Ragionamento nelle logiche descrittive M. Simi, 2008-2009.

Slides:



Advertisements
Presentazioni simili
DB -Algebra Relazionale
Advertisements

Il raffinamento dello schema e la normalizzazione nei database relazionali Eugenio Di Sciascio.
Definitezza Vogliamo poter richiedere la “definitezza” delle funzioni
Calcolo Relazionale.
1 OWL Mario Arrigoni Neri. 2 OWL – Web Ontology Language Estende RDF[S] con costrutti aggiuntivi per modellare realtà più complesse Contemporaneamente.
Sommario Nelle lezioni precedenti abbiamo introdotto tutti gli elementi che formano un particolare tipo di linguaggio logico, denominato linguaggio predicativo.
Algebra parziale con predicati
Intelligenza Artificiale
Ragionamento nelle logiche descrittive M. Simi,

La Rappresentazione della Conoscenza
Agenti logici: la logica del prim’ordine
Web semantico e logiche descrittive M. Simi, Cap 2 del "Description Logic Handbook" Lezioni di U.Straccia.
DOCUMENTAZIONE DI SCHEMI E/R
Modello La logica del primo ordine consente di definire un modello di un insieme di formule, ossia una interpretazione che soddisfi ogni formula.
Risoluzione e Programmazione Logica (Prolog)
Le reti KL-ONE Sono un esempio di rappresentazione della conoscenza a reti semantiche. Sono state sviluppate verso la fine degli anni ’70 sulla base di.
Il ragionamento classico
Introduzione alla Logica Modale.
Sistemi basati su conoscenza Conoscenza e ragionamento Prof. M.T. PAZIENZA a.a
Metodologie per la gestione di conoscenza ontologica Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza lezione 7 Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza lezione 8
Sistemi basati su conoscenza Conoscenza e ragionamento Prof. M.T. PAZIENZA a.a
Computational Learning Theory and PAC learning
CONCETTO DI FUNZIONE Una funzione f da X in Y consiste in:
Seminari di ingegneria del software
Modelli simulativi per le Scienze Cognitive
Qualche esempio di tableaux
Intelligenza Artificiale
Intelligenza Artificiale
Progettazione di una base di dati
Intelligenza Artificiale - AA 2001/2002 Logica formale (Parte 2) - 1 Intelligenza Artificiale Breve introduzione alla logica classica (Parte 2) Marco Piastra.
Intelligenza Artificiale - AA 2002/2003 Logica formale (Parte 2) - 1 Intelligenza Artificiale Breve introduzione alla logica classica (Parte 2) Marco Piastra.
Logica Matematica Seconda lezione.
Pierdaniele Giaretta Primi elementi di logica
Agenti logici: sistemi a regole
Logiche descrittive M. Simi, Categorie e oggetti Molti dei ragionamenti che si fanno sono sulle categorie piuttosto che sugli individui Se.
Agenti logici: calcolo proposizionale Maria Simi a.a. 2008/2009.
“Seminari di Ingegneria del software”
Tesi di Laurea in Ingegneria Informatica
Corso di logica matematica
1 Ontology languages. Strato dei modelli LA SCELTA DEL LINGUAGGIO Una volta selezionati i componenti dell’ontologia occorre esprimerli in maniera esplicita,
DAL WEB AL SEMANTIC WEB Aspetti teorici e tecnologici Carmagnola Francesca Dipartimento Informatica C.so Svizzera 185, Torino
Intelligenza Artificiale 2 Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
Logica Lezione Nov 2013.
Didattica e Fondamenti degli Algoritmi e della Calcolabilità Terza giornata: principali classi di complessità computazionale dei problemi Guido Proietti.
1 Tipi di Dato §descrittori, tipi, controllo e inferenza dei tipi §specifica (semantica) e implementazione di tipi di dato l implementazioni “sequenziali”
Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
1 Interpretazione astratta: un approccio sistematico all’analisi statica.
Esecuzione di un Programma [P] Una computazione corrisponde al tentativo di dimostrare, tramite la regola di risoluzione, che una formula (goal) segue.
Progettazione di una base di dati Ciclo di vita di un sistema informativo Studio di fattibilità definisce le varie alternative possibili, i relativi costi.
Algoritmi.
NP completezza. Problemi decisionali I problemi decisionali sono una classe di problemi dove per ogni possibile ingresso un algoritmo deve scegliere una.
1/20 NP completezza. 2/20 Problemi astratti Un problema è un’entità astratta (es. il TSP). Una istanza del problema è un suo caso particolare in cui vengono.
Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
1 Vincoli ‘Programming with constraints’ Capitolo 1.
AOT Lab Dipartimento di Ingegneria dell’Informazione Università degli Studi di Parma Intelligenza Artificiale Rappresentazione della Conoscenza e Ragionamento.
1 Metodologie di Programmazione = decomposizione basata su astrazioni.
Automi temporizzati.
Agenti logici: calcolo proposizionale Maria Simi a.a. 2006/2007.
7/22/20151 Metodi formali nello sviluppo software a.a.2013/2014 Prof. Anna Labella.
Web semantico e logiche descrittive M. Simi, Cap 2 del "Description Logic Handbook" Lezioni di U.Straccia.
Web semantico e logiche descrittive M. Simi, Cap 2 del "Description Logic Handbook" Lezioni di U.Straccia.
Introduzione alla LOGICA MATEMATICA Corso di Matematica Discreta. Corso di laurea in Informatica. Prof. Luigi Borzacchini III. La logica delle proposizioni.
Parsing ricorsivo discendente Il parsing ricorsivo discendente (recursive descent parsing) è un metodo di tipo top-down che può essere facilmente codificato.
Logica Lezione 8, DISTRIBUIRE COMPITO 1.
Logica Lezione 11, Annuncio Non si terrà la lezione di Lunedì 16 Marzo.
Ragionamento nelle logiche descrittive
Transcript della presentazione:

Ragionamento nelle logiche descrittive M. Simi,

LA KB delle logiche descrittive  K = ( T, A )  Una interpretazione I soddisfa A sse soddisfa ogni asserzione in A ( è un modello di A ).  Una interpretazione I soddisfa A e T (quindi K ) sse soddisfa ogni asserzione in A e ogni definizione in T.

Che tipo di ragionamenti?  Progetto e gestione di ontologie  Controllo di consistenza dei concetti e supporto alla creazione di gerarchie  Integrazione di ontologie  Relazioni tra concetti di ontologie diverse  Consistenza di gerarchie integrate  Interrogazioni  Determinare fatti consistenti rispetto alle ontologie  Determinare se individui sono istanze di concetti  Recuperare individui che soddisfano una query  Verificare se una classe è pi ù generale di un' altra

Problemi decisionali per DL: CS  Soddisfacibilità di un concetto [CS(C)]: esiste un’interpretazione diversa dall’insieme vuoto? (father) è soddisfacibile; (father ∏  father) è insoddisfacibile

Problemi decisionali per DL: sussunzione  Sussunzione K |= C D (D sussume C) se per ogni interpretazione I, C I  D I Es. person sussume person ∏  hasChild. T  Sussunzione strutturale e ibrida Ibrida se si usano anche le definizioni nella KB Es. Se student person  T-BOX allora person ∏  hasChild. T sussume student ∏  hasChild. T  Equivalenza: K |= C  D

Problemi decisionali classici  Soddisfacibilità di una KB Esiste un modello per K = ( T, A ) ?  Conseguenza logica di una KB: K |= a :C il problema di decidere, se l'asserzione a :C è conseguenza logica di K detto anche Instance Checking

Altre inferenze per DL  Recupero: trovare tutti gli individui che sono istanze di C. Calcola l' insieme { a | K |= a :C }  Most Specific Concept (MSC) Dato un insieme di individui, trovare il concetto più specifico di cui sono istanza. Per la classificazione  Least Common Subsumer (LCS) Dato un insieme di concetti, trovare il concetto più specifico che li sussume tutti

Riduzione tra problemi decisionali  I problemi decisionali non sono indipendenti tra di loro:  la sussunzione ibrida e strutturale coincidono se la T-BOX è vuota  la sussunzione strutturale può essere ricondotta alla soddisfacibilità di concetti C D sse C ∏  D è insoddisfacibile

Tutti possono essere ricondotti a KBS 1. Consistenza di concetto C è soddisfacibile sse K  { a :C} è soddisfacibile con a un nuovo individuo. Nota: { a :C} aggiunto ad A. 2. Sussunzione K |= C D (D sussume C) sse K  { a :C ∏  D} è insoddisfacibile, con a un nuovo individuo 3. Equivalenza K |= C  D sse K |= C D e K |= D C 4. Controllo di istanza K |= a :C sse K  { a :  C} è insoddisfacibile 5. Recupero riconducibile a controllo di istanza

Esempi di riduzione di problemi 1. I ricchi sono felici?  Felice sussume Ricco? K |= Ricco Felice  K  { a : Ricco ∏  Felice} è insoddisfacibile? 2. Essere ricco e sano basta per essere felice?  K |= Ricco ∏ Sano Felice  K  { a : Ricco ∏ Sano ∏  Felice} è insoddisfacibile?

Esempi di riduzione di problemi Sapendo che: Per essere felici bisogna essere ricchi e sani (e non basta)  T-BOX: Felice Ricco ∏ Sano Una persona ricca può essere infelice?  (Ricco ∏  Felice) è soddisfacibile?  K  { a : Ricco ∏  Felice } è soddisfacibile?

Sistemi deduttivi per DL  Algoritmi per determinare la sussunzione strutturale  Per linguaggi poco espressivi (senza negazione)  La tecnica più diffusa è una tecnica per la soddisfacibilità di una KB.  tecnica di propagazione|espansione di vincoli  una variante dei tableaux semantici

Tecnica di propagazione di vincoli  L’idea di base: ogni formula nella KB è un vincolo sulle interpretazioni affinché siano modelli di KB  I vincoli complessi si scindono in vincoli più elementari mediante regole di propagazione fino ad arrivare, in un numero finito di passi, a vincoli atomici  Se l’insieme di vincoli atomici contiene una contraddizione evidente (detta clash) allora la KB non è soddisfacibile, altrimenti abbiamo trovato un modello.

Vantaggi della tecnica  è semplice  è costruttiva  è modulare: una regola per ogni costrutto  è utile per progettare algoritmi di decisione e per valutarne la complessità  Vediamo la tecnica in dettaglio per ALC

Richiamo di ALC A(concetto primitivo) | T (top, concetto universale) |  (bottom) |  C(negazione) | C ∏ D (intersezione) | C D (unione) |  R.C (restrizione di valore) |  R.C (esistenziale) A, B concetti primitiviR ruolo primitivo C, D concetti

Passi preliminari per SAT in ALC 1. Espansione delle definizioni: passo preliminare che consiste nel ridursi ad una K = ({ }, A ) con solo la parte di asserzioni. Le asserzioni sono i vincoli iniziali 2. Normalizzazione: forma normale negativa 3. Propagazione di vincoli

Clash per ALC  Un clash per ALC è un insieme di vincoli di uno dei seguenti tipi:  { a :C, a :  C}  { a :  }

Normalizzazione  Un insieme di vincoli si dice in forma normale negativa se ogni occorrenza dell’operatore  è davanti a un concetto primitivo.  Regole di normalizzazione:

Propagazione di vincoli per DL  Un vincolo è una asserzione della forma a :C o ( b, c ):R, dove a, b e c sono costanti (individui distinti) o variabili ( x, y … individui non necessariamente distinti).  Un insieme di vincoli A è soddisfacibile sse esiste una interpretazione che soddisfa ogni vincolo in A.

Alberi di completamento  Foresta di completamento: struttura dati per l' esecuzione dell' algoritmo  Per ogni asserzione x :C in A si inizializza un albero x L (x)={ C }  Ad ogni passo si espande un nodo dell' albero o si creano nuovi nodi con le seguenti regole.

Regole per ALC

Non determinismo  Le regole per la congiunzione, per ALC sono deterministiche  La regola per la disgiunzione, è non deterministica: la sua applicazione risulta in insiemi di vincoli alternativi  A è soddisfacibile sse almeno uno degli insiemi di vincoli ottenuti lo è.  A è insoddisfacibile sse tutte le alternative si concludono con una contraddizione evidente (clash)

Esempio 1  A ={x:  R.C  R.(  C  D)  R.D} soddisfacibile?  A ={x:  R.C ∏  R.(C D) ∏  R.D} è soddisfacibile  Modello trovato:  I = { x, y 1, y 2 } C I = { y 1 } D I = { y 2 } R I = {( x, y 1 ),( x, y 2 )}

Esempio 2  A ={x:  R.C ∏  R.  C} soddisfacibile?  A ={x:  R.C ∏  R.  C} non è soddisfacibile  Non ha modelli

Esempio 3 Tutti i figli di John sono femmine. Mary è una figlia di John. Tim è un amico del professor Blake. Dimostra che Mary è femmina. A = {john:  hasChild.Female, (john, mary):hasChild, (blake, tim):hasFriend, blake:Professor} Dimostrare: A |= mary:Female ovvero che A  mary:  Female insoddisfacile

Esempio 3

Correttezza e completezza di SAT per DL 1. Il risultato è dimostrabilmente invariante rispetto all’ordine di applicazione delle regole. 2. Correttezza: se l’algoritmo termina con un sistema di vincoli completo e senza clash, allora A è soddisfacibile e dai vincoli si può ricavare un modello 3. Completezza: se una base di conoscenza A è soddisfacibile, allora l’algoritmo termina producendo almeno un modello finito senza clash.

Altri costrutti H : assiomi di inclusione tra ruoli I |= R S sse R I  S I Q : restrizioni numeriche qualificate (  n R.C ) I = {a   I  |{ b  (a, b)  R I  b  C I }|  n} (  n R.C ) I = {a   I  |{ b  (a, b)  R I  b  C I }|  n} O : nominali (singoletti); { a } I = { a I } I : ruolo inverso, ( R - ) I = { (a, b)  (b, a)  R I } F : ruolo funzionale I |= fun(F) sse  x,y,z (x,y)  F I  (x,z)  F I  y=z R + : ruolo transitivo ( R + ) I = { (a, b)  c tale che (a, c)  R I  (c, b)  R I } S : ALC + R +

OWL-DL OWL-DL equivalente a SHOIN = S : A LC + ruoli transitivi R + H : specializzazione di ruoli O : nominali o singoletti I : ruoli inversi N : restrizioni numeriche

OWL-Lite OWL-DL equivalente a SHIF = S : A LC + ruoli transitivi R + H : specializzazione di ruoli I : ruoli inversi F : ruoli funzionali

Costruttori di OWL Reference ∏ Journal Organization Institution  MasterThesis {WISE, ISWC, …}  date.Date  date.{2005} (  1 location) (  1 publisher) CostruttoreSintassi DL Esempio A (URI) A Conference thing T nothing 

Assiomi OWL

Un esempio: sintassi XML

Risultati di complessit à e decidibilit à per DL (con terminologie acicliche) Trattabile Decidibile Indecidibile ALNALCNR FOL ALALC KL-One ALR NIKL ALNO ALE PROP OWL-Lite OWL-DL P  NP  PSPACE  EXPTIME  NEXPTIMEsoglia della trattabilitàdecidibilità

Considerazioni: DL trattabili  Logiche con sussunzione decidibile in tempo polinomiale  AL : intersezione di concetti, negazione limitata, esistenziale semplice, restrizione universale di ruolo  ALN : AL + restrizioni numeriche  ALNO : ALN + concetti individuali  PROP è NP-completo, ma ALNO e PROP non sono confrontabili dal punto di vista espressivo.

Considerazioni: DL espressive e decidibili  ALC è PSPACE con espansione incrementale di T  ALC = ALUE (unione è fonte di complessità)  ALCNR = ALC + restrizioni numeriche e congiunzione di ruoli è decidibile in PSPACE  ALC è EXPTIME nel caso di T ciclica.  SHIF = OWL-Lite, AL + specializzazione di ruoli, ruoli transitivi, inversi e funzionali è decidibile in EXPTIME  SHOIN = OWL-DL, AL + specializzazione di ruoli, ruoli transitivi e inversi, singoletti e restrizioni numeriche è decidibile in EXPTIME

Conclusioni  Gli studi di complessit à sulle DL hanno messo in luce un ampio spettro di possibilit à rispetto al trade-off tra espressivit à e complessit à  Hanno consentito di progettare sistemi espressivi ed efficienti (anche se di complessit à esponenziali nel caso peggiore).  Il web semantico ha solidi fondamenti teorici.