Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Dati S
emistru
tturati: O
ntologie
Sistemi d
i Elaborazione dell’in
form
azione II
Corso di Laurea Specialistica in Ingegneria Telematica
II anno –4 CFU
Università
Kore –Enna –
A.A. 2008-2009
Alessandro Longheuhttp://w
ww.diit.unict.it/users/alongheu
2
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Introduzione al Livello O
ntologico�Ontologie: D
efinizione e Obiettivi
�Modelli
e Im
plementazioni
di Ontologie:
WordN
et, Cyc, SUMO, D
OLCE
�Linguaggi per la descrizione di O
ntologie: OWL
�Linguaggi +
Modelli
�Creazione di O
ntologie: metodologia
e tools
(OntoLearn,
Protege, OntoEdit)
�Esem
pi d’uso di Ontologie, in particolare:
�Utilizzo
delle Ontologie
per l’annotazione
semantica, m
etodi e tools
Schema Lezione
3
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Richiam
o sul “Semantic W
eb Wedding Cake”:
Intro
duzione al Livello
Ontologico
4
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�il
primo
livello (URI)
offre solo
uno strum
ento per
la localizzazione delle risorse
�Il
secondo livello
(annotazione) perm
ette di
descrivere un
documento,
una sua
parte, o
una intera
collezione; questa
descrizione può
essere manuale
(linguaggi di
mark-up
come
XML,
strumenti
elementari
come
metadata
di HTM
L) o
automatica (softw
are)�
Il terzo livello (RDF) è
un modello generale (e m
inimalista) per
fare asserzioni semantiche su oggetti W
eb (risorse);una R
isorsa è
qualsiasi entità
identificabile mediante
un URI
(Uniform
Resource Identifier); ciò include pagine W
eb e documenti XM
L. �
RDF
e XM
L hanno
una sem
antica non
esplicita, ed
inoltre l’annotazione
èmanuale. G
ran parte del testo èinfine annotata
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)
Ontologie: M
odelli e
Implementazioni
35
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�SU
MO (Suggested
Upper M
erged Ontology) è
il risultato di uno sforzo dell’IEEE (Institute
of Electricaland Electronic
Engineering), iniziato neglianni ’90: http://sumo.ieee.org
�Questo standard specificherà
una ‘upper ontology’che i computer
potranno utilizzare per applicazioni quali l’interoperabilitàdei dati,
la ricerca
e il
reperimento
di inform
azioni, il
ragionamento
automatico e l’elaborazione del linguaggio naturale.
�Un’ontologia
consiste di un insieme di concetti, assiom
i e relazioni che descrivono un dom
inio di interesse. Una ‘u
pper o
ntology’è
limitata a concetti che sono ‘m
eta’, generici, astratti e filosofici e, di conseguenza, sono sufficientem
ente generali da coprire (ad alto livello) un am
pio rangedi dom
ini. I concetti relativi ai domini
specifici non
saranno inclusi,
ma
questo standard
forniràuna
struttura e
un insiem
e i concetti
generali sulla
base dei
quali potranno essere costruite le ontologie di dom
inio (ad es. medicina,
finanza, ingegneria, ecc.).”
Ontologie: M
odelli e
Implementazioni
36
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
STRUCTURAL
ONTOLOGY
BASE
ONTOLOGY
TEORIA DEGLI
INSIEMI
NUMERI
TEMPO
MEREOTOPOLOGIA
(PARTI E
SPAZIO
)
MISURE
PROCESSI
QUALITA’
OGGETTI
Ontologie: M
odelli e
Implementazioni
�Com
ponenti di SU
MO:
37
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Ca
ratte
ristic
he
diS
UM
O
�Una
vera ontologia:
non ci
si preoccupa
di com
e si
effettuano i ragionamenti, m
a solo di ‘descrivere’i concetti e le loro proprietà
VANTAG
GI:
-Separazione conoscenza-reasoning
-Ontologia piuttosto am
pia-Integrazione di conoscenza da fonti diverse
SVANTAG
GI:
-Scelte ontologiche più
chiare di Cyc, ma ancora dubbie
-L’insiem
e degli assiomi è
piuttosto limitato
-Efficienza dei ragionam
enti
�Il
linguaggio in
cui è
espresso SU
MO si
chiama
KIF (Know
ledge Interchange Format), ed è
esso che si occupa della parte inferenziale (l’equivalente di Cycl+
Constraint)
38
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Do
lce
(un
po
nte
tra filo
so
fia e
co
mp
ute
r scie
nce)
�Dolce
(Descriptive
Ontology
for Linguistic
and Cognitive
Engineering) èil risultato dell’attività
svolta sulle ontologie presso l’Istituto
per le
Scienze e
le Tecnologie
Cognitive
del CN
R
(Trento-Rom
a)�
Dolce
non si
propone com
e candidata
per un’ontologia
universale, ma com
e un punto di partenza per confrontare e chiarire la relazioni esistenti tra diversi m
oduli ontologici e per rendere esplicite le assunzioni presenti nelle ontologie esistenti
�Dolce ha un orientam
ento cognitivo, nel senso che tende ad esprim
ere le
categorie ontologiche
alla base
del linguaggio
naturale e del senso comune um
ano.�
Insiemea D
olce c’èOntoclean, che è
una metodologia per la
verifica diontologie.
39
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Quattro nozioni fondam
entali nella caratterizzazione dei concetti di Ontoclean:
�Identità: possibilità
di distinguere due istanze di una classe mediante
una proprietàcaratteristica (anche in tem
pi diversi), ad esem
pioper
‘Person’: ‘avere le stesse impronte digitali’
�Dipendenza: la proprietà
P èdipendente dalla proprietà
Q,
se, quando Q è
vera, èvera anche P.
�Ex. ‘avere figli’dipende da ‘essere genitore’
�Rigidità: dice, di una proprietà, se è
‘stabile’per le istanze.�Ex. ‘Person’è
rigida; ‘Student’non èrigida
�Unità:
possibilitàdi
identificare tutte
le parti
di un’entità
mediante una relazione unificante
�Ex. ‘Azienda’: ‘essere stati assunti
in quell’azienda’
Do
lce
(un
po
nte
tra filo
so
fia e
co
mp
ute
r scie
nce) 40
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�A cosa servono le quattro nozioni? A creare 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), es.
‘Legal Agent‘non può sussumere ‘Person’
�Una
classe che
ha una
condizione di
identità(+
I) non
può sussum
ere una classe che manca di una condizione di identità
(-I), es. ‘Park‘non può sussum
ere ‘Location’�Una
classe che
ha una
condizione di
unità(+
U)
non può
sussumere una classe che m
anca di una condizione di unità(-U
), ad es.
‘Amount of M
atter‘nonpuò sussum
ere‘Physical O
bject’: se una quantità
d’acquane perde una parte
èuna diversa quantità
d’acqua, ma se a una persona
si tagliano i capelli rimane la stessa
persona
Do
lce
(un
po
nte
tra filo
so
fia e
co
mp
ute
r scie
nce)
41
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Gli Endurants
sono ‘completam
ente’presenti (cioè
con tutte le loro parti) quando l’Endurant
stesso èpresente. Esem
pio classico: gli oggetti (ad es. una casa)
�Ad ogni istante tem
porale, solo una parte (una ‘fetta’tem
porale) di un Perdurant
èpresente (ad es. gli eventi)
�Correlato al concetto di cam
biamento: solo gli Endurant
possono cam
biare (pur mantenendo la loro identità, concetto questo non
facile da caratterizzare ontologicamente), m
entre èovvio che i
Perdurantnon cam
biano, essendo le loro ‘parti’diverse nel tempo
per la definizione stessa di Perdurant
�Relazione fondam
entale tra Endurante Perdurant: partecipazione;
gli Endurantpartecipano (e cioè
hanno un ruolo) nei Perdurants; ad esem
pio io, che sono un Endurant, partecipo nella mia azione
(un Perdurant) di andare dall’Università
a casa.
Do
lce
(un
po
nte
tra filo
so
fia e
co
mp
ute
r scie
nce) 42
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�DOLCE in sintesi:
�Nè
una ontologia, nèun insiem
e di metodi
di ragionamento,
bensìuna metodologia (O
ntoClean)�Ma sulla base di questa m
etodologia, proposta di un “top-top level”
(Dolce)
VANTAG
GI:
-Connessione con i fondam
enti filosofici-Basisolide
per valutare le scelte ontologiche
SVANTAG
GI:
-Richiede un lavoro m
anuale non indifferente-Non essendo un’ontologia, non è
direttamente usabile, o,
meglio, la parte usabile è
molto ridotta
�Non direttam
ente confrontabile con le altre ontologie viste, ma
possiamo dire:
Semantic
WEB -Longheu -TESEO
Do
lce
(un
po
nte
tra filo
so
fia e
co
mp
ute
r scie
nce)
43
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Il linguaggio O
WL (O
ntology Web Language) è
uno Standard del W
3C basato su RDF (per le istanze) e
RDFS (per classi e proprietà) m
a che ne estende l’espressività
�Unifica tre aspetti im
portanti:�Sem
anticaform
ale e supporto al ragionamento
efficiente (Description
Logic)�Ricche prim
itive di modellazione (Fram
e)�Proposte
standard per
notazioni sintattiche
(W3C, com
unitàWeb)
Linguaggio OWL
44
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Prin
cipali c
aratte
ristic
he di O
WL
�Classi�subClassO
f, intersectionO
f, unionO
f, com
plementO
f, enum
eration, equivalence, disjoint�
Proprietà�sym
metric, transitive, functional, inverse Functional
�range,
domain,
subPropertyOf,
inverseOf,
equivalentProperty�
Affermazioni sulle istanze
�sam
eIndividualAs, differentFrom, AllD
ifferent
Linguaggio OWL
45
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Classi in
OWL
�E’possibile esprim
ere una classe come sottoclasse:
<ow
l:Class rdf:ID=“Fium
e"><rdfs:subClassO
f rdf:resource="#
CorsoDAcqua"/>
</ow
l:Class>
�E’possibile definire una sottoclasse esprim
endo delle restrizionirispetto a un’altra classe:
<rdfs:subClassO
f rdf:ID=“Fium
e”><ow
l:Restriction><ow
l:onProperty rdf:resource="#
sfocia"/><ow
l:allValuesFrom rdf:resource=
"#Mare"/>
</ow
l:Restriction></rdfs:subClassO
f>
Linguaggio OWL
46
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
intersectio
nOf:
<ow
l:Class rdf:ID=“Pinguino">
<rdfs:subclassO
f><ow
l:intersectionOf rdf:parseType=
"Collection"><ow
l:Class rdf:about="#
Uccello"/>
<ow
l:Class rdf:about="#
EsseriCheNonVolano"/>
</ow
l:intersectionOf>
</rdfs:subclassO
f></ow
l:Class>
equivalentClass:
<ow
l:Class rdf:ID=“BacinoD
Acqua"><ow
l:equivalentClass rdf:resource="http://w
ww.other.org#
Bacino"/></ow
l:Class>
disjointW
ith:
<ow
l:Class rdf:ID=“Fium
e"><rdfs:subClassO
f rdf:resource="#
CorsoDAcqua"/>
<ow
l:disjointWith rdf:resource=
"#Ruscello"/>
<ow
l:disjointWith rdf:resource=
"#Rivolo"/>
<ow
l:disjointWith rdf:resource=
"#Torrente"/>
</ow
l:Class>
Uccello
EsseriC
he
NonVolano
Pinguino
Bacino
D’Acqua
Bacino
CorsoDAcqua
Fiume
Ruscello
Linguaggio OWL
47
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
unionOf:
<ow
l:Class rdf:ID=“O
rganismo">
<rdfs:subclassO
f><ow
l:unionOf rdf:parseType=
"Collection"><ow
l:Class rdf:about="#
Animale"/>
<ow
l:Class rdf:about="#
Vegetale"/></ow
l:intersectionOf>
</rdfs:subclassO
f></ow
l:Class>
oneOf (d
efin
izione estensionale di classe):
<ow
l:Class rdf:ID=“Continente">
<rdfs:subClassO
f rdf:resource="#
Regione"/>
<ow
l:oneOf rdf:parseType=
"Collection">
<geo:Continente rdf:about=
"http://www.asia.org"/>
<geo:Continente rdf:about=
"http://www.australia.org"/>
…</ow
l:oneOf>
</ow
l:Class>
complementO
f:<ow
l:Class rdf:ID=“Artefatto">
<rdfs:subClassO
f rdf:resource="#
Oggetto"/>
<ow
l:complem
entOf rdf:resource=
"#OggettoN
aturale"/></ow
l:Class>
Anim
ale
Vegetale
Organismo
Oggetto
Oggetto
Naturale
∪
Contin
ente
Asia
Europa
…
Arte
fatto
Linguaggio OWL
48
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Due tip
i di p
roprie
tà:
�ow
l:ObjectProperty è
la classe di proprietàche hanno
come valore un oggetto istanza di una classe
�ow
l:DatatypeProperty
èla
classe di
proprietàche
hanno com
e valore
un dato
di tipo
semplice
o strutturato
(rdfs:Literal o
XML
Schema
built-in datatype)
Ruota
Automobile
parte
-di
Autore
nome
xsd:Strin
g
Linguaggio OWL
49
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
E’possibile
restrin
gere la cardinalità
delle
proprie
tàcon:
owl:m
inCardinalityow
l:maxCardinality
Esempio:
<ow
l:Class rdf:ID=“Autom
obile"><rdfs:subClassO
f rdf:resource=“Veicolo"/>
<rdfs:subClassO
f><ow
l:Restriction>
<ow
l:onProperty rdf:resource="#
ha-parte"/><ow
l:minCardinality
rdf:datatype="&xsd;nonN
egativeInteger">4<
/owl:m
inCardinality>
<ow
l:maxCardinality
rdf:datatype="&xsd;nonN
egativeInteger">4<
/owl:m
inCardinality>
</ow
l:Restriction>
</rdfs:subClassO
f></ow
l:Class>
Linguaggio OWL
50
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Si istanzia creando un tag con il nome della classe:
<Fium
e rdf:ID="Tevere"/>
Si lega l’istanza ad altre istanze mediante le O
bjectProperty definite:
<Ruota rdf:ID
=“ruota1”>
<Autom
obile rdf:ID=“auto1”>
<ha-parte rdf:resource=
"#ruota1”/>
</Autom
obile>
Automobile
Ruota
ha-parte
auto1
ruota1
41
Linguaggio OWL
51
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
OWL Full: piena espressività
OWL DL: la stessa espressività
delle Description Logics
No m
etaclassi (classe di una classe)Non è
possibile restringere la cardinalitàdi proprietà
transitiveOWL Lite:
owl:m
inCardinality o owl:m
axCardinality.I soli valori consentiti sono per ow
l:cardinality sono 0 e 1.Non
sono disponibili
owl:hasValue,
owl:disjointW
ith, ow
l:one of,
owl:com
plementO
f, owl:unionO
f.OWL esiste in
tre fo
rme, caratterizzate da diversi gradi di com
plessitàe -
conseguentemente -
di computabilità. O
WL-Light è
computabile (ossia è
possibile trovare
tutte le
soluzioni in
un tem
po finito)
ma
pocoespressivo;
OWL-Light
èpoco
usato, poiché
esiste OWL-D
L, che
èugualm
ente computabile m
a piùricco. Infine esiste O
WL-Full, che copre
tutta la ricchezza della logica predicativa, ma non è
computabile e non è
quindi adatto al ragionamento autom
atico.
Linguaggio OWL
OWL Full
OWL DL
OWL
Lite
52
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Abbiam
o visto
modelli
ed esem
pi di
ontologie, e
linguaggi per
la loro
creazione�ma
come
modelli
e linguaggi
possono essere
utilizzati efficacem
ente per
la creazione di ontologie?
�…ovvero, quali sono le m
etodologie di
creazione per le ontologie?
Metodologie per O
ntologie
53
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Costru
ire un’ontologia
1.Da zero
2.Ri-ingegnerizzando ontologie esistenti
3.Integrando ontologie esistenti
54
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Costru
ire un’ontologia
Se dobbiam
o costruire
un’ontologia da
zero, occorre:
�Identificare
gli scopi�Identificare
i “term
ini”rilevanti
(albergo, prenotazione)
�Distinguere concetti e relazioni fra i term
ini usati per denotare entram
bi�Es: prenota(persona,albergo)
�Codificare l’ontologia
pren
ota
PE
RS
ON
A
AL
BE
RG
O
55
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Utilizzare risorse sem
i-formali disponibili (glossari,
tesauri, data-document w
arehouses)�Usare
strumenti
di consensus
buildinge
collaborative working
�Integrare
competenze
diverse (lessicografi,
knowledge engineers, esperti di dom
inio, utentidell’applicazione)
Costru
ire un’ontologia da zero
56
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Costruire
un’ontologia interam
ente a
mano
èfaticoso e tim
e-consuming
�Poche
ontologie contengono
piùdi
qualche centinaio di concetti
�Sforzi
sopratuttoper
la definizione
di core
ontologies�Strum
enti di apprendimento autom
atico e NLP
(Natural
Language Processing)
per popolare
automaticam
ente core ontologies
Costru
ire un’ontologia
57
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�In genere si utilizzano m
etodi basatisu N
LP e machine
learning; alcunidi essi sono:�Cercare
nei testi
“patterns”sintattici
che sussum
ano relazioni (ad esem
pio, l’apposizione (es. “Shakespeare, the poet”
→hypernim
(N2,N
1):-appositive(N2,N
1))�Metodi statistici per estrarre term
ini e “string inclusion”per derivare relazioni di iperonim
ia es: �color
laser printerlaser printer)
�Metodi
di machine
learning “apprendono”
regole di
assegnazione di
relazioni sem
antiche fra
termini
utilizzando training sets di testi manualm
ente etichettati
Kin
d_
of
→
Costru
ire un’ontologia
58
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Il sistema O
NTO
Learn:�Integra
tecniche di
machine
learning, natural
language processing e analisi statistica�Utilizza
vari tipi
di risorse
(lessici sem
antici, corpora di testi, glossari)
�Sperim
entato in
vari progetti
nazionali e
internazionali in
vari mabiti
(e-learning, interoperabilità
, turism
o, econom
ia, com
puer netw
orks, arte)
Costru
ire un’ontologia
59
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Term
Extractio
n
Extractio
n o
f Natu
ral
Lan
guag
e Defin
itions
Co
mp
ositio
nal
Interp
retation
(S
SI
)H
um
an S
pecialists
Inp
ut
Glo
ss
Parsin
g
On
tolo
gy
Map
pin
g
full g
losses
partial g
losses
no g
losses
on-lin
e corp
ora,
docu
men
ts,
glo
ssaries
dom
ain
onto
logy
forest o
f dom
ain trees
core o
nto
logy
Costru
ire un’ontologia
Architettura di O
NTO
Learn:
60
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Oltre
ONTO
Learn, il
cui scopo
èprevalentem
ente quello
di popolare
un’ontologia (il com
pito piu’gravoso), esistono anche
altri softw
are, piu’
leggeri, in
grado di
permettere la c
reazione m
anuale e la gestione
di ontologie, fra questi Protege e OntoEdit
Costru
ire un’ontologia
61
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Semantic
WEB -Longheu -TESEO
Costru
ire un’ontologia
�Protege: http://protege.stanford.edu
62
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Individuals (istanze, es “fiat 500”)
�Properties�
ObjectProperties
(references)�
DatatypeProperties
(simple values)
�Classes (concetto astratto, es “auto”)
Semantic
WEB -Longheu -TESEO
Costru
ire un’ontologia
�Protege perm
ette di lavorare con:
63
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Object P
ropertie
s�Collega due istanze (individuals)
�Tipi di relazioni(0..n, n..m
)
Sydn
ey
Bon
diB
each
hasP
art
FourS
easo
ns
hasA
ccom
odatio
n
Costru
ire un’ontologia
64
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Inverse Propertie
s
�Rappresentano
relazioni bidirezionali�Aggiungere
unvalore
ad una
proprietàimplica
aggiungerloalla
suainversa
Sydn
ey
Bon
diB
each
hasP
art
isPartO
f
Costru
ire un’ontologia
65
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Proprie
tàtra
nsitiv
e
Sydn
ey
Bon
diB
each
hasP
art
Ne
wS
outh
Wale
s
hasP
art
hasP
art
(deriv
ed)
Costru
ire un’ontologia
66
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�DatatypePropertie
s
�Collega
individui a
valori prim
itivi(integers, floats, strings,
booleansecc)
Sydn
ey
ha
sS
ize
= 4
,50
0,0
00
isC
ap
ital=
true
rdfs
:com
men
t = “D
on
’t mis
s th
e o
pera
hou
se”
Costru
ire un’ontologia
67
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Classi
�Gruppi di individui con caratteristiche com
uni�Tutti gli individui sono istanza alm
eno di una classe
City
Sydn
ey
Beach
Ca
irns
Bon
diB
each
Curra
wo
ng
Beach
Costru
ire un’ontologia
68
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Range e Domain
�Specifica di una proprietà
�Dom
ain: “èillato
sinistrodiuna
relazione”(Destination)
�Range: “illato
destro”(Accom
odation)
Sydn
ey
BestW
este
rn
FourS
easo
ns
hasA
ccom
odatio
n
Destin
atio
nA
ccom
od
atio
n
hasA
ccom
odatio
n
Costru
ire un’ontologia
69
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Dominio
�Gliindividui
possonoassum
eresolo i valori
diproprietà
con dominiicorrispondenti, es: “O
nly Destinations can have
Accomodations”
�I dom
iniipossonocontenere
classimultiple
�Objects and A
nimates have Parts
�I dom
iniipossono essere
indefiniti: le proprietàpossono essere usate ovunque
Costru
ire un’ontologia
70
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Relazioni fra
Classi e
Superclassi
�Le classi sono strutturate in gerarchie
�Le istanze
direttedi
classisono
ancheistanze
indirettedisuper-classi
Ca
irnsS
ydn
ey
Ca
nb
erra
Co
on
ab
ara
bra
n
Costru
ire un’ontologia
71
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Relazioni fra
classi
�Le classi si sovrappongono arbitrariam
ente
City
Sydn
ey
Ca
irns
Bon
diB
each
Retire
eD
estin
atio
n
Costru
ire un’ontologia
72
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Disgiunzione fra
classi
�Le classi possono sovrapporsi
�Ma sipuò fare che
non abbiano istanze in comune
Sydn
ey
Urb
anA
rea
Rura
lAre
a
Sydn
ey
Woom
era
Ca
peY
ork
dis
join
tWith
City
Destin
atio
n
Costru
ire un’ontologia
73
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
OntoEdit
http://www.ontoprise.de/products/ontoedit
�Am
bientegrafico per editing di ontologie
�Architettura estensibile per aggiungere plug-in
�Ontologia
viene mem
orizzata in
un database
relazionale�Im
plementata in XM
L, Flogic, RDF(S) D
AML+
OIL
Costru
ire un’ontologia
74
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Altri to
oldi o
ntology m
anagement
�Chim
aera�OILEd
�Apollo
�MOMIS
�Sym
OntoX
Costru
ire un’ontologia
75
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Abbiam
o visto
modelli
ed esem
pi di
ontologie, linguaggi
per la
loro creazione
e com
e modelli
e linguaggi possano essere utilizzati per la creazione e gestione di ontologie
�Le
ontologie trovano
numerosi
campi
di
applicazione;
nel seguito
si presentano
diversi esem
pi, in particolare l’ultimo relativo al contesto del
semantic w
eb, ovvero l’annotazione semantic
a…
Utiliz
zo di O
ntologie
Semantic
WEB -Longheu -TESEO
76
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Un caso d’uso: classific
azionedi d
ocumenti
�Supponiam
o che
ad un
documento
storicodigitalizzato
sia associato
il seguente
descrittore: “Discorso
di Raffaello
Lambruschini
in occasione
dell’adunanza tenuta
in onore
di Vincenzo
Gioberti”.
�Un sistem
a di information retrieval
“classico”può estrarre le 4
parole chiave:
discorso, Raffaello
Lambruschini
, adunanza,
Vincenzo Gioberti, e con queste indicizzare il docum
ento. �
Sinonimia:
Ad esem
pio, la
parola adunanza
ha, nella
lingua italiana,
i seguenti
sinonimi : riunione,
adunata,
incontro,
raduno, assemblea, consiglio, convegno, sim
posio, compagnia,
folla, assembram
ento, e molti (se non tutti) fra questi term
iniavrebbero
potuto essere
usati dall’autore
della descrizione
in esam
e. �
Una
annotazione del
tipo “m
eeting,get
toghether”(il
nome
dell’annotazione ètratto dal lessico sem
antico on-lineWordN
et1.7 ) potrebbe riconoscere l’equivalenza di tutti questi term
ini.
Utiliz
zo di O
ntologie
77
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
SCHEDA DI O
RIG
INE
REF
820
TITOLO
Discorso di Raffaello
Lambruschiniin occasione
dell’adunanzatenuta in onore di Vincenzo
Gioberti
DESCRIZIO
NE
/ Raffa
ello
Lambruschini. -
[documento m
anoscritto
].-
5 lu
glio
1853. -
8 c.
AUTORE
Lambruschini, R
affa
ello
IN
VENTARIO
58671
COLLOCAZIO
NEBusta 81.1394
NOTA
Pubbl. in
Atti, C
. 31, 1
853, p
. 344.
KEYWORDS
Accademia deiGeorgofili
An
nota
zion
i o
meta
dati U
tilizzo di O
ntologie
78
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
ST
UD
IOS
O
FIL
OS
OF
O P
ED
AG
OG
O
CO
MU
NIC
AZ
ION
E_O
RA
LE
CO
MU
NIC
AZ
ION
E
RE
LA
ZIO
NE
_S
OC
IAL
E
INC
ON
TR
O
GR
UP
PO
_S
OC
IAL
E
GR
UP
PO
Vin
cenzo
Gio
berti
Raffa
ello L
am
bru
schin
i
DESCR
IZIONE: com
unicazione_orale, filosofo:Vincenzo_Gioberti,
pedagogo: Raffaello_Lam
bruschini, incontro
Co
re On
tolo
gy
Utiliz
zo di O
ntologie
79
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Esempio 2: In
teroperabilità
fra serviziweb
Sistem
a d
i pren
ota
zion
i
ferrov
iarie (A
gen
te 2)KB
2-
Città
di p
arten
za
-C
ittàd
i arriv
o
-D
ata
di p
arten
za
-O
ra d
el gio
rno
-…
…..
Seg
reteria E
lettron
ica
(Ag
ente 1
)
-R
iun
ion
e
-O
rario
di la
vo
ro
-S
ede d
i lav
oro
-V
iagg
io
-…
…..
KB
1
ma:
cittaD
iParten
za:=
sedeD
iLavo
ro;
cittaD
iArrivo
:=lu
ogoD
elMeetin
g;
E se citta
DiParte
nza si c
hiama
Citta
Part o
Departu
reCity
?
Utiliz
zo di O
ntologie
80
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Top O
nto
logy
Agen
t 1 O
nto
logy
Agen
t 2 O
nto
logy
City
Sed
e-Lavoro
Città
_P
art
Città
_A
rr
�Le
ontologie possono
garantire l’interoperabilità
fra serviziweb
Utiliz
zo di O
ntologie
81
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�E’
un “servizio”quindi in realtà
rientra nel caso dell’esem
pio precedente, però:�Navigazione “sem
antica”dei corsi
�Classificazione m
ateriale didattico�Reperim
ento di
materiale
didattico (ricerca per concetti)
�Un altro caso di utilizzo di O
ntologie e’nel cam
po dell’E-Learning
Utiliz
zo di O
ntologie
82
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
�Uno
degli esem
pi piu’
significativi di
utilizzo di
ontologie era nell’ambito del w
eb semantico, in cui
esse hanno
lo scopo
di perm
ettere l’annotazione
semantic
a delle
risorse w
eb, in seguito analizzata
nel dettaglio…
Annotazione semantic
a
Hote
l Inte
rnatina
lsitua
to a S
BT
A 5
00 m
tdal
mare
.dota
to di
piscina,
ristorante
…
Ontologia d
i rife
rimento
Hotel
InnManor-H
ouse
Accommodation
ServicesSwimming
pool
Una
scelta
sim
patica
per il
turista ch
e h
a
bisogno d
i riposa
re …
Risorsa d
a annotare
83
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Crite
ri per la
classific
azione delle
annotazioni:
�Tipo
di risorsa annotata (Docum
enti / webServices
/ schemi di dati /
processi)�
Destinatario dell’annotazione (H
uman
User /
Computer)
�Posizionam
ento dell’annotazione (Attached /Embedded)
�Livello
di form
alitàdel
linguaggio usato
(formale
/ inform
ale)�
Livello di restrizione terminologica im
posta sul linguaggio(absence, advised, m
andatory)�
Annotazione attraverso: istanze / concetti
Annotazione semantic
a
84
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
1. T
ipo di ris
orsa annotata: cosaannotare?
�Annotazione di docum
enti�Fram
mento di testo, pagina H
TML, im
magini, ecc.
�Annotazione di W
eb Services�I
servizi web
sono associati
a descrizioni
in un
linguaggio formale (es. W
SDL) dei param
etri di input e output necessari ad usufruire di un certo servizio (es. prenotazione
on-line). Queste
descrizioni possono
essere annotate.�
Annotazione di schemi di dati, processi,…
�E’
possibile annotare
dati e
processi coinvolti
nello scam
bio di informazioni tra applicazioni softw
are che cooperano
Annotazione semantic
a
85
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Use o
f on
tolo
gies en
ab
les
sha
red u
nd
erstan
din
g
betw
een th
e service
pro
vid
er an
d serv
ice
requ
estor
Annotazione semantic
a
Annotazione di u
n W
eb Service:
86
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Stu
den
teC
orso
Età
learner
perso
n
educatio
n
activity
pro
perty
Annotazione di d
ati
Annotazione semantic
a
87
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
2.Destin
atario
dell’a
nnotazione:
�Utente um
ano�
L’annotazione ha lo scopo di fornire inform
azioni aggiuntiv
esu una risorsa
�in questo caso l’annotazione in genere sarà
pocoform
ale
probabilmente realizzata in linguaggio naturale
�Com
puter�
Ha lo scopo di e
splicita
re il s
ignific
ato
di una risorsa�
in tal caso l’annotazione deve essere di tipo form
ale
per poi essere processabile da una m
acchina
Annotazione semantic
a
88
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
3. P
osizionamento dell’a
nnotazione
�Em
bedded�
inserita all’interno dello stesso documento
annotato
�Attached �
Mem
orizzata separatamente, collegata al docum
ento da un link.
<htm
l>…
<annot>
…</htm
l>
<htm
l>…
</htm
l>
annot
Annotazione semantic
a
89
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
4. Livello
di fo
rmalità
del lin
guaggio di a
nnotazione:
�form
ale�
espressa in un linguaggio formale di rappresentazione della conoscenza
�Alcuni linguaggi
�RDF e R
DFS
�DAM
L, DAM
L+OIL, O
WL
�Perm
ette di elaborare i dati senza
l’intervento umano ( m
achineunderstandable)
�inform
ale�
Espressa in linguaggio naturale o in un linguaggio controllato�
Permette di aggiungere inform
azioni su documenti fruibilida um
anI�
Esempio Annotazione Form
ale<Hotelrdf:about=
“file:///C: \PagineHtm
l\alberghi.htm#Pierrot">
<Name>
Pierrot</Nam
e><is_
situ
atedrdf:resource=
“file:///C:\…\alberghi.htm
#S.Benedetto"/>
<has_servicerdf:resource=
“file:///C:\…\alberghi.htm
#Piscina"/>
</Hotel>
�Esem
pio Annotazione Informale
in linguaggio naturaleDescrizio
ne ca
ratte
ristiche hotel…
Il Pierrot, posto piace
vole ed
accogliente
per soggiornare
,si trova sul lungom
are di
S.Benedetto.
E’dotato d
i piscina..…
Annotazione semantic
a
90
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
5. Livello
di re
striz
ione im
posto al lin
guaggio
�Absence (nessuno)�
Non ci sono restrizioni sull’utilizzo del linguaggio (i term
ini del linguaggio possono essere usati senza vincoli)
�Advised (consigliato)�
Èpossibilie
annotare utilizzando o meno i term
ini di un glossario, di un ontologia, parole chiaviin alternativa al linguaggio naturale.
�Mandatory (im
posto) �
L’annotazione può essere costituita utilizzando esclusivamente
termini definiti in un glossario o un un’ontologia di riferim
ento (Annotazione O
ntology-based)
Annotazione semantic
a
91
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
6. M
odalità
di A
nnotazione
�Considerando solo
le annotazioni Ontology-based…
�Annotazione
attraverso istanze“ontologiche”
�L’annotazione consiste in�Associazione di una istanza all’elem
ento annotato �Valorizzazione delle proprietà
che descrivono l’istanza�Annotazione attraverso c
oncetti
dell’ontologia�L’annotazione consiste in�Associazione di un concetto dell’ontologia all’elem
ento annotato
�Associazione
di una
composizione
di concetti
dell’ontologia (attraverso
opportuni operatori)
all’elemento annotato
�Istanza: un individuo
della classe descritta da un concetto (es: “Pierrot”
èun’istanza della classe H
otel)�
Concetto
: una astrazioneche rappresenta le proprietà
comuni
di insiemi di istanze
Annotazione semantic
a
92
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Inn
Accommodation
Hotel
<IDPierrot>
Isa
Isa
Instanceof
Il <IDPierrot>
Pierrot </ID
Pierrot>situato a SBT a 500
mtdal m
are.dotato di piscina, ristorante…
Il<Hotel>
Pierrot </Hotel>
situato a SBT a 500 mtdal m
are.dotato di piscina, ristorante…
name
address
Annotazione attraverso concetti
Annotazione attraverso istanze
Annotazione semantic
a
�Esem
pio di annotazione su concetti o istanze:
93
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Annotazioni complesse
�Una risorsa (docum
entomultim
ediale, servizio web, base di
dati o processo) possono essere annotati semanticam
ente associando
all’intera risorsa
o a
frammenti
di essa
un concetto dell’ontologia, oppure un’istanza
�Tuttavia
sono possibili
annotazioni più
complesse:
ad esem
pio, posso associare alla descrizione di un hotel una espressione form
ale (ad esempio usando linguaggi logici)
che sia una composizione di più
concetti, ad esempio:
beach
∧∧∧ ∧hotel
�In un’ontologia infatti non è
opportuno generare concetti singoli per ogni possibile caratterizzazione di un concetto più
generale
Annotazione semantic
a
94
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Costruzione dell’espressione di annotazione:
1.Concetto esistente nell’ontologia di riferim
ento (RO)
2.Nuovo concetto (com
posizione di elem
enti in RO)
Mapping
dell’annotazione alla risorsa:
Un esempio di p
rocesso di a
nnotazione complessa
Risorsa d
a annotare
Doc
Annotazione
Link
Costruz
ione
dell’e
spr. di
Annot.
AnnotE
xp
(OWL)
Hotel_W
ith_Swimming
pool
RO
Hotel
InnManor-H
ouse
Accommodation
Il Pierrot, posto
piacevole
ed accoglie
nte
per soggiornare
, si trova sul lungom
are di
S.Benedtto.
E’dotato d
i piscina…
Swimming
pool
Services
hotel(x
)∧∧∧ ∧sw
imming_pool(y
) ∧∧∧ ∧has(x
,y)
Annotazione semantic
a
95
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Principali tool Ontology-based, annotazione di docum
enti testuali�
Ontom
at�
Mnm
�Sm
ore�
Cohse�
Trellis�
Melita
�Kim
�Shoe
Altri tool�
Semantic
Word (annotazione di docum
enti Word in D
aml+oil)
�Gate (annotazione in N
PL)�
Annotea (non onotogy-based)�
Yavas (nononotlogy-based)
�Sem
antic murk-up plugin…
Annotazione semantic
a
96
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Strumenti di annotazione disponibili:
1) per costruire ontologie e realizzare una annotazione Automatica
2) per annotazione manuale basate su Referece
Ontology
Strumenti di Annotazione per costruire ontologie:
�Si parte da archivi testuali annotati m
anualmente
�Algoritm
i di
Information
Extraction (IE)
e/o word
sense disam
biguationa
partire da
tali corpora
di testi
apprendono regole per l’estrazione di inform
azioni da altri documenti.
�Le regole derivate da questo processo possono essere usate per popolare un’ontologia usata poi per annotare.
�L’annotazione
può, da
questo mom
ento in
poi, essere
automatica
o sem
i-automatica
(semi-autom
atica se
richiede conferm
a o correzione da parte di un umano)
Strumentidi Annotazione M
anuale basata suReference O
ntology:�
Lo scopo di tale annotazione èdi “spiegare”
il contenuto delle risorse rispetto ad un ontologia stabilita, eventualm
ente anche com
ponendo piùconcetti della R
O (esem
pio: Ontom
at)
Annotazione semantic
a
97
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Ontomat (U
niv. o
fKarls
ruhe,Germ
any)
�Applicazione java (stand-alone), Perm
ettela visualizzazione tree-
likedi ontologie nel linguaggio D
AML+
OIL
�Ha un brow
ser per l’esplorazione dell’ontologia e delle istanze e un brow
serHtm
lche visualizza le parti di testo annotate.�
Implem
entato in
Java, fornisce
delle API
d’interfaccia per
l’estensione tramite
plugin.�
Le annotazioni avvengono mediante drag’n’drop (si seleziona una
porzione del documento e si trascina un concetto o istanza)
�Input :�
ontologiain D
AML+
OIL
�pagina
html
�Output :�
PaginaHtm
lcon annotazioni inserite nell’header �
Istanze esportate (DAM
L+OIL)
�Ontologia (D
AML+
OIL)
�Ontologia +
Istanze.
Semantic
WEB -Longheu -TESEO
Annotazione semantic
a
98
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Ontomat: Annotazione semantic
a
99
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
MnM(U
niversity
of S
heffie
ld. U
K)
�Applicazione java (stand-alone)
�Fornito di brow
ser �
Browser
Htm
l�
Browser dell’ontologia
�Si basa su un algoritm
o di apprendimento autom
atico (Amilcare)
�Annotazione sem
i-automatica
�Input: �
ontologia in DAM
L/ DAM
L+OIL/ R
DF
�Pagina H
tml
�Output:�
Le annotazioni prodotte sono �Em
bedded:in
un file
xmlcopia
della pagina
htmlannotata
(utilizzata da Amilcare per IE)
�Attached:
un file espresso nello stesso formato dell’ontologia
usata per
annotare. Il
collegamento
con il
file originale
èrealizzato
tramite
un ulteriore
file espresso
in un
formato
proprietario (con estensione “.dymmy”).
Annotazione semantic
a
100
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
MnM:
Annotazione semantic
a
101
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Smore (U
niversity
ofMarila
nd)
�Applicazione java stand-alone
�Fornisce Editor pagine
html e
di Ontologie (fornisce un collegam
ento alle esistenti ontologie su Internet per renderle utilizzabili all’interno della propria w
eb-page)�
L’utente può classificare semanticam
enteil proprio insiem
e di dati con cui annotare, cioè
marcare le frasi del docum
ento in base al modello
base Soggetto-predicato-oggetto.�
Input:�
Reference
Ontology
espressa in RDF, D
AML, D
AML+
OIL, O
WL
�Docum
ento: Pagina html
�Output�
File dataset
rappresentate l’ontologia
+ istanze
utilizzate per
annotare �
annotazione in RDF, D
AML…
(èpossibile salvare sia l’annotazione
pura, sia il documento con annotazione “em
bedded”nell’header)
�Nota. E’necessaria una m
inima conoscenza della sintassi e dei term
ini del R
DF da parte dell’utente.
Annotazione semantic
a
102
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Smore:
Annotazione semantic
a
103
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Cohse (U
niv. o
fManchester U
K)
�E’un plug-in diM
ozilla, (barra delle applicazioni aggiuntiva)�
E’possibile navigare la R
O utilizzando l’interfaccia fornita da
OilEd, editor di ontologie in D
AML+
OIL
�OilEd
è
sviluppato in
Java, i com
ponenti dell’interfaccia
sono stati riusati dall’annotatore.�Perm
ette di scegliere un concetto in RO o di costruirne uno
per composizione
�Perm
ette di evidenziare porzioni di testo�
Annota attraverso
concetti, lega
le istanze
ai concetti
dell’ontologia attraverso il connettivo istanceOf
�Input:�RO: D
AML+
OIL
�docum
enti html
�Output:
�annotazione form
ale il DAM
L+OIL
�Annotazione
attachedutilizzando Xpointer
Annotazione semantic
a
104
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Interfa
ccia
di O
ilEdper n
avigare la
RO
Cohse (U
niv. o
fManchester U
K)
Annotazione semantic
a
105
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Melita
(Univ. o
f Sheffie
ld. U
K)
�Melita è
un dimostratore di annotazioni ontology-based
�Applicazione client-server
�Apprendim
ento automatico (Am
ilcare)�
Le annotazioni sono graficamente presentate in m
odi differenti in base al processo che le ha definite:�
annotazione manuale (definite da un utente)
�annotazioni autom
atica (suggerita da Amilcare)
�l’utente può scegliere quale m
antenere tra le due�
Intput�RO:.sce
(formato Am
ilcare), .ont(form
ato proprietario, di tipo logico
�Docum
enti testuali�
Output:�File Xm
l �Contenente tutte le annotazioni riguardanti un docum
entoannotato
da un utente
Annotazione semantic
a
106
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Luoghi
Unità
temporali
Melita
:
Annotazione semantic
a
107
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Kim
(OntotextLab,Sirm
aAI, B
ulgaria
)
�E’un plugin
Internet Explorer.�Prevede
apprendimento
automatico
basato sul
sistema G
ate (utilizzato per la creazione di annotazioni a partire da linguaggio naturale)
�Le annotazioni sono m
emorizzate sul server e rese
disponibili per
realizzare “recupero
intelligente”di
informazioni
�Input: �RO espressa in R
DF(S) O
WL lite / o tassonom
ia �Docum
enti in formato
txt,htm
l, xml
�Ouput
�l'annotazione è
attacched
Annotazione semantic
a
108
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Date
Nomi p
ropri c
omplessi
Kim
:
Annotazione semantic
a
109
A. Longheu –
Sistemi d
i Elaborazione delle
Inform
azioni II
Advised
Advised RO oppure
tassonomia
Ontology-
based (.ont.sce)
Ontology-
based
Ontology-
based
Advised
Ontology-
based
Ontology-
based
Restriz
.
term
.
Informale:
formattati
RDF/XM
L
Formale
(formato
proprietario)
Formale
(OWL)
Formale
DAM
L+OIL
Formale
(RDF,
DAM
L+OIL,
OWL)
Formale
(DAM
L+OIL,
RDF)
Formale
(DAM
L+OIL)
Form
alità
Attached(XPointer)
Attacched(inserite
in RO)
attached (file XM
L)
Attached
Attached(Xpointer)
Embedded
(header) / (e-mail, Im
g.)
Embedded (file
XML), Attached
tramite (file
propr.)
Embedded
(nell’header)
Po
siz
ion
am
.
Computer
Hum
an user
Computer
Computer
Computer
Computer
Computer
Computer
Computer
Destin
at.
Htm
l/xml
Txt,Htm
l, xm
l
Htm
l
Doc/ htm
l
Foto, mail, htm
l
Htm
l
Htm
l
Riso
rsa
Ontotext
Lab,Sirm
aAI, Bulgaria
---Kim
W3C IN
RIA
Rhône-Alpes
W3C M
IT/LCS
???Annotea
Depart. of CS
Univ. of Sheffield.
UK
Istanze
Melita
USC
Information Science
Institute
---Trellis
Concetti ---
Istanze Istanze Elem
Ann.
Depart. of CS
Univ
.of Manchester
UK
Cohse
University of
Mariland
Smore
KMI The open U
n. -Depart. of CS
Univ. of Sheffield.
UK
Mnm
Univ. of Karlsruhe,
Germ
anyOntomat
Svilu
ppato presso
Semantic
WEB -Longheu -TESEO
Annotazione semantic
a: C
lassific
azione ria
ssuntiv
a