure di inferenza’, ma formule logiche
Base Ontology (il top-level)
Entity Physical Abstract Object Process Attribute Quantity Class Proposition
Alcuni assiomi
Entity: (
"
x) instance (x, Entity)
Qualunque cosa è un’istanza di Entity
(
$
x) instance (x, Entity) (
" Esistono delle istanze di Entity
c) instance (c, Class)
subclass (c, Entity)
Tutte le classi sono sottoclassi di
Entity
Base Ontology (un altro assioma)
Physical: (
"
x) Physical (x)
[(
$
y,z) located (x, y)
existant(x,z)]
Ogni entità fisica deve avere un luogo (y) e un periodo (z) in cui esiste .
Base Ontology (sotto il top-level)
Esempio: dove stanno I processi intenzionali (quelli compiuti con intenzione)?
Process Intentional Process NonIntentional Process
Base Ontology (sotto il top level) Processi intenzionali
Keeping Maintaining Repairing Concealing Poking Revealing Grooming Content Development Regulatory Process Securing Touching Mental Process Decorating Exercise Process Intentional Process Holding Confining Guiding Searching Recreational Process Religious Process Organizational Process Educational Process Diagnostic Process Therapeutic Process Social Interaction Pursuing Investigating Occupational Process Political Process Managing Regulatory Process Graduation Surgery
Base Ontology (qualche assioma sui processi)
Process: (
"
x) Process (x)
(
$
y) subProcess (x,y)
Tutti processi hanno dei sotto-processi .
subProcess: (
"
x,y) subProcess (x,y)
(
$
t) existant (y,t) (
" Ogni sottoprocesso esiste in qualche istante temporale
x,y) subProcess (x,y)
[(
"
z) located (y,z)
located (x,z)]
Se un sottoprocesso avviene in un luogo, anche il processo avviene in tale luogo
(
"
x,y) subProcess (x,y)
WhenFn(x)=WhenFn(y)
during (WhenFn(x),WhenFn(y))
Un sottoprocesso o coincide temporalmente o è incluso nel suo sopra-processo. WhenFn è una funzione che restituisce un intervallo temporale
IntentionalProcess: (
"
x) IntentionalProcess (x)
(
$
y) agent (x, y)
Tutti i processi intenzionali hanno un agente
(
"
x,y) IntentionalProcess (x)
agent(x,y)
CognitiveAgent(y)
(
$
z) hasPurposeForAgent (x, z, y)
Gli agenti dei processi intenzionali sono
CognitiveAgent
, e deve esserci uno ‘scopo’ z, tale che il processo è utile per quello scopo
• •
Conclusioni su SUMO
Una vera ontologia: non ci si preoccupa di come si effettuano i ragionamenti, ma solo di ‘descrivere’ i concetti e le loro proprietà Il linguaggio in cui è espresso SUMO si chiama KIF (Knowledge Interchange Format), ed è esso che si occupa della parte inferenziale (l’equivalente di Cycl+Constraint) VANTAGGI: - Separazione conoscenza-reasoning - Ontologia piuttosto ampia - Integrazione di conoscenza da fonti diverse SVANTAGGI: - Scelte ontologiche più chiare di Cyc, ma ancora dubbie - L’insieme degli assiomi è piuttosto limitato - Efficienza dei ragionamenti
• Cosa sono le ontologie • Quali ontologie esistono – WordNet – Cyc – SUMO – DOLCE
• • •
Dolce
(un ponte tra filosofia e computer science)
Dolce (Descriptive Ontology for Linguistic and Cognitive Engineering) è il risultato dell’attività svolta sulle ontologie presso l’Istituto per le Scienze e le Tecnologie Cognitive del CNR (Trento-Roma) Dolce non si propone come candidata per un’ontologia universale, ma come un punto di partenza per confrontare e chiarire la relazioni esistenti tra diversi moduli ontologici e per rendere esplicite le assunzioni presenti nelle ontologie esistenti Dolce ha un orientamento
cognitivo
, nel senso che tende ad esprimere le categorie ontologiche alla base del linguaggio naturale e del senso comune umano.
•
Parallela a Dolce c’è Ontoclean , che è una metodologia per la verifica si ontologie. Non la presenterò, ma vedremo qualche dettaglio
OntoClean
• •
Quattro nozioni fondamentali nella caratterizzazione dei concetti
Identità : possibilità di distinguere due istanze proprietà caratteristica (anche in tempi diversi) di una classe mediante una Ex . Per ‘Person’: ‘avere le stesse impronte digitali’
•
Dipendenza : la proprietà P è dipendente dalla proprietà Q, se, quando Q è vera, è vera anche P.
Ex . ‘avere figli’ dipende da ‘essere genitore’
•
Rigidità : dice, di una proprietà, se essa è ‘stabile’ per le istanze.
Ex . ‘Person’ è rigida; ‘Student’ non è rigida
•
Unità : possibilità di identificare tutte le parti di un’entità mediante una relazione unificante Ex . ‘Azienda’: ‘essere stati assunti in quell’azienda’
A cosa servono?
•
1.
Vincoli sulla relazione di sussunzione (“incorporare qualcosa in un una categoria più generale”)
Una classe non rigida (-R) non può sussumere una classe rigida (+R)
Ex . ‘Legal Agent‘ non può sussumere ‘Person’
2.
3.
4.
Una classe che ha una condizione di identità (+I) non può sussumere una classe che manca di una condizione di identità (-I)
Ex . ‘Park‘ non può sussumere ‘Location’
Una classe che ha una condizione di unità (+U) non può sussumere una classe che manca di una condizione di unità (-U)
Ex . ‘Amount of Matter‘ non può sussumere ‘Physical Object’: se una quantità d’acqua ne perde una parte è una diversa quantità d’acqua, ma se a una persona si tagliano i capelli rimane la stessa persona
Una proprietà dipendente da un’altra (+D) non può sussumere una proprietà indipendente (-D)
Endurant
e
Perdurant
• • • •
G li
Endurants
l’
Endurant
sono ‘completamente’ presenti (cioè con tutte le loro parti) quando stesso è presente. Esempio classico: gli oggetti (ad es. una casa) A d ogni istante temporale, solo una parte (una ‘fetta’ temporale) di un
Perdurant
presente (ad es. gli eventi) è Correlato al concetto di cambiamento : ontologicamente), mentre è ovvio che i solo gli
Endurant
mantenendo la loro identità, concetto questo non facile da caratterizzare
Perdurant
non cambiano, essendo le loro ‘parti’ diverse nel tempo per la definizione stessa di possono cambiare (pur
Perdurant
R elazione fondamentale tra
Endurant
e
Perdurant
:
partecipazione
; gli
Endurant
partecipano (e cioè hanno un ruolo) nei
Perdurants
; ad esempio io, che sono un
Endurant
, partecipo nella mia azione (un
Perdurant
) di andare dall’Università a casa.
Abstract
Il top level di Dolce
Entity Endurant Perdurant Fact Set Region Substantial Quality Event Stative • • • •
Gli
Abstract ,
comuni a varie ontologie, non richiedono commenti Le
Qualities
sono componenti essenziali delle entità. Esse sono simili alle
proprietà
, ma sono degli individui, non delle classi. Ad es. il colore di una rosa è una sua qualità; un’altra rosa può avere lo stesso colore, ma si tratta di un’altra qualità, anche se i valori con cui si misurano queste due qualità coincidono.
I
Substantials
sono aggregati stabili di proprietà. Essenziale la ‘meta-proprietà’ (concetto di Ontoclean) Unity .
Anche la differenza tra
Event
e
Stative
sembra abbastanza ovvia.
Critica del top-level di WordNet
•
Confusione tra
concetti
e
individui
Composer Contrapuntist SongWriter Bach Beethoven • •
In Dolce differenza tra
concetti proprietà ‘ rigidità’
e
ruoli materiali , basata sulla meta-
. Questa differenza non si osserva in WordNet (e in nessuna delle altre ontologie che abbiamo visto).
Confusione tra
meta-level
e object-level
Abstraction
object-level
Set Time Space Attribute
meta-level
Relation
•
Conclusioni su Dolce
Nè una ontologia, nè un insieme di metodi di ragionamento, bensì una metodologia (OntoClean)
• •
Ma sulla base di questa metodologia, proposta di un level ” (Dolce) “top-top Non direttamente confrontabile con le altre ontologie viste, ma possiamo dire: VANTAGGI: - Connessione con i fondamenti filosofici - Basi solide per valutare le scelte ontologiche SVANTAGGI: - Richiede un lavoro manuale non indifferente - Non essendo un’ontologia, non è direttamente usabile, o, meglio, la parte usabile è molto ridotta
• Cosa sono le ontologie • Quali ontologie esistono – WordNet – Cyc – SUMO – DOLCE • Come costruire un’ontologia – Loom – OWL
• • • • •
Loom
Loom offre un “description language” per modellare oggetti e relazioni. La programmazione procedurale è realizzata tramite metodi ‘pattern-directed’, mentre le capacità inferenziali basate su produzioni e sulla classificazione offrono un supporto per il ragionamento deduttivo.
Operazioni di modifica della KB
defconcept (define concept): crea un nuovo concetto defrelation : (define relation): crea una nuova relazione, cioè un link tra due concetti.
defset (define set): crea un nuovo concetto definito tramite l’insieme dei suoi valori tell : fornisce informazioni su un’istanza
Una
KB può trovarsi in due stati: provvisorio e stabilizzato
Localita nome [1]
string
Citta popolazione [1]
number
ufficio-turistico [1, inf] indirizzo [1] agenzia dimensione [1]
Esempio
(defconcept localita (exactly 1 nome)) (defconcept citta :is-primitive (and localita (exactly 1 popolazione) (at-least 1 ufficio-turistico))) (defrelation nome :range string) (defrelation popolazione :range number) (defrelation ufficio-turistico :range agenzia) (defconcept agenzia :is-primitive (and (exactly one indirizzo) (exactly one dimensione)))
Esempio (continua)
Localita nome [1]
string
Citta popolazione [1]
number
metropoli popolazione > 500.000
indirizzo [1]
string
ufficio-turistico [1, inf] agenzia dimensione [1]
(defrelation indirizzo :range string) (defconcept dim-val :is (the-ordered set ‘piccola ‘media ‘grande)) (defrelation dimensione :range dim-val) (defconcept metropoli :is (and citta (> popolazione 500000)))
dim-val
Esempio (continua)
Localita
(tellm (create ag-1 agenzia) (dimensione ag-1 grande) (indirizzo ag-1 “Via PincoPallo, 33”))
Citta
“Torino”
Metropoli ufficio-turistico [1, inf]
(tellm (create ag-2 agenzia) (dimensione ag-2 piccola) (indirizzo ag-2 “Via AlfaBeta, 1”)
nome Cit-1 Uff.tur.
agenzia
(tellm (create ag-2 agenzia) (dimensione ag-2 piccola) (indirizzo ag-2 “Via NonSo, 111”)
890.000
“Via PincoPallo, 33”
indirizzo
“Via AlfaBeta, 1”
ag-1 indirizzo
“Via NonSo, 111”
dimensione ag-2 indirizzo
grande
dimensione ag-2
piccola
dimensione
(tellm (create cit-1 citta) (nome cit-1 “Torino”) (popolazione cit-1 890000) (ufficio-turistico cit-1 ag-1))
piccola
(ufficio-turistico cit-1 ag-2))
Esempio (continua)
(tellm (create cit-2 citta) (nome cit-2 “Asti”) (popolazione cit-2 125000) (ufficio-turistico cit-2 ag-3)) (tellm (create loc-1 localita) (name loc-1 “Etna”))
Esempi di query
(retrieve ?x (citta ?x)) ---> (|I|cit-1 |I|cit-2)
Il prefisso |I| sta per ‘instance’
(retrieve ?x (metropoli ?x)) ---> (|I|cit-1) (retrieve ?x (localita ?x)) ---> (|I|cit-1 |I|cit-2 |I|loc-1 )
E’ stata effettuata la classificazione Ereditarietà classica
(retrieve ?x
(and (localita ?x) (for-some ?y (and (ufficio-turistico ?x ?y)
Una query complessa
(dimensione ?y ‘grande)))) ---> (|I|cit-1)
Metodi
(defmethod trova-agenzia (?x) :situation (citta ?x) :response ((do-retrieve (?c) (for-some ?y (and (ufficio-turistico ?x ?y) (indirizzo ?y ?c))) (format t "Un indirizzo di ~a e' ~s ~%"
(first (retrieve ?z (nome ?x ?z))) ?c))))
•
Contrariamente ai linguaggi a oggetti standard, i metodi non sono legati agli oggetti, ma ‘globali’. C’è però il filtro ‘situation’ che dice a quali concetti sono applicabili
(perform (trova-agenzia (get-instance ’cit-1))) Un indirizzo di Torino è “Via PincoPallo, 33” Un indirizzo di Torino è “Via AlfaBeta, 1” (perform (trova-agenzia (get-instance ‘loc-1))) Warning: Failed to apply action TROVA-AGENZIA to arguments (|I|LOC-1) because No applicable method.
Ma si può anche definire
(defmethod trova-agenzia (?x) :situation (localita ?x) :response ((do-retrieve (?c) (nome ?x ?c) (format t "~a non e' una citta' e quindi non ha uffici turistici~%" ?c))))
Ottenendo
(perform (trova-agenzia (get-instance ‘loc-1)))
Etna non e' una citta' e quindi non ha uffici turistici
•
Si noti che il risultato dell’esecuzione del metodo su ‘cit-1 (Torino) non cambia: per default, Loom usa sempre il metodo definito più localmente
•
Conclusioni su Loom
Non un’ontologia: non ci si preoccupa di ‘descrivere’ i concetti e le loro proprietà, ma solo di come si effettuano i ragionamenti (l’opposto di SUMO) VANTAGGI: - Semplicità - Vari meccanismi di ragionamento SVANTAGGI: - Non sempre ragionamenti efficienti - Limitazioni espressive (es. Vincoli tra relazioni, strutture)