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:
<tigre, cane, animale, mammifero, bestia, micio, soriano, gatto, felino>
A un dizionario strutturato:
{animale, bestia}
{mammifero}
{cane}
{felino}
{gatto, micio}
SynSets
{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
POS collegate
Esempi
Sinonimia
nome/nome; verbo/verbo;
aggettivo/aggettivo; avverbio/avverbio
book/volume; to eat/to take in;
great/outstanding; greatly/drastically
Antonimia
man/woman; to enter/to exit;
long/short
Iponimia
nome/nome; verbo/verbo;
aggettivo/aggettivo
nome/nome; verbo/verbo
Meronimia
nome/nome
head/nose
Implicazione
verbo/verbo
to buy/to pay
Causa
verbo/verbo
to kill/to die
Somiglianza
aggettivo/aggettivo
wet/humid
Attributo
aggettivo/nome
tall/stature
Relativo al nome
aggettivo/nome
fraternal/broterhood
slicer/knife; to walk/to move
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))
Le relazioni di EuroWordNet
Relazione
Ordini collegati
Esempi
Sinonimia
1/1; 2/2; 3/3
barriera/ostacolo;comprare/acquistare;conoscenza/cognizione
Quasi sinonimia
1/1; 2/2; 3/3
ordigno/congegno; certificare/assicurare
Xpos quasi sinonimia
2/2
arrivo/arrivare
Antonimia
1/1; 2/2; 3/3
incredibile/credibile
Quasi antonimia
1/1; 2/2; 3/3
sopra/sotto; arrivare/partire
Xpos quasi antonimia
2/2
arrivo/partire
Iponimia
1/1; 2/2; 3/3
cane/animale; agitarsi/muoversi
Xpos iponimia
2/2
arrivo/andare; martellata/colpire
Meronimia
1/1
braccio/corpo; mano/dito
Causa
2/2
uccidere/morire; giustiziare/condanna
Sotto-evento
2/2
comprare/pagare; dormire/russare
Ruolo
1/2
martello/martellare; pedone/camminare
Co_ruolo
1/1
chitarrista/chitarra
Stato_di
1/2
povero/povertà; vecchio/vecchiaia
Maniera_per
2/2
bisbigliare/a-bassa-voce; trucidare/barbaramente
Derivazione
Tra tutti
acqua/acquaiolo
Relativo_a
2/2
presidenziale/presidente
Classe
1/1
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
Top ontology
traffic
2nd order
entity
air traffic road traffic
ride
III
III
cabalgar
III
III
WordNet
Inglese
conducir
WordNet
Spagnolo
III
rijden
I
I
II
III
II
guidare
II
Inter Lingual
Index
berijden
III
betragen
II
ILI record
(drive)
III
mover
dynamic
drive
III
move
location
III
III
WordNet
Olandese
cavalcare
III
muoversi
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
dynamicT
artifactO
causeC
locationC
staticT
naturalO
substanceF
placeU
comestibleU
containerU
bounded
EventT
objectF
aliment
gasF
comestibleU
+artifactO
candy
containerU
+objectF
containerU
+objectF
+artifactO
solidF
vessel
bottle
liquidF
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
o
Natural
o Living
o
o
o
o
Artifact
Plant
Human
Creature
Animal
o Form (se è una sostanza o un oggetto con forma definita; indice F nella figura)
o
o
Substance
o Solid
o Liquid
o Gas
Object
o Composition (se è un oggetto unitario o un gruppo; non compare in figura)
o
o
Part
Group
o Function (la funzione)
o
o
o
o
o
o
o
o
o
o
o
o
Vehicle
Representation
o MoneyRepresentation
o LanguageRepresentation
o 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
descritta; indice C nella figura)
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
Cause
Communication
Condition
Existence
Experience
Location
Manner
Mental
Modal
Physical
Possession
Purpose
Quantity
Social
Time
o Situation Type (il tipo della situazione; indice T in figura)
o
o
•
Dynamic
o BoundedEvent
o UnboundedEvent
Static
o Property
o 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 containerU+objectF+artifactO )
•
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
("xperson) ($yperson) mother(x,y) greaterThan(diff(age(y),age(x)), 16) ]
Versione Cyc
(#$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 (#$mother-of) #$Lucia.
Supponiamo che Lucia non abbia altri figli oltre Giorgio.
Quale sarà il risultato?
Possiamo ottenere due risultati:
1.
()
Cioè la lista vuota: Lucia non ha figli
2.
(#$Giorgio)
Lucia è madre di Giorgio
Il primo risultato si ottiene se sia la Get che la Put precedenti sono
state richieste “senza nessuna inferenza”
Il secondo risultato si ottiene se o la Get o la Put (o entrambe) sono
state richieste “con inferenza” (anche minima)
Quale inferenza è necessaria?
Quella associata alla definizione dello slot #$mother (v. slide
precedente), in cui è specificato che #$mother ha un #$inverse, che è
appunto #$mother-of
Alcuni meccanismi inferenziali in CycL
•
Mantenimento di relazioni inverse: abbiamo già visto l’esempio
•
Mantenimento di specSlot-genlSlot: alcuni slot di una unit possono essere
legati da una relazione di specializzazione-generalizzazione. Ad es.
#$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 #$parteDiTesto
Se viene inserita l’informazione
(#$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
#$Thing
#$Individual
#$Intangible
#$SetOrCollection
#$IntangibleIndividual
#$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:
la collezione di cose che non sono fisiche - non sono fatte di, o codificate nella, materia. Ogni
#$Collection è #$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
#$Individual, questa collezione ESCLUDE insiemi e collezioni, che sono elementi di #$Intangible, ma
non di #$IntangibleIndividual
#$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
#$Stuff
#$Event
#$Collection
#$Relationship
#$IntangibleStuff
#$Process
#$Slot
•
Versione 1997
#$Thing
#$Individual
#$Intangible
#$SetOrCollection
#$Collection
#$IntangibleIndividual
#$Situation
#$TemporalThing
#$Relationship
• 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, 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,
ingegneria, ecc.).” (sulle upper ontologies vedi intervento di Aldo Gangemi)
Le componenti di SUMO
STRUCTURAL
ONTOLOGY
BASE
ONTOLOGY
TEORIA DEGLI
INSIEMI
NUMERI
MEREOTOPOLOGIA
(PARTI E SPAZIO)
TEMPO
MISURE
PROCESSI
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
Object
Process
Abstract
Attribute
Quantity
Alcuni assiomi
Entity:
("x) instance (x, Entity)
Qualunque cosa è un’istanza di Entity
($x) instance (x, Entity)
Esistono delle istanze di Entity
("c) instance (c, Class)  subclass (c, Entity)
Tutte le classi sono sottoclassi di Entity
Class
Proposition
Base Ontology (un altro assioma)
Physical:
("x) Physical (x)  [($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
Regulatory
Process
Maintaining
Securing
Concealing
Poking
Revealing
Grooming
Content
Development
Touching
Decorating
Intentional
Process
Exercise
Process
Confining
Mental
Process
Repairing
Holding
Guiding
Searching
Pursuing
Recreational
Process
Religious
Process
Organizational
Process
Educational
Process
Diagnostic
Process
Therapeutic
Process
Graduation
Surgery
Investigating
Occupational
Process
Political
Process
Managing
Regulatory
Process
Social
Interaction
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 di una classe mediante una
proprietà caratteristica (anche in tempi diversi)
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?
• Vincoli sulla relazione di sussunzione (“incorporare qualcosa in un
una categoria più generale”)
1.
Una classe non rigida (-R) non può sussumere una classe rigida (+R)
Ex. ‘Legal Agent‘ non può sussumere ‘Person’
2.
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’
3.
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
4.
Una proprietà dipendente da un’altra (+D) non può sussumere una
proprietà indipendente (-D)
Endurant e Perdurant
•
Gli Endurants sono ‘completamente’ presenti (cioè con tutte le loro parti) quando
l’Endurant stesso è presente. Esempio classico: gli oggetti (ad es. una casa)
•
Ad ogni istante temporale, solo una parte (una ‘fetta’ temporale) di un Perdurant è
presente (ad es. gli eventi)
•
Correlato al concetto di cambiamento: solo gli Endurant possono cambiare (pur
mantenendo la loro identità, concetto questo non facile da caratterizzare
ontologicamente), mentre è ovvio che i Perdurant non cambiano, essendo le loro
‘parti’ diverse nel tempo per la definizione stessa di Perdurant
•
Relazione 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.
Il top level di Dolce
Entity
Abstract
Fact
Set
Region
Endurant
Substantial
Perdurant
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 e ruoli materiali, basata sulla metaproprietà ‘rigidità’. Questa differenza non si osserva in WordNet (e in
nessuna delle altre ontologie che abbiamo visto).
•
Confusione tra meta-level e object-level
Abstraction
meta-level
object-level
Set
Time
Space
Attribute
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 “top-top
level” (Dolce)
•
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
Esempio
(defconcept localita (exactly 1 nome))
Localita
nome
[1]
string
Citta
popolazione
[1]
(defconcept citta :is-primitive
(and localita
(exactly 1 popolazione)
(at-least 1 ufficio-turistico)))
number
(defrelation nome :range string)
ufficio-turistico
[1, inf]
(defrelation popolazione :range number)
indirizzo [1]
agenzia
dimensione
[1]
(defrelation ufficio-turistico :range agenzia)
(defconcept agenzia :is-primitive
(and (exactly one indirizzo)
(exactly one dimensione)))
Esempio (continua)
Localita
nome
[1]
string
(defrelation indirizzo :range string)
Citta
popolazione
[1]
number
metropoli
ufficio-turistico
[1, inf]
(defconcept dim-val :is
(the-ordered-set ‘piccola ‘media ‘grande))
(defrelation dimensione :range dim-val)
popolazione > 500.000
indirizzo [1]
string
agenzia
dimensione
[1]
dim-val
<piccola, media, grande>
(defconcept metropoli :is
(and citta
(> popolazione 500000)))
Esempio (continua)
Localita
(tellm (create ag-1 agenzia)
(dimensione ag-1 grande)
(indirizzo ag-1 “Via PincoPallo, 33”))
Citta
Metropoli
“Torino”
ufficio-turistico
[1, inf]
(tellm (create ag-2 agenzia)
(dimensione ag-2 piccola)
(indirizzo ag-2 “Via AlfaBeta, 1”)
nome
Cit-1
agenzia
Uff.tur.
890.000
indirizzo
“Via PincoPallo, 33”
“Via AlfaBeta, 1”
(tellm (create ag-2 agenzia)
(dimensione ag-2 piccola)
(indirizzo ag-2 “Via NonSo, 111”)
dimensione
grande
(tellm (create cit-1 citta)
(nome cit-1 “Torino”)
indirizzo
dimensione
(popolazione cit-1 890000)
ag-2
piccola
(ufficio-turistico cit-1 ag-1))
indirizzo
dimensione
(ufficio-turistico cit-1 ag-2))
ag-2
ag-1
“Via NonSo, 111”
piccola
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)
(retrieve ?x (metropoli ?x))
---> (|I|cit-1)
(retrieve ?x (localita ?x))
---> (|I|cit-1 |I|cit-2 |I|loc-1 )
Il prefisso |I| sta per ‘instance’
E’ stata effettuata la classificazione
Ereditarietà classica
(retrieve ?x
(and (localita ?x)
Una query complessa
(for-some ?y
(and (ufficio-turistico ?x ?y)
(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)