Ontologie Esistenti: WordNet, SUMO, CyC, DOLCE

Presentazione sul tema: "Ontologie Esistenti: WordNet, SUMO, CyC, DOLCE"— Transcript della presentazione:

1 Ontologie Esistenti: WordNet, SUMO, CyC, DOLCE

2 Quali ontologie esistono
Cosa sono le ontologie Quali ontologie esistono WordNet Cyc SUMO DOLCE Come costruire un’ontologia Loom OWL “Trying to engage with too many partners too fast is one of the main reasons that so many online market makers have foundered. The transactions they had viewed as simple and routine actually involved many subtle distinctions in terminology and meaning” Harvard Business Review, October 2001

3 WordNet Da un elenco di parole: A un dizionario strutturato:
<tigre, cane, animale, mammifero, bestia, micio, soriano, gatto, felino> A un dizionario strutturato: {animale, bestia} {gatto, micio} {cane} {felino} {mammifero} {soriano} {tigre} SynSets NB: La stessa parola può appartenere a più SynSets

4 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

5 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 aggettivo/aggettivo man/woman; to enter/to exit; long/short Iponimia nome/nome; verbo/verbo slicer/knife; to walk/to move Meronimia nome/nome head/nose Implicazione verbo/verbo to buy/to pay Causa to kill/to die Somiglianza wet/humid Attributo aggettivo/nome tall/stature Relativo al nome fraternal/broterhood

6 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))

7 Le relazioni di EuroWordNet
Relazione Ordini collegati Esempi Sinonimia 1/1; 2/2; 3/3 barriera/ostacolo;comprare/acquistare;conoscenza/cognizione Quasi sinonimia ordigno/congegno; certificare/assicurare Xpos quasi sinonimia 2/2 arrivo/arrivare Antonimia incredibile/credibile Quasi antonimia sopra/sotto; arrivare/partire Xpos quasi antonimia arrivo/partire Iponimia cane/animale; agitarsi/muoversi Xpos iponimia arrivo/andare; martellata/colpire Meronimia 1/1 braccio/corpo; mano/dito Causa uccidere/morire; giustiziare/condanna Sotto-evento comprare/pagare; dormire/russare Ruolo 1/2 martello/martellare; pedone/camminare Co_ruolo chitarrista/chitarra Stato_di povero/povertà; vecchio/vecchiaia Maniera_per bisbigliare/a-bassa-voce; trucidare/barbaramente Derivazione Tra tutti acqua/acquaiolo Relativo_a presidenziale/presidente Classe Po/fiume; Roma/città

8 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)

9 L’Architettura di EuroWordNet
Inter Lingual Index ILI record (drive) guidare cavalcare muoversi WordNet Italiano III cabalgar conducir mover Spagnolo ride drive move Inglese rijden berijden betragen Olandese II location 2nd order entity dynamic air traffic traffic road traffic Top ontology Domain ontology I

10 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.

11 La Top-Ontology entity 1st order 2nd order 3rd order artifactO placeU
comestibleU substanceF +artifactO naturalO containerU +objectF dynamicT staticT causeC locationC mental thing candy vessel bottle aliment bounded EventT objectF solidF gasF liquidF

12 La definizione dei concetti è basata su features
Per le entità del primo ordine (concreti) esse sono: Origin (se è naturale o artificiale; indice O nella figura) Natural Living Plant Human Creature Animal Artifact Form (se è una sostanza o un oggetto con forma definita; indice F nella figura) Substance Solid Liquid Gas Object Composition (se è un oggetto unitario o un gruppo; non compare in figura) Part Group Function (la funzione) Vehicle Representation MoneyRepresentation LanguageRepresentation ImageRepresentation Software Place Occupation Instrument Garment Furniture Covering Container Comestible Building

13 Situation Type (il tipo della situazione; indice T in figura)
Per le entità del secondo ordine (azioni, astrazioni, qualità) esse sono: Situation Component (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 Time Situation Type (il tipo della situazione; indice T in figura) Dynamic BoundedEvent UnboundedEvent Static Property Relation Le entità del terzo ordine non hanno features

14 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

15 Quali ontologie esistono
WordNet Cyc SUMO DOLCE Come costruire un’ontologia Loom OWL

16 Cyc Il progetto Cyc (da enCYClopedia) nasce nel 1984 ed è ancora in corso (si veda il sito Attualmente, Cyc include oltre un milione di concetti, mentre la versione pubblica OpenCyc comprende circa concetti e 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)

17 2 componenti Constraint Language (Logica dei predicati)
CycL (linguaggio basato su frame)

18 Esempio di Unit relativa ad un’istanza
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)

19 Esempio di Unit relativa ad uno slot Altri esempi più avanti
#$residents #$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

20 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 ("x) person (x) ® [($y) person ( y) Ù mother(x,y) Ù greaterThan(diff(age(y),age(x)), 16) ] Versione in logica dei predicati standard Versione con quantificazione ristretta ("xperson) ($yperson) mother(x,y) Ù 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))))

21 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)))))

22 Ma perchè questa soluzione è più efficiente?
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

23 Inferenza in Cyc Quale sarà il risultato?
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?

24 Possiamo ottenere due risultati:
( ) Cioè la lista vuota: Lucia non ha figli (#$Giorgio) Lucia è madre di Giorgio Il primo risultato si ottiene se sia la Get che la Put precedenti sono state richieste “senza nessuna inferenza” Il secondo risultato si ottiene se o la Get o la Put (o entrambe) sono state richieste “con inferenza” (anche minima) Quale inferenza è necessaria? Quella associata alla definizione dello slot #$mother (v. slide precedente), in cui è specificato che #$mother ha un #$inverse, che è appunto #$mother-of

25 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)

26 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

27 Il top level di Cyc #$Thing #$Individual #$Collection #$Situation #$IntangibleIndividual #$SetOrCollection #$Intangible #$TemporalThing #$Relationship Una lista dei concetti di Cyc si può trovare al sito (aggiornato al 1997) #$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.

28 #$IntangibleIndividual:
la collezione di cose che non sono fisiche - non sono fatte di, o codificate nella, materia. Ogni #$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.

29 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)

30 Versione 1990 Versione 1997 #$Thing #$IndividualObject #$Collection
#$Event #$Process #$Intangible #$Stuff #$RepresentedThing #$IntangibleObject #$IntangibleStuff #$Relationship #$Slot Versione 1997 #$Thing #$Individual #$Collection #$Situation #$IntangibleIndividual #$SetOrCollection #$Intangible #$TemporalThing #$Relationship

31 Quali ontologie esistono
Cosa sono le ontologie Quali ontologie esistono WordNet Cyc SUMO DOLCE Come costruire un’ontologia Loom OWL

32 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) 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)

33 Le componenti di SUMO STRUCTURAL ONTOLOGY BASE ONTOLOGY
TEORIA DEGLI INSIEMI NUMERI TEMPO MEREOTOPOLOGIA (PARTI E SPAZIO) MISURE PROCESSI QUALITA’ OGGETTI

34 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)))))

35 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

36 Base Ontology (il top-level)
Entity Physical Object Process Abstract 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

37 Base Ontology (un altro assioma)
Physical: ("x) Physical (x) ® [($y,z) located (x, y) Ù 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 NonIntentional Intentional

38 Base Ontology (sotto il top level)
Processi intenzionali Intentional Process Exercise Religious Therapeutic Diagnostic Surgery Organizational Managing Political Mental Recreational Social Interaction Graduation Regulatory Occupational Guiding Educational Keeping Repairing Revealing Touching Concealing Poking Maintaining Securing Confining Holding Content Development Decorating Grooming Searching Investigating Pursuing

39 Base Ontology (qualche assioma sui processi)
("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) Ú 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) ® ($y) agent (x, y) Tutti i processi intenzionali hanno un agente ("x,y) IntentionalProcess (x) Ù agent(x,y) ® CognitiveAgent(y) Ù ($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

40 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

41 Quali ontologie esistono
Cosa sono le ontologie Quali ontologie esistono WordNet Cyc SUMO DOLCE

42 (un ponte tra filosofia e computer science)
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

43 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’

44 A cosa servono? 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’ 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)

45 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.

46 Il top level di Dolce Entity Abstract Endurant Perdurant Fact Region Set 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.

47 Critica del top-level di WordNet
Confusione tra concetti e individui Composer Contrapuntist SongWriter Beethoven Bach In Dolce differenza tra concetti e ruoli materiali, basata sulla meta-proprietà ‘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 Set Space Relation Attribute Time meta-level object-level

48 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

49 Quali ontologie esistono
Cosa sono le ontologie Quali ontologie esistono WordNet Cyc SUMO DOLCE Come costruire un’ontologia Loom OWL

50 Loom Operazioni di modifica della KB
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

51 Esempio (defconcept localita (exactly 1 nome))
[1] Citta popolazione [1] ufficio-turistico [1, inf] (defconcept citta :is-primitive (and localita (exactly 1 popolazione) (at-least 1 ufficio-turistico))) string number (defrelation nome :range string) (defrelation popolazione :range number) indirizzo [1] dimensione agenzia (defrelation ufficio-turistico :range agenzia) (defconcept agenzia :is-primitive (and (exactly one indirizzo) (exactly one dimensione)))

52 Esempio (continua) (defrelation indirizzo :range string)
Citta popolazione [1] ufficio-turistico [1, inf] agenzia Localita nome string number indirizzo dimensione (defrelation indirizzo :range string)  (defconcept dim-val :is (the-ordered-set ‘piccola ‘media ‘grande)) (defrelation dimensione :range dim-val) metropoli popolazione > (defconcept metropoli :is (and citta (> popolazione ))) string dim-val <piccola, media, grande>

53 Esempio (continua) (tellm (create ag-1 agenzia)
Citta ufficio-turistico [1, inf] agenzia Metropoli Localita (tellm (create ag-1 agenzia) (dimensione ag-1 grande) (indirizzo ag-1 “Via PincoPallo, 33”)) Uff.tur. Cit-1 “Torino” nome (tellm (create ag-2 agenzia) (dimensione ag-2 piccola) (indirizzo ag-2 “Via AlfaBeta, 1”) (tellm (create ag-2 agenzia) (dimensione ag-2 piccola) (indirizzo ag-2 “Via NonSo, 111”) indirizzo dimensione ag-1 “Via PincoPallo, 33” grande indirizzo dimensione ag-2 “Via AlfaBeta, 1” piccola indirizzo dimensione ag-2 “Via NonSo, 111” piccola (tellm (create cit-1 citta) (nome cit-1 “Torino”) (popolazione cit ) (ufficio-turistico cit-1 ag-1)) (ufficio-turistico cit-1 ag-2))

54 Esempio (continua) Esempi di query (retrieve ?x (citta ?x))
(tellm (create cit-2 citta) (nome cit-2 “Asti”) (popolazione cit ) (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) E’ stata effettuata la classificazione (retrieve ?x (localita ?x)) ---> (|I|cit-1 |I|cit-2 |I|loc-1 ) Ereditarietà classica (retrieve ?x (and (localita ?x) (for-some ?y (and (ufficio-turistico ?x ?y) (dimensione ?y ‘grande)))) ---> (|I|cit-1) Una query complessa

55 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.

56 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

57 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)