• Nie Znaleziono Wyników

S ie ci se m a n ty cz n e

N/A
N/A
Protected

Academic year: 2021

Share "S ie ci se m a n ty cz n e"

Copied!
12
0
0

Pełen tekst

(1)

S ie ci se m a n ty cz n e

Siecisemantycznes ֒agrafowymschematemreprezentacjiwiedzy: Fishareanimals. Mammalsareanimals. Mammalshavevertebra. Whalesaremammals. Catsaremammals. Bearsaremammals. Fishliveinthewater. Whalesliveinthewater. Catshavefur. Bearshavefur. Sie´czawieraw֒ez lyodpowiadaj֒acepoj֒eciomdanejdziedzinyproblemowej,i luki odpowiadaj֒acezwi֒azkom(relacjom)zachodz֒acympomi֒edzytymipoj֒eciami: •sie´cjestczytelna—ludziecz ֒estowyra˙zaj ֒ainformacjegraficznie, •sie´cjestelastyczna—mo˙zemywprowadza´cinformacjewdowolnejformie. Powy˙zszasie´c(´zr´od lo:Wikipedia)skonstruowanajestbezrozr´o˙znianiaklasod indywidu´ow,konsekwencjiwnazwachrelacji(isa/isan),itp. Siecisemantycznewprowadzenie1

S ie ci se m a n ty cz n e : re la cj e IS A i A K O

Abyprawid lowoodr´o˙zni´cwsieciachsemantycznychklasyobiekt´owodindywidu´ow, orazwyrazi´cr´o˙znezale˙zno´scimi֒edzynimi,stosujesi֒epewnestandardowerelacje: •ISA(ang.isa)jestrelacj֒apomi֒edzyindywiduumajegoklas֒a •HASA(ang.hasa)jestrelacj֒acz֒e´s´c-ca lo´s´c,alternatywnie:PART •AKO(ang.akindof)jestrelacj֒apomi֒edzypodklas֒aanadklas֒a,zapisywane cz֒estor´ownie˙zjako:SUBCLASS,alboSS(subset) Przyk lad:Iownatanleatherchair. Siecisemantycznewprowadzenie2

S ie ci se m a n ty cz n e : re la cj e b in ar n e i re ifi k a cj a

Mo˙znatraktowa´cinformacjezawartewsiecisemantycznejjakozbi´or(koniunkcj֒e) formu llogicznych.Formu lywyra˙zaj֒abezpo´sredniozachodzenierelacjipomi֒edzy obiektami(termami).Zauwa˙zmy,˙zewpowy˙zszychprzyk ladachwszystkierelacje (iodpowiadaj ֒aceimformu ly)s ֒arelacjamibinarnymi(dwuargumentowymi).Tojest podstawowacechasiecisemantycznych. Jakmo˙znawyrazi´crelacj֒ez lo˙zon֒azapomoc֒azestawurelacjibinarnych? Wniekt´orychprzypadkachz lo˙zonarelacjanaturalniedekomponujesi֒enask ladowe binarne.Jednakniezawszetaksi֒euda.Wpozosta lychprzypadkachstosujesi֒e zabiegreifikacji,czyliprzekszta lceniarelacjiwobiekty. Przyk lad:JohngivesthebooktoMary. Siecisemantycznewprowadzenie3

S ie ci se m a n ty cz n e : p rz yk la d y

BilbofindsthemagicringinGollum’scave. Odczytajinformacjeztejsieci! Spr´obujprzekszta lci´cobiekty reifikowanenarelacjez lo˙zone. Siecisemantycznewprowadzenie4

(2)

S ie ci se m a n ty cz n e : o d p o w ia d a n ie n a p yt a n ia

Rozwa˙zmyprzyk ladzdaniaiodpowiadaj ֒acejmusiecisemantycznej: MaryisJohn’swife.Johnwife −−−−−−−−→Mary Sie´cwyra˙zawpewnymj֒ezykuformalnyminformacjewcze´sniejzawarte woryginalnejwypowiedzij֒ezykanaturalnego.Odsystemusztucznejinteligencji oczekiwaliby´smy,˙zeposiadaj ֒acpewn ֒awiedz ֒e,b ֒edziewstanieodpowiada´cna dotycz ֒acejejpytania. Inaczejm´owi֒ac,jakzaimplementowa´cwnioskowaniedlasiecisemantycznych? Naprzyk lad: IsMaryJohn’swife? WhoisJohn’swife? WhosewifeisMary? Whoiswhosewife? Siecisemantycznewnioskowanie5

S ie ci se m a n ty cz n e : d o p a so w a n ie

Wnioskowaniewsieciachsemantycznychmo˙zeby´czaimplementowaneprzez: 1.wyra˙zeniepytaniawpostacioddzielnej,zapytaniowej,siecisemantycznej, 2.pr´ob ֒edopasowaniasiecizapytaniowejdosiecifaktowej, 3.wprzypadkubrakudopasowania,odpowied´zjestnegatywna, 4.wprzypadkuuzyskaniadopasowania,odpowied´zjestpozytywna. IsMaryJohn’swife?Johnwife −−−−−−−−→Marywife(John,Mary)? WhoisJohn’swife?Johnwife −−−−−−−−→y∃ywife(John,y)? WhosewifeisMary?xwife −−−−−−−−→Mary∃xwife(x,Mary)? Whoiswhosewife?xwife −−−−−−−−→y∃x,ywife(x,y)? Formu lowaniepyta´nwsieciachsemantycznychwymagau˙zyciazmiennych domy´slniekwantyfikowanychkwantyfikatoremegzystencjalnym,podobniejak wlogicepredykat´ow.Je´slichcemyuzyska´cwarto´s´codpowiedziwostatnichtrzech pytaniach,tomusimyotrzyma´codmechanizmuwnioskowaniaobiektydopasowane doobiekt´ow-zmiennych. Siecisemantycznewnioskowanie6

S ie ci se m a n ty cz n e : d zi e d zi cz e n ie

Rozwa˙zmyinnyprzyk lad: Elephantshavefourlegs. Elephantshaveonetrunk. Elephantshaveonetail. Elephantshavegreyskin. Thiselephant’snameisclyde. Jakiegokolorusk´or ֒emaclyde? Wtejsiecimamywiedz֒eog´oln֒aos loniachpo l֒aczon֒azwiedz֒aopewnym s loniowymindywiduumoimieniuclyde.Tworzeniesiecizapytaniowych idopasowanieichdosiecifaktowejdajeodpowiedzinapojedynczefakty.Mo˙zna rozszerzy´ctenmechanizmprzezwykorzystaniesemantykirelacjiisaiako,poniewa˙z indywiduadanejklasynormalnieposiadaj ֒aw lasno´sciwyra˙zonedlaklasy,jak r´ownie˙zwszystkichklasnadrz ֒ednych. Takierozszerzenienazywamydziedziczeniem,iwpowy˙zszymprzypadkupozwala ononp.uzyska´codpowied´z,˙zeclydemask´or֒ekoloruszarego. Siecisemantycznewnioskowanie7

S ie ci se m a n ty cz n e : w ie d za d o m y´s ln a

Wiedzaog´olnaoklasachjestprzyk lademwiedzydomy´slnej(default).Umo˙zliwia onawnioskowanieniemonotoniczne,specjalnieimplementowanewniekt´orych systemachlogicznych.Wsieciachsemantycznychpojawiasi֒eononaturalniedzi֒eki dziedziczeniu. Gdybywprzyk ladzieos loniachzdanie:Thiselephant’snameisclyde. zast֒api´czdaniem:Thispinkelephant’snameisclyde. todosieciprzyby labydodatkowakraw֒ed´z:e1skin −−−→pink. Wtedyodpowied´znapytanie:e1skin −−−→zmog labyby´cuzyskanabez dziedziczeniaprzezdopasowaniez=pink.Takaodpowied´znormalniemapriorytet, tzn.wykluczauzyskanieodpowiedzinatosamopytanieprzezdziedziczenie. Wog´olno´sciwiedzadomy´slnapodleganormalnemuprocesowidziedziczenia.Gdyby klasaCz lowiekmia law lasno´s´ctypowy-wzrost(´sredni),todlajakiego´sanonimowego cz lowiekam´og lbyonwynosi´cnp.170cm,aledlapodklasyM֒e˙zczyznaraczej180cm, adlapodklasyM ֒e˙zczyzna-koszykarzpewnie190cm. Siecisemantycznewnioskowanie8

(3)

S ie ci se m a n ty cz n e : d zi e d zi cz e n ie w ie lo k ro tn e

Mo˙znaby lobyzada´csobiepytanie,czyindywiduumwsiecisemantycznejmo˙ze nale˙ze´cdowi ֒ecejni˙zjednejklasyprzezrelacj ֒eisa(lub la´ncuchisa-ako*).Gdyby takby lo,tomechanizmwnioskowaniazdziedziczeniemm´og lbyteoretycznie uzyskiwa´cr´o˙zneodpowiedziprzezr´o˙zne´scie˙zkidziedziczenia. Popularnymprzyk lademwwielu podr ֒ecznikachjestzagadnienie czyNixon1by lpacyfist ֒a(∼1980). Wiadomoonim,˙zeby lkwakrem2 ijednocze´snierepublikaninem.3

Quakers

Pacifists Nixon

Republicans isa

not akoako isa Zewzgl֒edunaproblemywielokrotnegodziedziczenia,wniekt´orychsystemach obiektowychjestonowykluczone. 1RichardM.NixonprezydentU.S.A.wlatach1969–1974.Powygraniuwybor´ownadrug֒akadencj֒ew1973r. by lzamieszanywnast֒epstwaaferyWatergateizrezygnowa lzurz֒eduprezydentapodgro´zb֒ausuni֒ecia. 2Quakersjestnazw֒agrupystowarzysze´nreligijnychwywodz֒acychsi֒ezXVII-wiecznejAngliiidzia laj֒acychna ca lym´swiecie,m.in.wStanachZjednoczonych.G losilim.in.skromno´s´cubioruiodmow֒eudzia luwwojnach. 3PartiaRepublika´nskawStanachZjednoczonychjestsymbolemkonserwatyzmu,pogl֒ad´owwolnorynkowych,pry- watnejw lasno´sci,ograniczeniarolizwi֒azk´owzawodowychiinterwencjonizmupa´nstwowego,zatosilnejarmii. Siecisemantycznewnioskowanie9

S ie ci se m a n ty cz n e : w n io sk o w a n ie z d zi e d zi cz e n ie m

Chcieliby´smy,abyalgorytmwnioskowaniazdziedziczeniemsamrozwi֒azywa l istniej֒acekolizje,oiletotylkomo˙zliwe.Rozwa˙zmyprzyk lad: falseOstrichBirdtrue is−ais−a

can−flycan−flyako Tweety Tweetyjeststrusiem,ijednocze´snieptakiem.Pytanie:czypotrafifruwa´c?Zdolno´s´c fruwaniajestcech֒aptak´ow,aleniestrusi.Poniewa˙zfakt,˙zetweetyjeststrusiem jestbardziejszczeg´o lowy,wi֒ecwydajesi֒e,˙zekwesti֒efruwaniapowinnarozstrzyga´c domy´slnawiedzaostrusiach. Wog´olno´scidefiniujesi ֒eodleg lo´s´cinferencyjn ֒aklaswtaksonomii.KlasaCjest dalejni˙zklasaBodklasyA,je´sli´scie˙zkadziedziczeniazAdoCbiegnieprzezB. Algorytmwnioskowaniarozstrzygawielokrotnedziedziczenienakorzy´s´cklasy bli˙zszej.Poniewa˙zjednaktakaodleg lo´s´cwprowadzatylkoporz֒adekcz֒e´sciowy, rozwi֒azujeonaproblemtweety,alenierozwi֒azujeproblemuNixona. Siecisemantycznewnioskowanie10

S ie ci se m a n ty cz n e : fo rm a li za cj a

Jednymzproblem´owsiecisemantycznychjestbrakstandardowegokatalogurelacji (link´ow).Mo˙znawprowadza´cdowolnerelacjeistosowa´cdowolnenazwy.Utrudnia tozrozumienienieznanejsieci(przezkomputer),sprawdzeniejejpoprawno´sci,itp. Abyrozwi֒aza´ctenproblemwprowadzonopewnestandardy. typlinkuznaczenieprzyk lad Aisa −−→BA∈Btweety⊆Ostrich Aako −−→BA⊆BOstrich⊆Bird AR −→BR(A,B)tweetycan-y −−−−→false A

R −−−→B∀xx∈A⇒R(x,B)Bird#legs −−−−−→2 A

R −−−−→B∀x∃yx∈A⇒y∈B∧R(x,y)Birdparent −−−−−−→Bird Jednaknadmiernaformalizacjasiecisemantycznych,iwprowadzaniekolejnych mechanizm´owdlaw ֒ez l´owi luk´owsieciniwelujezasadnicz ֒azalet ֒e,jak ֒ajest czytelno´s´creprezentacjigraficznej. Siecisemantycznewnioskowanie11 Siecisemantycznewnioskowanie12

(4)

S ys te m y ra m e k

Systemramek(framesystem)sk ladasi֒ezkolekcjiramekopisuj֒acychelementy modelowanejdziedziny.Ramkazawierazbi´oratrybut´ow(ang.slots) reprezentuj֒acychjejw la´sciwo´sci.Atrybutyramkiwpolskiejliteraturzebywaj֒a nazywaneklatkami(K.Goczy la)lubszufladkami(W.Duch). Ramkimog֒areprezentowa´cpoj֒eciazdziedziny—maj֒awtedycharakterklasy— jakr´ownie˙zindywidualneobiekty.Ramkamo˙zeposiada´cdwarodzajeatrybut´ow: w lasne(own)alboszablonowe(template).Atrybutyw lasnenale˙z ֒adodanejramki, aichwarto´scis ֒aprywatnedlaramki.Atrybutyszablonowedanejklasystaj ֒asi ֒e atrybutamiw lasnymiwszystkichjejinstancji.Ramkimog֒adziedziczy´codsiebie zar´ownoatrybutyw lasne,jakiszablonowe.Ramka,kt´oranieposiadaatrybut´ow szablonowych,jestobiektem. Atrybutmo˙zeposiada´cwarto´s´c,kt´orajestwarto´sci֒ados lown֒a(literal), odno´snikiem-relacj֒adoinnejramki,orazpewnecechy(facets).Tecechymog֒a okre´sla´cwarto´s´cdomy´sln֒a,wi֒ezytakiejak:liczb֒ewarto´sci(atrybutjedno-lub wielowarto´sciowy,minimaxwarto´sci),typizakreswarto´sci,lubzbi´or dopuszczalnychwarto´sci,do l ֒aczoneprocedury(np.if-needed,if-added,if-removed), atrybutyodwrotne,itp. Siecisemantycznesystemyramek13 Systemyrameks֒aprekursoremsystem´owobiektowych,jednaks֒ami֒edzynimi istotner´o˙znice.Naprzyk lad,systemprogramowaniaobiektowegodefiniuje hierarchi ֒eklaszmetodami,kt´orapozwalanatworzenieobiekt´owidziedziczenie przezniezar´ownostrukturyobiektu,jakimetod.Wsystemieramekniema zasadniczejr´o˙znicypomi֒edzyklasamiaobiektami,wi֒ecca lataksonomiajest dost֒epnadlaprogramuwczasiewykonania. Siecisemantycznesystemyramek14

J

֒

e zy k RDF

Podstawowyelementsk ladowy:tr´ojkaobiekt-atrybut-warto´s´c:4 •Nazywasi֒etostwierdzeniem(statement). •Przyk ladstwierdzenia: WitoldPaluszy´nskiprowadzikursSztucznaInteligencja. •GrafRDFreprezentuj֒acypowy˙zszestwierdzenia: WitoldPaluszynskiSztucznaInteligencjaprowadziKurs Podstawowepoj֒eciaRDF: •zasoby(resources), •w la´sciwo´sci(properties), •stwierdzenia(statements). 4Uwaga:cz֒estostosowanajestalternatywna(miejscamimyl֒aca)terminologia:podmiot-predykat-przedmiot (subject-predicate-object),awpolskiejliteraturzer´ownie˙z:podmiot-orzeczenie-dope lnienie[K.Goczy la].Poniewa˙z rzadkopowodujetonieporozumienia,trzebapogodzi´csi֒ezpraktyk֒amieszaniatejterminologii,inieprzywi֒azywa´c zbytwielkiejwagidou˙zytegowdanymkontek´scies lowa. Siecisemantycznej֒ezykRDF15 Siecisemantycznej֒ezykRDF16

(5)

Z a so b y: U RL , U RI , IRI

•Mo˙znamy´sle´cozasobachjakoobiektach,okt´orychchcemym´owi´c: –np.:ludzie,miejsca,miasta,naukowcy,studenci,uczelnie,itp. •Ka˙zdyzas´obmaURI(UniversalResourceIdentifier). •URImo˙zeby´c: –adresemURL(internetowym),lub –jakim´sinnymunikalnymidentyfikatorem. •Wtychrozwa˙zaniachb ֒edziemyprzyjmowaliadresyURLjakoURI. IRIs֒azinternacjonalizowan֒awersj֒aURI. •ZaletykorzystaniazURI: –globalny,uniwersalnywskali´swiata,unikalnyschematnazewnictwa, –cz֒e´scioworozwi֒azujeproblemhomonimii(wieloznaczno´sciidentycznych nazw)rozproszonychreprezentacjidanych. Siecisemantycznej֒ezykRDF17 Siecisemantycznej֒ezykRDF18

W la ´sc iw o´ sc i

•W la´sciwo´sciopisuj֒abinarnerelacjemi֒edzyinnymizasobami: –np.: ”prowadzikurs”, ”kieruje”, ”tytu l”,itd. •W la´sciwo´scis֒aobywatelamipierwszejklasy,tzn.s֒ar´ownie˙ztraktowanejako zasoby,mog֒amie´cr´o˙znecharakterystyki,itworz֒aw lasn֒ataksonomi֒e. •W la´sciwo´scijakozasobys֒ar´ownie˙zidentyfikowaneprzezURI. Siecisemantycznej֒ezykRDF19 Siecisemantycznej֒ezykRDF20

(6)

S tw ie rd ze n ia

•Stwierdzeniastwierdzaj֒aposiadaniew la´sciwo´sciprzezzasoby,adok ladniej: zwi֒azekpewnejparyzasob´owpewn֒arelacj֒a(binarn֒a). •Stwierdzeniejesttr´ojk֒a:obiekt-atrybut-warto´s´c –Sk ladasi֒ezzasobu,w la´sciwo´sciiwarto´sci. •Warto´sciamimog֒aby´czasobylublitera ly. –Litera lys ֒awarto´sciamiatomowymi(typustring). Siecisemantycznej֒ezykRDF21

T rz y re p re ze n ta cj e st w ie rd ze ´n

Stwierdzeniemo˙zemyreprezentowa´cjako: •tr´ojk ֒eobiekt-atrybut-warto´s´c, •elementarnygrafzdwomaw֒ez lamipo l֒aczonymi lukiemskierowanym, •zapistekstowy,zwanyserializacj ֒a. Zatemzbi´orstwierdze´n,wyra˙zaj֒acypewienzas´obwiedzymo˙zeby´cpostrzegany jako: •zbi´ortr´ojekobiekt-atrybut-warto´s´c, •grafzwanysieci ֒asemantyczn ֒a, •dokument(np.plik)zawieraj֒acyserializacj֒ezbiorutr´ojek. Siecisemantycznej֒ezykRDF22

S tw ie rd ze n ia ja k o tr ´o jk i

•Tr´ojk֒e(x,P,y)mo˙znauwa˙za´czaformu l֒elogiczn֒aP(x,y),gdziebinary predykatPwi֒a˙zeobiektxzobiektemy. •Tr´ojk֒emo˙znar´ownie˙zuwa˙za´czaskierowanygrafzetykietowanymiw֒ez lami i lukami: –skierowanyodzasobupodmiotu(obiektu)stwierdzenia, –skierowanydoprzedmiotu(warto´sci)stwierdzenia, –warto´s´cstwierdzeniamo˙zeby´cinnymzasobemlublitera lem. •WRDFzar´ownozasobyjakiw la´sciwo´scimusz֒aby´cidentyfikowaneprzezURI. Mo˙zliwejestjednakstosowanieprzestrzeninazw,skracaj֒acychzapis. (foaf:Person#WitoldPaluszynski, dbpedia-owl:employer, http://www.pwr.edu.pl/)

WitoldPaluszynski pracujeW PolitechnikaWroclawska Siecisemantycznej֒ezykRDF23

Z b i´o r tr ´o je k ja k o si e´ c se m a n ty cz n a

WitoldPaluszynskiSztucznaInteligencjaprowadziKurs PolitechnikaWroclawskapracujeW

http://www.kcir.pwr.edu.pl/~witold/ai/ autorStrony maStrone Siecisemantycznes ֒aelastycznymiekspresyjnymnarz ֒edziemreprezentacjiwiedzy. Ichgrafowawersjajestbardzozrozumia la,aleprzetwarzaniereprezentacji graficznychprzezkomputeryniejestefektywne. Istniej֒areprezentacjetekstowesiecisemantycznych.Jednakznichjestopartana XML,zwanaRDF/XML.Jednakniejestonacz ֒e´sci ֒amodeludanychRDF. Siecisemantycznej֒ezykRDF24

(7)

Z a p is st w ie rd ze ´n w RDF / X M L

<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:myonto="http://www.kcir.pwr.edu.pl/~witold/myonto-ns"> <rdf:Descriptionrdf:about="http://www.kcir.pwr.edu.pl/~witold/"> <myonto:authorrdf:resource="#WitoldPaluszynski"/> </rdf:Description> </rdf:RDF> •DokumentRDFjestreprezentowanyprzezelementXMLzeznacznikiemrdf:RDF •Zawarto´sci ֒ategoelementujestpewnaliczbaopis´ow(descriptions),kt´ore wykorzystuj ֒aznacznikirdf:Description •Wpowy˙zszymopisie,dotycz ֒acymzasobu http://www.kcir.pwr.edu.pl/~witold/: –w la´sciwo´s´cjestu˙zywanajakoznacznikelementu, –warto´s´cw lasno´scimo˙zeby´cdanaprzezzawarto´s´celementu(litera l),lubjak wtymprzypadku,wskazywanaprzezatrybutrdf:resource. Siecisemantycznej֒ezykRDF25 Og´olnie,wserializacjiRDF/XMLka˙zdyopiswyra˙zafaktozasobie, identyfikowanymnajedenz3sposob´ow: •przezatrybutrdf:about,zodniesieniemdoistniej֒acegozasobu, •przezatrybutrdf:ID,zutworzeniemnowegozasobu, •beznazwy,tworz֒acnowyzas´ob(anonimowy). Siecisemantycznej֒ezykRDF26

In n a se ri a li za cj a RDF : N- T ri p le s

ModeldanychRDFjestnajlepiejreprezentowanygrafami.Jednakprzydatna icz ֒estoniezb ֒ednajestichreprezentacjatekstowa,zwanaserializacj ֒a.Dotychczas, opr´oczformatuzapisuRDF/XML,stosowanaby lanieformalnienotacja:(R,P,V). Istniej֒ajednakbardziejsformalizowanekonwencje,ukierunkowanezar´ownona czytelno´s´cjakiprzetwarzaniemaszynowe. Jedenztakichformat´ow,zwanyN-Triples,poleganazapisietrzechelement´ow tr´ojkiRDFwkolejno´scipodmiot-predykat-przedmiot,zako´nczonejkropk ֒a,po jednejtr´ojcewwierszu.Ka˙zdyzelement´owtr´ojkizapisywanyjestwpostaciwpe lni kwalifikowanych,nieskr´oconychURI,zapisywanychwnawiasachk֒atowych<>, wed lugschematu: <http://domain/ns#res><http://domain/ns#prop><http://domain/ns#val>. Nawetpowy˙zszyschemattrudnozapisa´cwwymaganyspos´ob,wjednymwierszu. Jakwida´c,tenformat´srednionadajesi֒edoprezentacjitekichjakniniejsza. Natomiastbardzodobrzenadajesi֒edlaprzeszukiwaniaipor´ownywaniatekstowego. Siecisemantycznej֒ezykRDF27

N- T ri p le s: p rz yk la d

Dlatr´ojkireprezentowanejprzezponi˙zszyzapisRDF/XML: <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:myonto="http://www.kcir.pwr.edu.pl/~witold/myonto-ns"> <rdf:Descriptionrdf:about="http://www.kcir.pwr.edu.pl/~witold/"> <myonto:authorrdf:resource="#WitoldPaluszynski"/> </rdf:Description> </rdf:RDF> reprezentacjaN-Triplesmaposta´c(wjednymwierszu): <http://www.kcir.pwr.edu.pl/~witold/> <http://www.kcir.pwr.edu.pl/~witold/myonto-ns#autor> "#WitoldPaluszynski" . Siecisemantycznej֒ezykRDF28

(8)

S e ri a li za cj a RDF — T u rt le

InnymformatemzapisutekstowegoRDFjestTurtle(TerseRDFTripleLanguage). PodstawowagramatykaTurtlejestpodobnadoN-Triples(wrzeczywisto´sciobate formatys ֒apodzbioramiog´olnejnotacjiN3(Notation3)),alebardziejzorientowana naskr´oty,czytelno´s´c,iwygod֒e. WnotacjiTurtlezasobymog֒aby´czapisywanewpostaciqnames,czylins:id, gdziensjestsymbolemprzestrzeninazw,aididentyfikatoremzasobu.Przestrzenie nazwzwi ֒azanes ֒awTurtlezdefiniuj ֒acymijeURIzapomoc ֒adeklaracji@prefix. @prefixmyonto<http://www.kcir.pwr.edu.pl/~witold/myonto-ns#> <http://www.kcir.pwr.edu.pl/~witold/">myonto:author"#WitoldPaluszynski". przyk ladynotacjiTurtledlakontynuacji;. Siecisemantycznej֒ezykRDF29 Siecisemantycznej֒ezykRDF30

T yp y d a n yc h

•Typydanychstosowanes֒awj֒ezykachprogramowania,abyumo˙zliwi´c interpretacj֒e. •WRDFwtymcelustosowanes֒alitera lytypowane: (#WitoldPaluszynski, http://www.kcir.pwr.edu.pl/~witold/myonto/roomNumber, "307"^^http://www.w3.org/2001/XMLSchema#integer) •Zapis^^wskazujetyplitera lu •wdokumentachRDFdozwolonejestkorzystaniezwszelkichzewn ֒etrznych typ´owdanych. •Wpraktycenajcz֒e´sciejwykorzystywanyjestsystemtyp´owXMLSchema,kt´ory definiujeszerokiwachlarztyp´owdanych.Naprzyk lad:Boolean,liczbyca lkowite, zmiennoprzecinkowe,czas,daty,itp. Siecisemantycznej֒ezykRDF31 Siecisemantycznej֒ezykRDF32

(9)

K ry ty cz n e sp o jr ze n ie n a RDF : p re d yk a ty b in ar n e

•RDFu˙zywatylkobinarnychw la´sciwo´sci. –Jesttoograniczenie,poniewa˙zcz֒estou˙zywamypredykat´owzwi֒ecejni˙z2 argumentami. –Alemo˙znajezasymulowa´cpredykatamibinarnymi. •Przyk lad:referee(X,Y,Z) Xjests ֒edzi ֒ameczuszachowegopomi ֒edzygraczamiYiZ. –Wprowadzamynowypomocniczyzas´obchessGameorazpredykatybinarne: ref,player1iplayer2 –Mo˙zemyterazwyrazi´creferee(X,Y,Z)jako: Siecisemantycznej֒ezykRDF33

K ry ty cz n e sp o jr ze n ie n a RDF : w la ´sc iw o´ sc i

•W la´sciwo´scis ֒aspecjalnymrodzajemzasob´ow. •W la´sciwo´scimog ֒awyst ֒epowa´cjakoobiektywtr´ojkachobiekt-atrybut-warto´s´c (stwierdzeniach). •Mo˙zliwo´s´ctaoferujedu˙z֒aelastyczno´s´c. •Aletojestniezwyk ledlaj֒ezyk´owmodelowaniaij֒ezyk´owprogramowaniaOO. •Mo˙zetoby´cmyl֒acedlaprogramist´owmodelowaniasemantycznego. Siecisemantycznej֒ezykRDF34

K ry ty cz n e sp o jr ze n ie n a RDF : re ifi k a cj a

•Reifikacjajestinnymdo´s´cmocnymmechanizmem. •Mo˙zewydawa´csi֒enienamiejscuwewsumieprostymj֒ezykutakimjakRDF. •Tworzeniestwierdze´nostwierdzeniachwprowadzapoziomz lo˙zono´sci,kt´orynie jestniezb֒ednydopodstawowejwarstwySemanticWeb. •Mog lobywydawa´csi֒ebardziejnaturalneumieszczenietegomechanizmu wbardziejzaawansowanychwarstwach,kt´orezapewniaj ֒abogatszefunkcje reprezentacji. Siecisemantycznej֒ezykRDF35

K ry ty cz n e sp o jr ze n ie n a RDF : p o d su m o w a n ie

•RDFjestdostosowanydoprzetwarzaniamaszynowego,jednakdoczytaniaprzez ludzimo˙zeby´cniezbytzrozumia ly. •RDFmaswojedziwactwaiog´olnieniejestoptymalnymj ֒ezykiemmodelowania, ale: –jestju˙zdefactostandardem, –mawystarczaj֒ac֒asi l֒ewyrazu (przynajmniejdlabudowaniananimdalszychwarstwreprezentacji), –informacjajestjednoznaczniemapowanadomodelu. Siecisemantycznej֒ezykRDF36

(10)

RDF S ch e m a

•RDFjestuniwersalnymj֒ezykiem,kt´orypozwalau˙zytkownikomopisywa´czasoby przypomocyw lasnychzestaw´owpoj֒e´c. •RDFnieprzyjmuje,aniniedefiniujesemantykikonkretnejdziedziny. •U˙zytkownikmo˙zetozrobi´cwRDFSchemaprzyu˙zyciu: –klasiw la´sciwo´sci, –hierarchiiklasidziedziczenia, –hierarchiiw la´sciwo´sci Jednaknieb ֒edziemytuzg l ֒ebia´cj ֒ezykaRDFSchema.Semantyk ֒edziedzin b ֒edziemyopisywaliwinnyspos´ob. Siecisemantycznej֒ezykRDF37 Siecisemantycznej֒ezykRDF38

J

֒

e zy k za p yt a ´n S P A RQL

SPARQL(SimpleProtocolAndRDFQueryLanguage)jestj ֒ezykiemzapyta´nRDF. Sk ladniowoSPARQLprzypominaniecoSQL,leczwrzeczywisto´scij ֒ezykSPARQL nawi ֒azujedografowegomodeludanychRDF: •SPARQLopierasi֒enadopasowaniudowzorc´ow-graf´ow. •Najprostszymwzorcem-grafemjesttr´ojka,podobnadotr´ojkiRDFale zmo˙zliwo´sci֒au˙zyciazmiennejzamiasttermuRDFnapozycjipodmiotu, predykatulubprzedmiotu. • L֒aczeniewzorc´ow-tr´ojekdajewzorzec-graf.Dok ladnedopasowaniewzorcado grafudanychRDFjestniezb֒ednedladopasowaniawzorca. SiecisemantyczneSPARQL39

Pr zy k la d o w e za p yt a n ie S P A RQL

Przyk lad: PREFIXrdf:<http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIXrdfs:<http://www.w3.org/2000/01/rdf-schema#> SELECT?c WHERE { ?crdf:typerdfs:Class. } Zapytaniepobierawszystkietr´ojki,gdziew la´sciwo´sci֒ajestrdf:typeapodmiotem jestrdfs:Class.Cooznacza,˙zepobierawszystkieklasy. SiecisemantyczneSPARQL40

(11)

Pr zy k la d o w e za p yt a n ie S P A RQL (2 )

Pobierzwszystkieinstancjedanejklasy,np.kurs(deklaracjaprefiks´owrdf,rdfs pomini ֒etedlazwi ֒ez lo´sci): PREFIXwp-np:<http://www.kcir.pwr.edu.pl/~witold/ontologies/2015/2/NaukaPolska SELECT?i WHERE { ?irdf:typewp-np:Kurs. } Nale˙zynadmieni´c,˙zeSPARQLniewymaga,anisamnierealizujesemantykiRDFS. Zatem,czywodpowiedzinapowy˙zszezapytanieotrzymamytylkoinstancjeklasy wp-np:Kurs,czyr´ownie˙zjejpodklas,b֒edziezale˙ze´codsystemurealizuj֒acego dopasowaniewzorcaiodpowied´z. SiecisemantyczneSPARQL41

S tr u k tu ra za p yt a n ia S E L E C T -F ROM -W HE RE

PodobniejakwSQL,zapytaniaSPARQLmaj ֒astruktur ֒eSELECT-FROM-WHERE: •SELECTokre´slaprojekcj ֒e:liczb ֒eikolejno´s´cpobieranychdanych, •FROMs lu˙zydookre´slenia´zr´od loprzeszukiwania(opcjonalne), •WHEREnak ladaograniczenianamo˙zliwerozwi֒azaniawpostaciszablon´ow, wzorc´owwykres´owiogranicze´nlogicznych. Przyk lad:pobra´cwszystkienumerypokoipracownik´ow: SELECT?x?y WHERE { ?xwp-np:nr-pokoju?y. } ?xi?ys֒atuzmiennymi,awzorzec"?xwp-np:nr-pokoju?y"reprezentuje tr´ojk ֒ezas´ob-w la´sciwo´s´c-warto´s´c. SiecisemantyczneSPARQL42

Do m y´s ln y jo in

Przyk lad:pobierzwszystkichwyk ladowc´owiichnumerypokoi: SELECT?x?y WHERE { ?xrdf:typewp-np:prowadzacy; wp-np:nr-pokoju?y. } Powy˙zszezapytaniereprezentujetzw.domy´slnyjoin:drugiwzorzecjestograniczony tylkodotychtr´ojek,kt´orychzas´objestwzmiennej?x. Zwr´o´cmyuwag֒e:u˙zywamytutajskr´oconejsk ladni:´srednikwskazuje˙zenast֒epuj֒aca tr´ojkawsp´o ldzielipodmiotzpoprzednikiem.Task ladnianazywasi ֒eturtle. Poprzedniezapytaniejestr´ownowa˙znenast ֒epuj ֒acejformie: SELECT?x?y WHERE { ?xrdf:typewp-np:prowadzacy. ?xwp-np:nr-pokoju?y. } SiecisemantyczneSPARQL43

J aw n y jo in

Kolejnyprzyk lad:chcemyznale´z´cnazwywszystkichkurs´owprowadzonychprzez wyk ladowc֒ezID411 SELECT?n WHERE { ?xrdf:typewp-np:Kurs; wp-np:prowadzacy:411. ?cwp-np:nazwisko?n. FILTER(?c=?x). } Takaformazapyta´nreprezentujetzw.jawnyjoin. SiecisemantyczneSPARQL44

(12)

C o to je st o n to lo g ia

Poj ֒ecieontologiipochodzizfilozofii(staro˙zytnej)imawieleznacze´n.S lowo ontologiapochodziodgreckichs l´ow: ”on”(wdope lniaczu ”ontos”)oznaczaj ֒acego og´olniebyt,i ”logos”czylinaukilubwiedzy. Jednaznajcz֒e´sciejcytowanychdefinicjiontologiiwsensiereprezentacjiwiedzyw sztucznejinteligencji(1992,Gruber): Ontologiajestjawn ֒aspecyfikacj ֒akonceptualizacji. Tadefinicjamo˙zenapierwszyrzutokaprzygnie´s´c,leczspr´obujemysi֒ezni֒a zaprzyja´zni´c,amo˙zenawetpolubi´c. Ontologiepoj֒eciawst֒epne45 Ontologias lu˙zydotworzeniajawnych,izrozumia lychdlawszystkich,opis´ow dowolnychdziedzin.Musionazawiera´cspecyfikacj֒e: •poj ֒e´cdotycz ֒acychdanejdziedziny, •atrybut´owtychpoj֒e´c,ichw lasno´sci,izwi֒azk´owmi֒edzynimi, •istniej֒acychwi֒ez´ownateatrybuty,w lasno´sci,izwi֒azki, •indywidu´owistniej֒acychwdziedzinie. Wyszczeg´olnienie,inazwaniewszystkichtychelement´owdanejdziedzinynazywa si ֒ejejkonceptualizacj ֒a. Ontologiapowinnaokre´sla´cdladanejdziedziny: •terminologi ֒euzgodnion ֒adladanejdziedziny, •jednoznaczn ֒azrozumia lo´s´cpoj ֒e´cdanejdziedziny. Dlategow la´sniewnajwi֒ekszymskr´ocieontologi֒edanejdziedzinynazywasi֒ejawn֒a specyfikacj ֒ajejkonceptualizacji. Ontologiepoj֒eciawst֒epne46

P o co tw o rz y´c o n to lo g ie

Tak ֒arol ֒eopisuznaczeniawszystkichpoj ֒e´cpe lni lyjednakdotychczass lowniki(dla poj ֒e´cog´olnychzdanegoj ֒ezyka)iencyklopedie(dlapoj ֒e´cszczeg´olnych, indywidu´ow,nazww lasnych,itp.). Dlaczegochcemytworzy´contologie? Wymienioneopisys֒atworzonewj֒ezykunaturalnym,nies֒aca lkowicieprecyzyjne, natomiastodwo luj ֒asi ֒edocz ֒estosubtelnychznacze´nkonstrukcjij ֒ezykowych, wiedzyog´olnej,atak˙zeog´olnieprzyjmowanychza lo˙ze´nowiedzypodstawowej (kulturze)jejczytelnika.Je´slicelemjestumo˙zliwienieagentomsztucznie inteligentnymkorzystanieztakowychopis´ow,toagentmusia lbypraktyczniemie´c w lasnymechanizmmy´slenia(umys l)identycznyzmechanizmemmy´slenia cz lowieka,abyjetaksamorozumie´c. Abyumo˙zliwi´cagentomsztucznieinteligentnymr´o˙znychpoziom´owinteligencjiich w la´sciwezrozumienie,opisytakiemusimystworzy´cwjakim´sformalizmie dost֒epnymdlatakichagent´ow. Ontologiepoj֒eciawst֒epne47

P o co tw o rz y´c o n to lo g ie (c d .)

Innewa˙znepowody,dlakt´orychwartotworzy´contologie(czylikonceptualizacje formalne),s֒a: •uzyskiwanadzi ֒ekinimjednoznaczno´s´cpoj ֒e´c,standaryzacja, •tworzeniejawnychzapis´owpewnychza lo˙ze´n,kt´oredot֒adby lydomy´slne, niejawne,icz֒estoniejasne, •rozdzieleniewiedzypodstawowejodziedzinieodwiedzyoperacyjnej. Tworzenieontologiiniejestcelemsamymwsobie.Jestonopodobnedo definiowaniastandardowejstrukturydanychdowykorzystaniaprzezprogramy. Ontologietworzones ֒adlazapewnieniamo˙zliwo´scibudowyagent´owsoftware-owych umo˙zliwiaj ֒acychanaliz ֒edanychwr´o˙znychdziedzinach,wspomaganie podejmowaniadecyzji,itp. Ontologiepoj֒eciawst֒epne48

Cytaty

Powiązane dokumenty

Infiniti Negroamarao z Salento czerwone delikatnie wytrawne, nuta owoców le ś nych, ł agodne taniny o jedwabistym ko ń cowym posmaku (delicately dry, note of forest fruit,

Gratuluję! Właśnie stworzyłaś/stworzyłeś iluzję kaligrafii długopisem! Tak, to takie proste!.. Z awsze zanim zaczniesz wyszywać, przygotuj projekt swojego napisu,

 zna oraz umie interpretować wykresy zależności między podstawowymi poznanymi wielkościami fizycznymi w sytuacjach typowych.  umie stosować posiadane wiadomości

Natomiast kierunek i tempo ewolucji obu tych kategorii ludności są na ogół podobne — z wyjątkiem Poznańskiego i Pomorza, gdzie w latach 1895—1907 udział

Natomiast to, czego musiałaś się nauczyć w drodze zdobywania wiedzy i treningu - to umiejętności (kompetencje) twarde, czyli specyficzne, bardzo określone,

Przy obecnych warunkach rynkowych wiemy, że nie jest możliwym wprowadzenie takiej ilości mieszkań, do jakiej byliśmy przyzwyczajeni w ostatnich latach, co sprawia, że

Wiersz 28 – należy wykazać pozostałe przychody operacyjne, które pośrednio są związane z działalnością operacyjną jednostki, a w szczególności zysk z

- drzwi wyposażone są w nowoczesną perforację oraz naklejany identyfikator, - wewnątrz każdej komory znajduje się półka, drążek oraz dwa haczyki plastikowe, - na tylnej oraz