Streszczenie
W artykule przedstawiono proces konstrukcji bazy wiedzy z dziedziny literaturo-znawstwa. Baza w szczególnoci zawiera wiedz dotyczc wystpowania zjawiska muzycznoci w dramatach. Ma ona słuy pomoc literaturoznawcom w trakcie ana-lizy utworów literackich. W bazie zawarto: koncepty odnoszce si do rodzajów muzycznoci i jej cech oraz instancje reprezentujce dramaty literackie i ich autorów. Proces konstrukcji bazy wiedzy oparto na najczciej stosowanych w literaturze me-todykach NeOn i Methontology. Weryfikacja zbudowanej bazy wiedzy, z zastosowaniem pyta kompetencyjnych, wykazała, e baza jest zbudowana popraw-nie i dostarcza wartociowych informacji na temat wystpowania muzycznoci w utworach literackich.
Słowa kluczowe: ontologia, baza wiedzy, muzyczno w dramacie, literaturoznawstwo Wprowadzenie
Wiedz ogólnie definiuje si jako zasób wiadomoci z jakiej dziedziny, a jej natura powoduje, e jest ona trudna do uchwycenia i pełnego wykorzystania [1, s. 73]. Aktualnie jestemy wiadkami dynamicznego rozwoju zarzdzania wiedz w rónych dziedzinach, poczwszy od nauk o zarzdza-niu, poprzez rónorodne obszary zwizane z technologi, biologi i socjologi, a skoczywszy na jzykoznawstwie i literaturoznawstwie.
Postp w rozwoju systemów informacyjnych sugeruje uycie ontologii jako podstawowego na-rzdzia do zarzdzania wiedz [2]. Wynika to z faktu, e przedstawienie wiedzy z wykorzystaniem ontologii, zapewnia jej formaln i uporzdkowan reprezentacj [3]. Formalna posta ontologii daje ramy dla skutecznego i wydajnego współdzielenia wiedzy oraz jej ponownego wykorzystania [4]. Dodatkowo, zastosowanie ontologii pozwala przeprowadza wnioskowanie, wywodzc now wie-dz z tej, która została zapisana w ontologii pełnicej rol bazy wiedzy [5].
Celem niniejszego artykułu jest skonstruowanie bazy wiedzy z dziedziny literaturoznawstwa dotyczcej zagadnienia muzycznoci w dramatach literackich. Baza taka miałaby słuy pomoc dla literaturoznawców w zakresie analizy utworów literackich pod wzgldem wystpowania w nich mu-zycznoci. Przedstawienie bazy wiedzy w postaci ontologii pozwoli stworzy model pojciowy objaniajcy struktur poszczególnych rodzajów muzycznoci oraz uwzgldni dzieła literackie, w których wystpuj róne rodzaje muzycznoci.
Artykuł złoony jest z trzech rozdziałów oraz podsumowania. W rozdziale pierwszym przed-stawiono podstawowe informacje na temat ontologicznej reprezentacji wiedzy oraz zaczerpnite z literatury, przykłady zastosowa ontologii do budowy baz wiedzy. Dokonano równie analizy sto-sowalnoci, wykorzystywanego w ontologiach, podejcia opartego na monotonicznoci do budowy bazy wiedzy z zakresu literaturoznawstwa. Rozdział drugi zawiera omówienie algorytmu budowy ontologicznej bazy wiedzy, który został zastosowany w badaniach przedstawionych w artykule.
W rozdziale trzecim przedstawiono proces budowy ontologicznej bazy wiedzy w oparciu o sformu-łowany algorytm budowy. W rozdziale tym zawarto take weryfikacj skonstruowanej bazy wiedzy z zastosowaniem pyta kompetencyjnych, kierowanych do ontologii.
1. Ontologia jako narzdzie reprezentacji wiedzy
Pojcie ontologii wywodzi si z filozofii, gdzie oznacza ona nauk o bycie [4]. Natomiast w li-teraturze z dziedziny informatyki pojcie to oznacza formaln specyfikacj konceptualizacji, która moe uchwyci wiedz dziedzinow, nadajc si do wielokrotnego uycia [6]. Formalizacja jest niezbdnym warunkiem tego, aby ontologia mogła by rozumiana i wykonywana przez maszyn [7], natomiast specyfikacja konceptualizacji oznacza, e ontologia jest abstrakcyjnym modelem wy-wiedzionym z realnego wiata do reprezentowania wiedzy dziedzinowej [8].
Najczciej ontologie w informatyce s wykorzystywane do zapewnienia szeroko pojtego do-stpu do zasobów wiedzy [9]. Ogólnie rzecz ujmujc, ich zastosowania obejmuj:
• komunikacj – midzy realizowanymi systemami obliczeniowymi, midzy lud mi oraz midzy systemami i lud mi,
• wnioskowanie obliczeniowe – do wewntrznej reprezentacji planów i planowania informa-cji oraz w celu dokonywania analizy: wewntrznej struktury, algorytmów oraz wej i wyj realizowanych systemów,
• ponowne uycie i organizacj wiedzy – dla strukturalizowanych lub organizowanych bi-bliotek i repozytoriów informacji dziedzinowych [9][10].
Ontologie s stosowane do reprezentacji wiedzy, a wic równie do tworzenia baz wiedzy [11] [12] [13] [14]. Zastosowanie ontologii do tworzenia baz wiedzy wynika z pewnej podstawowej ró-nicy midzy bazami wiedzy a bazami danych, ze wzgldu na któr, do tworzenia baz wiedzy, nie mona zastosowa schematów baz danych. Mianowicie: wydobywanie informacji z baz danych jest działaniem algorytmicznym, podczas gdy to samo działanie realizowane w oparciu o bazy wiedzy ma charakter wnioskowania logicznego [15] [16]. Ponadto najczciej bazy danych s niemonoto-niczne, a bazy wiedzy charakteryzuj si monotonicznoci. Oznacza to, e nowe dane dodane do bazy danych mog zmieni wnioski wysnuwane przez baz (odpowied bazy na okrelone zapyta-nie). Z kolei nowa wiedza dodana do bazy wiedzy nie moe zmieni uzyskiwanych z niej wniosków [17, s. 241–249]. Inaczej rzecz ujmujc, bazy danych reprezentuj „wiat zamknity”, w którym wnioskowanie odbywa si z załoeniem, e baza zawiera kompletny opis wiata. Wobec tego, jeeli nie da si potwierdzi prawdziwoci jakiego faktu, jest on uznawany za fałszywy (jest to tzw. do-mniemana negacja, ang. default negation, negation as failure). Z kolei bazy wiedzy najczciej reprezentuj „wiat otwarty”, w którym wnioskowanie odbywa si z załoeniem, e baza zawiera niekompletny opis wiata. W zwizku z tym, jeeli jaki fakt nie jest jawnie zaprzeczony, nie jest on uznawany za fałsz. Ponadto niemono dowiedzenia prawdziwoci jakiego faktu nie powoduje uznania go za fałsz (jest to tzw. negacja klasyczna, ang. classical negation) [18].
Podejcie oparte na monotonicznoci i klasycznej negacji znajduje zastosowanie w bazach wie-dzy dotyczcych literaturoznawstwa, gdy dziedzina ta charakteryzuje si wieloci interpretacji. Kady utwór literacki moe by interpretowany na róne sposoby przez wielu badaczy i kady z nich moe dostrzec w utworze nowe elementy. Z kolei niedostrzeenie przez którego z badaczy jakiej cechy utworu (w tym przypadku konkretnego elementu utworu zwizanego z muzycznoci) nie oznacza, e jej tam istotnie nie ma. Dlatego te poprawne w tym przypadku jest załoenie o „wiecie otwartym”.
2. Algorytm budowy ontologicznej bazy wiedzy
W budowie ontologicznych baz wiedzy stosowanych jest wiele metodyk [19], rónicych si pod wzgldem stopnia formalizacji, przeznaczenia i szczegółowoci. Do najlepiej sformalizowa-nych i najbardziej szczegółowych metodyk zaliczy mona Methontology [20] i NeOn [21]. Methontology szczegółowo definiuje proces konceptualizacji, natomiast NeOn w duym stopniu formalizuje zagadnienie specyfikacji bazy wiedzy [14]. W zwizku z tym autorski algorytm budowy ontologicznej bazy wiedzy, dotyczcej muzycznoci w dramatach literackich, oparto włanie na tych metodykach. Algorytm przedstawiony jest na rysunku 1.
Rysunek 1. Algorytm budowy ontologicznej bazy wiedzy ródło: opracowanie własne.
Pierwszym etapem algorytmu jest specyfikacja, polegajca na przygotowaniu dokumentu ORSD (ang. Ontology Requirements Specification Document) [21] okrelajcego m.in. cel budowy bazy wiedzy, jzyk jej implementacji oraz pytania kompetencyjne, słuce do weryfikacji popraw-noci działania bazy po zakoczeniu jej budowy. Drugi etap obejmuje zadania prowadzce do konceptualizacji wiedzy, któr ma obejmowa baza. Kolejnym etapem jest formalizacja ontologicz-nej bazy wiedzy na podstawie wykonaontologicz-nej wczeniej konceptualizacji oraz jej implementacja w wybranym jzyku i z zastosowaniem odpowiedniego edytora ontologii. Ostatnim za etapem bu-dowy bazy wiedzy jest jej ocena, polegajca na sprawdzeniu spójnoci bazy z zastosowaniem mechanizmu wnioskujcego i weryfikacji odpowiedzi bazy na pytania kompetencyjne, zdefinio-wane w etapie specyfikacji.
3. Budowa bazy wiedzy z dziedziny muzycznoci
Wiedza niezbdna do zasilenia bazy została zaczerpnita przede wszystkim z publikacji [22]. Na wstpie budowy bazy wiedzy opracowano dokument ORSD, przedstawiony w tabeli 1.
Tabela 1. Dokument ORSD specyfikujcy wymagania ontologicznej bazy wiedzy 1. Cel – konceptualizacja wiedzy z dziedziny muzycznoci utworów literackich
2. Zakres – baza wiedzy zawiera trzy rodzaje muzycznoci, cechy i podcechy kadego z tych rodzajów oraz baz utworów w których wystpuj poszczególne rodzaje muzycznoci
3. Jzyk implementacji – OWL 2 (ang. Ontology Web Language) 4. Uytkownicy – literaturoznawcy analizujcy utwory literackie
5. Zastosowania – analiza utworów literackich pod wzgldem wystpowania w nich muzycznoci
6a.
Wymagania niefunkcjonalne -
NFR1. Nazwy klas i instancji rozpoczynaj si od wielkiej litery.
NFR2. Nazwy atrybutów i relacji składaj si z czasownika pisanego mał liter i rzeczownika pisa-nego z duej litery, np. „maCeche”.
NFR3. W nazwach konceptów, relacji i atrybutów nie stosuje si polskich liter. NFR4. Zamiast spacji stosuje si podkrelenie (‘_’).
6b.
Wymagania funkcjonalne (pytania kompetencyjne) - CQ1. Jakie cechy i podcechy nale do muzycznoci I rodzaju? CQ2. Do jakiego rodzaju muzycznoci naley cecha „tempo”? CQ3. Które utwory literackie maj cechy muzycznoci II rodzaju? CQ4. Jakie cechy i podcechy muzycznoci ma utwór „Czerwony marsz”? CQ5. Kto jest autorem utworu „Czerwony marsz”?
CQ6. Jakie utwory Karola Huberta Roztworowskiego maj cechy muzycznoci (s uwzgldnione w bazie)?
ródło: opracowanie własne.
Pierwszym krokiem w etapie konceptualizacji wiedzy była budowa glosariusza terminów. Jego fragment został przedstawiony w tabeli 2.
Tabela 2. Glosariusz terminów
Nazwa Opis Typ
Rodzaj muzycznoci Kategoria obejmujca rodzaje muzycznoci Koncept
Muzyczno I I rodzaj muzycznoci - sfera brzmieniowa jzyka Koncept / Instancja Muzyczno II II rodzaj muzycznoci - tematyzacja muzyki Koncept / Instancja Muzyczno III
III rodzaj muzycznoci - wprowadzanie form i technik muzycznych w obrb tekstu (muzyczny tekst literacki)
Koncept / Instancja
Cecha muzycznoci Kategoria obejmujca cechy muzycznoci Koncept
Instrumentacja głoskowa Cecha muzycznoci I rodzaju Koncept / Instancja Rytm Cecha muzycznoci I rodzaju Koncept / Instancja Pauzy Cecha muzycznoci I rodzaju Koncept / Instancja Tempo Cecha muzycznoci I rodzaju Koncept / Instancja Intonacja Cecha muzycznoci I rodzaju Koncept / Instancja Wtrcenia Cecha muzycznoci I rodzaju Koncept / Instancja Wielokropki Cecha muzycznoci I rodzaju Koncept / Instancja Dynamika Cecha muzycznoci I rodzaju Koncept / Instancja
Nazwa Opis Typ Cytat muzyczny Cecha muzycznoci II rodzaju Koncept / Instancja Tytuł Cecha muzycznoci II rodzaju Koncept / Instancja Kompozycja muzyczna Cecha muzycznoci II rodzaju Koncept
Fikcyjna Rodzaj kompozycji muzycznej Koncept / Instancja Istniejca Rodzaj kompozycji muzycznej Koncept / Instancja Wystpujca posta Cecha muzycznoci II rodzaju Koncept
Kompozytor Rodzaj wystpujcej postaci Koncept / Instancja Artysta Rodzaj wystpujcej postaci Koncept / Instancja Muzyczne konotacje Cecha muzycznoci II rodzaju Koncept / Instancja Historia muzyki Cecha muzycznoci II rodzaju Koncept / Instancja Lejtmotywy Cecha muzycznoci III rodzaju Koncept / Instancja Kontrapunkt Cecha muzycznoci III rodzaju Koncept / Instancja Operowo Cecha muzycznoci III rodzaju Koncept / Instancja Forma muzyczna Cecha muzycznoci III rodzaju Koncept
Fuga Rodzaj formy muzycznej Koncept / Instancja
Preludium Rodzaj formy muzycznej Koncept / Instancja Uwertura Rodzaj formy muzycznej Koncept / Instancja
Pie Rodzaj formy muzycznej Koncept / Instancja
Utwór Kategoria obejmujca utwory literackie Koncept Judasz z Kariothu Utwór literacki Karola Huberta
Rostworow-skiego
Instancja Muzyka wieczorem Utwór literacki Jarosława Iwaszkiewicza Instancja Oktostychy Utwór literacki Jarosława Iwaszkiewicza Instancja Straszne dzieci Utwór literacki Karola Huberta
Rostworow-skiego
Instancja Czerwony marsz Utwór literacki Karola Huberta
Rostworow-skiego
Instancja Niobe Utwór literacki Konstantego Ildefonsa
Gałczy-skiego
Instancja Doktor Faustus Utwór literacki Tomasza Manna Instancja Sonata Utwór literacki Jana Augusta Kisielewskiego Instancja Sonata Kreutzerowska Utwór literacki Lwa Tołstoja Instancja Fuga mierci Utwór literacki Paula Celana Instancja Autor Kategoria obejmujca autorów utworów
literac-kich
Koncept Karol Hubert Rostworowski Autor utworów literackich Instancja Jarosław Iwaszkiewicz Autor utworów literackich Instancja Konstanty Ildefons Gałczyski Autor utworów literackich Instancja Tomasz Mann Autor utworów literackich Instancja Jan August Kisielewski Autor utworów literackich Instancja Lew Tołstoj Autor utworów literackich Instancja Paul Celan Autor utworów literackich Instancja ma cech (Rodzaj muzycznoci,
Ce-cha muzycznoci)
Rodzaj muzycznoci posiada dan cech
mu-zycznoci Relacja
jest cech (Cecha muzycznoci, Ro-dzaj muzycznoci)
Dana cecha muzycznoci jest okrelonego ro-dzaju
Relacja ma autora (Utwór, Autor) Utwór literacki ma konkretnego autora Relacja
Nazwa Opis Typ jest autorem (Autor, Utwór) Autor jest twórc danego utworu Relacja zawiera cech (Utwór, Cecha
mu-zycznoci)
Utwór literacki zawiera okrelon cech
mu-zycznoci Relacja
zawarta w utworze (Cecha muzycz-noci, Utwór)
Cecha muzycznoci zawarta jest w okrelonym
utworze Relacja
jest rodzaju (Utwór, Rodzaj
muzycz-noci) Utwór literacki jest okrelonego rodzaju Relacja ródło: opracowanie własne.
Analizujc tabel 2 mona zauway, e konkretni autorzy i konkretne utwory s reprezento-wane w bazie wiedzy przez instancje konceptów „Autor” i „Utwór”. Wynika to z faktu, e zarówno autor, jak i utwór literacki nie s pojciami abstrakcyjnymi, lecz dotycz konkretnej osoby lub dzieła. Z kolei dla cech i typów muzycznoci przyjto załoenie, e s to pojcia abstrakcyjne, nie odnoszce si bezporednio do realnie istniejcych bytów. Dlatego s one reprezentowane w postaci konceptów. Jednak dana cecha lub rodzaj muzycznoci moe zmaterializowa si w konkretnym utworze, std s one dodatkowo ujte w postaci instancji.
Nastpnie zbudowano taksonomi konceptów. Oddzielono w niej rodzaje muzycznoci od ich cech. Wpłynło to na wiksz przejrzysto ontologii oraz pozwoliło zachowa zgodno z koncep-cjami wiata otwartego i zamknitego. W literaturoznawstwie wyrónia si tylko trzy rodzaje muzycznoci, ich zbiór jest wic domknity (unia rozłczna). Z kolei zbiór cech muzycznoci jest otwarty i mog by do niego dodane nowe cechy, ale kada z nich jest inna od pozostałych (rozłcz-no). Ponadto niektóre cechy mona podzieli na podcechy. Taksonomi konceptów zawiera rysunek 2.
Rysunek 2. Taksonomia konceptów bazy wiedzy ródło: opracowanie własne.
W kolejnym kroku przygotowano słownik konceptów oraz definicje relacji binarnych. W arty-kule nie został przedstawiony słownik konceptów, gdy jest on bardzo zbliony do glosariusza terminów zawartego w tabeli 2. Naley jednak wyjani, e w nazwach konceptów, instancji i relacji uwzgldniono wymagania niefunkcjonalne podane na etapie specyfikacji bazy wiedzy (tabela 1). Szczegółowe definicje relacji binarnych umieszczone s w tabeli 3. Uwzgldniono tutaj relacje za-chodzce pomidzy konceptami oraz pomidzy instancjami konceptów. Specyficzna jest relacja „maCeche”, której dziedzin oraz zasigiem s koncepty nalece do konceptu „Rodzaj _muzycz-noci”. Relacj t mona okreli jako czciowo zwrotn, a w notacji Manchester jzyka OWL jej przykładowy zapis ma posta: „maCeche only (Muzycznosc_I, Muzycznosc_I). Zapis ten oznacza w istocie, e „Muzycznosc_I” ma cechy, które nale tylko do tego rodzaju muzycznoci. Dziki tej relacji oraz odwrotnej do niej „jestCecha”, mechanizm wnioskujcy buduje relacj subsumpcji po-midzy rodzajami i cechami muzycznoci.
Tabela 3. Definicje relacji binarnych Nazwa relacji Koncept
ródłowy
Licz no
Koncept
docelowy Właciwoci Uwagi
Relacja odwrotna jestCecha [Cecha_muzycznosci] dziedzina niezdefinio-wana np. Dynamika N [Rodzaj_muzycz-nosci] zasig niezdefinio-wany np. Muzycznosc_I A, P K maCeche maCeche [Rodzaj_muzycznosci] dziedzina niezdefinio-wana np. Muzycznosc_I 1 [Rodzaj_muzycz-nosci] zasig niezdefinio-wany np. Muzycznosc_I A W jestCecha
jestAutorem Autor - Utwor A, P I maAutora
maAutora Utwor - Autor A, P I jestAutorem
zawieraCeche Utwor - Cecha_muzycznosci A, P I zawartaWUtwo-rze
zawartaWUtwo-rze Cecha_muzycznosci - Utwor A, P I zawieraCeche jestRodzaju Utwor -
Rodzaj_muzycz-nosci A, P I -
N – kwantyfikacja egzystencjalna, 1 – kwantyfikacja uniwersalna, A – antysymetryczna, P - przeciwzwrotna, K – definiowana jako warunek konieczny, W – definiowana jako warunek ko-nieczny i wystarczajcy, I – stosowana do instancji
ródło: opracowanie własne.
W bazie wiedzy zdefiniowano dodatkowo reguł, okrelajc rodzaj muzycznoci utworu za-lenie od jego cech. Wyraenie (1) przedstawia t reguł:
Cecha_muzycznosci(?c) ^ Rodzaj_muzycznosci(?r) ^ Utwor(?u) ^ zawieraCeche(?u, ?c) ^ jestCecha(?c, ?r)-> jestRodzaju(?u, ?r) (1)
Formalizacja i implementacja bazy wiedzy została przeprowadzona w jzyku OWL2 [23], z za-stosowaniem edytora Protege 5. Ekspresywno implementacji ontologicznej bazy wiedzy jest zgodna z dialektem ALCRI logiki opisowej.
Ostatnim ju etapem prac nad baz wiedzy była jej ocena. Badanie z zastosowaniem mechani-zmu wnioskujcego wykazało, e baza wiedzy jest spójna. Ponadto zachowano w niej wymogi niefunkcjonalne, zdefiniowane na etapie specyfikacji. Jeeli za chodzi o odpowiedzi bazy wiedzy na pytania kompetencyjne, to odpowiedzi te uzyskano za pomoc narzdzi DL Query oraz Onto-Graf. DL Query pozwala kierowa zapytania do bazy wiedzy z wykorzystaniem składni Manchester OWL. Z kolei OntoGraf umoliwia przegldanie graficzne bazy wiedzy, a w szczególnoci relacji midzy konceptami oraz ich instancjami. Na rysunku 3 przedstawiono, zapisan w bazie wiedzy (rysunek 3a), a take okrelon przez mechanizm wnioskujcy (rysunek 3b), taksonomi koncep-tów. Analizujc rysunek 3b) mona take okreli odpowied na pierwsze pytanie kompetencyjne, tj. przynaleno poszczególnych cech muzycznoci do odpowiednich jej rodzajów, a w szczegól-noci cech i podcech zawartych w muzyczszczegól-noci I rodzaju.
Odpowied na pierwsze pytanie kompetencyjne, sformułowane w postaci zapytania DL Query, zawarta jest na rysunku 4.
Rysunek 3. Zapisana w bazie wiedzy oraz wywnioskowana taksonomia konceptów ródło: opracowanie własne.
Rysunek 4. Odpowied bazy wiedzy na pierwsze pytanie kompetencyjne ródło: opracowanie własne.
Na rysunku 5 przedstawiono odpowied bazy wiedzy na drugie pytanie kompetencyjne, doty-czce rodzaju muzycznoci, do którego naley cecha tempo. Odpowied t przedstawiono dla konceptów (rysunek 5a) i instancji (rysunek 5b).
Rysunek 6 zawiera odpowied bazy wiedzy na pytanie kompetencyjne dotyczce utworów li-terackich, posiadajcych cechy muzycznoci II rodzaju.
Rysunek 5. Odpowied bazy wiedzy na drugie pytanie kompetencyjne ródło: opracowanie własne.
Rysunek 6. Odpowied bazy wiedzy na trzecie pytanie kompetencyjne ródło: opracowanie własne.
Na rysunku 7 zaprezentowano odpowied bazy wiedzy na czwarte pytanie kompetencyjne, od-noszce si do cech i podcech muzycznoci zawartych w utworze „Czerwony marsz”. Odpowied t przedstawiono w postaci odpowiedzi na zapytanie DL Query (rysunek 7a) i w postaci graficznej, uzyskanej w narzdziu OntoGraf (rysunek 7b).
Rysunek 8 przedstawia odpowied bazy na pytanie odnoszce si do autorstwa utworu „Czer-wony marsz”. Jest to zapytanie sformułowane w narzdziu DLQuery, natomiast rysunek 7b pokazuje odpowied na to pytanie kompetencyjne w postaci graficznej.
Odpowied bazy wiedzy na, ostatnie ju, szóste pytanie kompetencyjne zaprezentowano na ry-sunku 9. Pytanie dotyczyło w tym przypadku utworów Karola Huberta Rostworowskiego, które zostały uwzgldnione w bazie wiedzy.
Rysunek 7. Odpowied bazy wiedzy na czwarte pytanie kompetencyjne ródło: opracowanie własne.
Rysunek 8. Odpowied bazy wiedzy na pite pytanie kompetencyjne ródło: opracowanie własne.
Rysunek 9. Odpowied bazy wiedzy na szóste pytanie kompetencyjne ródło: opracowanie własne.
Przedstawione odpowiedzi na pytania kompetencyjne pozwalaj stwierdzi, e baza wiedzy spełnia wszystkie wymagania funkcjonalne, które zostały okrelone na etapie specyfikacji.
4. Podsumowanie
Analizujc literatur naukow mona zaobserwowa dynamiczny rozwój dziedziny zarzdzania wiedz. Naturalne jest wykorzystanie baz wiedzy w takich obszarach jak zarzdzanie organizacj i produkcj. Jednak mog one znale zastosowanie w kadej dziedzinie, w której wymagana jest wiedza ekspercka, a wic równie w szeroko rozumianej humanistyce.
W artykule przedstawiono proces konstrukcji bazy wiedzy z dziedziny literaturoznawstwa do-tyczcej zagadnienia muzycznoci w dramatach literackich. Baza ta ma słuy pomoc dla literaturoznawców podczas analizy utworów literackich pod wzgldem wystpowania w nich zja-wiska muzycznoci. W bazie wiedzy zawarto pojcia zwizane z rodzajami oraz cechami i podcechami muzycznoci oraz instancje reprezentujce dramaty, a take ich autorów. Proces kon-strukcji bazy wiedzy został oparty na metodykach NeOn oraz Methontology, a poprawno konstrukcji została zweryfikowana z zastosowaniem pyta kompetencyjnych. Weryfikacja wyka-zała, e baza jest zbudowana poprawnie i moe ona dostarcza wartociowych informacji na temat
wystpowania muzycznoci w utworach literackich, istotnie wspierajc literaturoznawców w bada-niu utworów literackich i dostarczajc im niezbdnej wiedzy ze wskazanej dziedziny. Naturalnym kierunkiem dalszego rozwoju zbudowanej bazy wiedzy jest uzupełnienie i rozszerzenie jej o kolejne utwory literackie, a take dodanie kolejnych cech muzycznoci, aby stanowiła ona kompendium w tym zakresie.
Bibliografia
[1] Mikuła B., Pietruszka-Ortyl A., Potocki A., Zarzdzanie przedsibiorstwem XXI wieku. Wybrane koncepcje i metody, Difin, Warszawa 2002.
[2] Segev A., Gal A., Enhancing portability with multilingual ontology-based knowledge management, Decision Support Systems, 45(3), 2008, 567–584.
[3] Haghighi P.D. i in., Development and evaluation of ontology for intelligent decision support in medical emergency management for mass gatherings, Decision Support Systems, 54(2), 2013, 1192–1204.
[4] Guzman-Arenas A., Cuevas A.D., Knowledge accumulation through automatic merging of ontologies, Expert Systems with Applications, 37(3), 2010, 1991–2005.
[5] Chen R.C. i in., A recommendation system based on domain ontology and SWRL for anti-diabetic drugs selection, Expert Systems with Applications, 39(4), 2012, 3995–4006. [6] Gruber T.R., A translation approach to portable ontology specifications, Knowledge
Acquisition, 5(2), 1993, 199–220.
[7] Zhu L., Yang Q., Chen W., Research on Ontology Integration Combined with Machine Learning, Proceedings of the Second International Conference on Intelligent Computation Technology and Automation, IEEE, vol. 1, 2009, 464–467.
[8] Ivanovi M., Budimac Z., An overview of ontologies and data resources in medical domains, Expert Systems with Applications, 41, 2014, 5158–5166.
[9] Hepp M., Ontologies: state of the art, business potential, and grand challenges, Computing for Human Experience, 7, 2008, 3–22.
[10] Gruninger M., Lee J., Ontology Applications and Design, Communications of the ACM, 45(2), 2002, 39–41.
[11] Villanueva-Rosales N., Dumontier M., yOWL: An ontology-driven knowledge base for yeast biologists, Journal of Biomedical Informatics, 41(5), 2008, 779–789.
[12] Saa R. i in., An ontology-driven decision support system for high-performance and cost-optimized design of complex railway portal frames, Expert Systems with Applications, 39(10), 2012, 8784–8792.
[13] Shue L.Y., Chen C.W., Shiue W., The development of an ontology-based expert system for corporate financial rating, Expert Systems with Applications, 36(2), 2009, 2130–2142. [14] Ziemba P. i in., Construction and Restructuring of the Knowledge Repository of Website
Evaluation Methods, Information Technology for Management. Federated Conference on Computer Science and Information Systems, ISM 2015 and AITM 2015, Lodz, Poland, September 2015, Revised Selected Papers. Lecture Notes in Business Information Processing, vol. 243. Springer, Switzerland 2016, 29–52.
[15] Ziemba P. i in., Integration of Domain Ontologies in the Repository of Website Evaluation Methods, Proceedings of the Federated Conference on Computer Science and Information Systems. Annals of Computer Science and Information Systems, vol. 5, 2015, 1585–1595.
[16] Ziemba P. i in., Knowledge Management in Website Quality Evaluation Domain, Computational Collective Intelligence. ICCCI 2015, Part II. LNAI, vol. 9330, Springer, Heidelberg 2015, 75–85.
[17] Goczyła K., Ontologie w systemach informatycznych, Exit, 2011.
[18] Martinez-Cruz C., Blanco I.J., Vila M.A., Ontologies versus relational databases: are they so different? A comparison, Artificial Intelligence Review, 38(4), 2012, 271–290.
[19] Wtróbski J., Ziemba P., Analiza metodyk budowy ontologii zasobów internetowych, Informatyka Ekonomiczna, 2, 2015, 60–73.
[20] Corcho O. i in., Building Legal Ontologies with METHONTOLOGY and WebODE, Lecture Notes in Computer Science, 3369, 2005, 142–157.
[21] Villazon-Terrazas B. i in., A network of ontology networks for building e-employment advanced systems, Expert Systems with Applications, 38(11), 2011, 13612–13624.
[22] Hejmej A., Muzyczno dzieła literackiego. Wydawnictwo Naukowe UMK, 2012.
[23] Ziemba P., Jankowski J., Wolski W., Dobór jzyka reprezentacji wiedzy w ontologiach dziedzinowych, Informatyka Ekonomiczna, 1, 2015, 84–100.
CONSTRUCTION OF AN ONTOLOGICAL KNOWLEDGE BASE IN THE AREA OF LITERARY STUDIES
Summary
The paper presents the process of constructing of the knowledge base in the field of literary studies. The knowledge base contains a knowledge about the occurrence of musicalilty phenomena in literary dramas. It is intended to help literary scholars in the analysis of literary works. The database contains: concepts relating to the types of musicality and its characteristics, and instances representing literary dramas and their authors. The process of constructing of the knowledge base was based on the most commonly used NeOn and Methontology methodologies. Verification of the knowledge base was performed using competence questions. It has shown that the knowledge base is built correctly and provides valuable information about the occur-rence of musicality in literary works.
Keywords: ontology, knowledge base, musicality in drama, literary science
Monika Ziemba Instytut Polonistyki
Wydział Filologiczno-Historyczny Akademia Pomorska w Słupsku e-mail: listowska.m@gmail.com Paweł Ziemba
Katedra Inteligentnych Systemów Wspomagania Decyzji Wydział Techniczny
Akademia im. Jakuba z Paradya w Gorzowie Wielkopolskim e-mail: pziemba@ajp.edu.pl
