=Paper=
{{Paper
|id=Vol-2096/paper11
|storemode=property
|title=Extensión del Framework OWLAPI para la Administración y Razonamiento sobre Grandes Ontologías (An Extension of the OWLAPI Framework for Management and Reasoning on Large Ontologies)
|pdfUrl=https://ceur-ws.org/Vol-2096/paper11.pdf
|volume=Vol-2096
|authors=Manuel E. Puebla-Martínez,José M. Perea-Ortega,Alfredo Simón-Cuevas
|dblpUrl=https://dblp.org/rec/conf/iwsw/MartinezPS18
}}
==Extensión del Framework OWLAPI para la Administración y Razonamiento sobre Grandes Ontologías (An Extension of the OWLAPI Framework for Management and Reasoning on Large Ontologies)==
https://ceur-ws.org/Vol-2096/paper11.pdf
Extensión del framework OWLAPI para la
administración y razonamiento sobre grandes
ontologı́as
Manuel E. Puebla-Martı́nez1 , José M. Perea-Ortega2 , and Alfredo
Simón-Cuevas3
1
Universidad de las Ciencias Informáticas, La Habana, Cuba
mpuebla@uci.cu
2
Universidad de Extremadura, Badajoz, España
jmperea@unex.es
3
Universidad Tecnológica de La Habana “José Antonio Echeverrı́a”, Cujae
La Habana, Cuba
asimon@ceis.cujae.edu.cu
Abstract. Nowadays, managing and reasoning on large ontologies is
considered a resource-intensive task, mainly due to the complexity of
the reasoning algorithms involved. In addition, most of the existing tools
to manage large ontologies require high-performance computers, which
could make some users hard to find a feasible solution. This paper presents
an approach to manage and reason on OWL2 large ontologies by using
the OWLAPI framework. The main novelty focuses on the development
of a software solution that allows managing large ontologies, together
with the development of specific search procedures in OWLAPI that
would require the use of reasoners in the case of this type of ontologies.
The proposed approach was tested by generating a spatial ontology on
the region of Marianao (Cuba) and launching several queries on it. The
results show the great performance of the approach developed.
Keywords: Large Ontologies, Knowledge Representation, Reasoning on
Large ontologies, OWLAPI, OWL2
Resumen. En la actualidad, la administración y el razonamiento en
ontologı́as grandes se considera una tarea de uso intensivo de recur-
sos, principalmente debido a la complejidad de los algoritmos de ra-
zonamiento involucrados. Además de este problema, la mayorı́a de las
herramientas existentes para administrar grandes ontologı́as requieren
computadoras de alto rendimiento, lo que podrı́a hacer que para algunos
usuarios fuese difı́cil encontrar una solución viable. En esta investigación
se presenta un enfoque para gestionar y razonar sobre ontologı́as grandes
utilizando el framework OWLAPI. La principal novedad se centra en el
desarrollo de una solución de software que permite administrar ontologı́as
grandes, unido al desarrollo de procedimientos de búsqueda especı́ficos
en OWLAPI que necesitarı́an el uso de razonadores para el caso de on-
tologı́as con caracterı́sticas similares a las descritas en este trabajo. El
enfoque propuesto fue probado generando una ontologı́a espacial en la
125
región de Marianao (Cuba) y lanzando varias consultas al respecto. Los
resultados muestran el rendimiento del enfoque desarrollado.
Palabras claves: Ontologı́as grandes, Representación del conocimiento,
Razonando sobre ontologı́as grandes, OWLAPI, OWL2
1. Introducción
El uso de ontologı́as es cada vez más requerido por aquellos sistemas de
información que necesitan procesar la semántica asociada al contenido, como
por ejemplo los sistemas de Recuperación de Información Geográfica (GIR, si-
glas en inglés). En este ámbito, las ontologı́as resultan muy útiles para describir
la semántica y relacionar los datos espaciales, generar nuevo conocimiento es-
pacial y mejorar la toma de decisiones en este dominio. Sin embargo, el uso
efectivo de las ontologı́as no solo requiere su codificación en un lenguaje formal,
sino también requiere de un soporte adecuado de herramientas para su admin-
istración, que posibiliten el razonamiento automático o la inferencia a partir
del conocimiento que representan. La presente investigación se desarrolla en el
marco de un proyecto que tiene por objetivo el desarrollo de un GIR sopor-
tado en el uso de una ontologı́a geográfica. La ontologı́a se genera de forma
semiautomática usando un método que aprovecha la diversidad de fuentes de
información y ofrece la posibilidad de obtener una ontologı́a que conceptualiza
cualquier lugar geográfico.
En este contexto, fue utilizado dicho método para obtener una ontologı́a
geográfica de uno de los municipios de La Habana (Cuba), especı́ficamente Mar-
ianao, la cual contenı́a más de cuatro mil individuos, 76 millones de propiedades
de objetos, y más de 100 mil propiedades de datos; resultando ser una ontologı́a
grande. Si se construyese la ontologı́a de toda Cuba o del Continente Americano,
los valores antes señalados crecerı́an de manera exponencial pudiendo llegar a
alcanzar los 30 GB de memoria o más. Esto condujo a plantearse el siguiente
problema: ¿cómo administrar y razonar sobre ontologı́as con tales dimensiones?
La mayor parte de los editores de ontologı́as hacen un uso intensivo de la memo-
ria principal y no son particularmente adecuados para el razonamiento sobre
ontologı́as con millones de instancias, como las que a menudo son necesarias
para las aplicaciones que requieren representar y describir semánticamente datos
espaciales del mundo real. La integración de las Bases de Datos (DB, siglas en
inglés) parece ser la solución, ya que estas aprovechan las ontologı́as para in-
crementar su semántica, mientras que las ontologı́as se benefician de las DB
para estructurar y almacenar grandes cantidades de instancias. Como resultado,
muchas áreas de investigación están surgiendo y los trabajos resultantes de esta
complementariedad son enormes [12].
OWLAPI (Ontology Web Language API, en inglés), es el framework utilizado
para administrar la ontologı́a a ser utilizada por el sistema GIR que se desar-
rolla. A favor de OWLAPI se dirá que es el framework utilizado por el editor
126
de ontologı́as más utilizado actualmente: Protégé 1 . Sin embargo, este framework
no soporta ontologı́as como las que se generan en esta investigación, al menos
con un hardware estándar, pues el mismo carga la información del fichero OWL
en memoria RAM. Algo similar sucede con los razonadores que trabajan con
memoria interna: Pellet, FaCT++, HermiT, TrOWL, RACER, entre otros. Es-
tos, además de cargar la ontologı́a, necesitan generar nuevo conocimiento, lo cual
implica la ejecución de complejos algoritmos que deben verificar una gran var-
iedad de restricciones debido al alto grado de expresividad del lenguaje OWL2.
El editor de ontologı́as más popular, Protégé, tampoco es capaz de cargar una
ontologı́a con las caracterı́sticas descritas en este artı́culo, utilizando el frame-
work OWLAPI para administrar la ontologı́a. Todos ellos generan el conocido
error “Out of Memory” cuando se intenta cargar una ontologı́a grande.
En este trabajo se presenta una extensión al framework OWLAPI para ad-
ministrar y razonar sobre grandes ontologı́as, basada en los principios de un sis-
tema OBDB (Ontology Based Data Base, en inglés). De este modo, una ontologı́a
se considera grande cuando su ABOX supere o iguale los valores obtenidos y ya
descritos en la ontologı́a generada de forma automática para este trabajo.
El ABOX se considera uno de los tres componentes en los que se divide con-
ceptualmente una ontologı́a, y contiene afirmaciones de rol entre individuos de la
ontologı́a (por ejemplo, hasChild (John, Mary)) y afirmaciones de pertenencia
(por ejemplo, (John:Man)). La solución presentada se apoya en el framework
OWLAPI y permite administrar y satisfacer las necesidades de razonamiento
del futuro sistema GIR a desarrollar.
Por otro lado, el futuro sistema GIR a desarrollar necesitará trabajar con el
lenguaje ontológico OWL2, y no con RDF, OWL, OWL2-QL o OWL2-RL; los
cuales son lenguajes menos expresivos y utilizados en las herramientas encon-
tradas en el análisis del estado del arte.
2. Trabajo relacionado
OWLAPI es una API de alto nivel para trabajar con ontologı́as OWL2,
por lo que está estrechamente alineada con la especificación estructural OWL2.
Soporta el análisis gramatical y la traducción en las sintaxis definidas en la
especificación W3C (sintaxis funcional, RDF/XML, OWL/XML y la sintaxis de
Manchester OWL); manipulación de estructuras ontológicas; y el uso de motores
de razonamiento. La implementación de referencia de la OWLAPI, escrita en
Java, incluye validadores para los distintos perfiles OWL 2 QL, OWL2 EL y
OWL2 RL. El OWLAPI tiene un uso extendido en una variedad de herramientas
y aplicaciones [9]. La mayor limitante de OWLAPI está en la necesidad de cargar
el fichero OWL en memoria RAM, la cual es muy limitada si comparamos los
valores medios actuales con el tamaño de las ontologı́as grandes.
Los sistemas DBBO (DataBase Based on Ontologies, en inglés), también
conocidos como OBDA (Ontology-Based Data Access, en inglés), se han con-
vertido en un popular paradigma para acceder a una o varias fuentes de datos
1
http://protege.stanford.edu
127
mediante el uso de ontologı́as. Estos sistemas aprovechan las ontologı́as para in-
crementar su capacidad de administrar información semántica. En los sistemas
DBBO, los usuarios acceden a los datos a través de una capa conceptual (ab-
stracción de los aspectos especı́ficos relacionados con las fuentes de datos), que
proporciona un cómodo vocabulario de consulta. La capa conceptual es repre-
sentada generalmente mediante una ontologı́a en RDF u OWL, y se conecta
a las bases de datos relacionales subyacentes utilizando asignaciones R2RML.
Cuando se realiza una consulta SPARQL sobre la ontologı́a, el sistema DBBO
explora las asignaciones representadas para recuperar elementos de las fuentes
de datos y construir las respuestas [4]. Los sistemas DBBO no permiten hacer
cambios en la DB a través de la ontologı́a, debido a que en los casos generales
donde hay asignaciones complejas arbitrarias entre la ontologı́a y la DB, este
problema no admite una solución general y constituye un problema de investi-
gación abierto hoy dı́a. Esto es conocido en bases de datos como el “view update
problem” [7]. La razón es que, en general, debido a las asignaciones, no hay una
manera única para propagar una actualización especı́fica del nivel de la ontologı́a
a la base de datos subyacente. Otra limitación de los sistemas DBBO es que no
están diseñados para soportar ontologı́as arbitrarias en OWL2, debido a que su
función principal es acceder a grandes DB a través de una ontologı́a, por lo que
en general se usan lenguajes menos expresivos como es el caso de OWL2-QL. Al-
gunos ejemplos de sistemas DBBO son Ontop2 , Optique [3], GraphDB3 , RDFox4
y OntoDB [5].
Por otra parte, en los últimos años han surgido los sistemas OBDB (Ontol-
ogy Based DataBase, en inglés), un modelo que permite almacenar y consultar
ontologı́as con una gran cantidad de instancias. Los sistemas OBDB también
aprovechan los beneficios de las funcionalidades ofertadas por los Sistemas de
Administración de Bases de Datos Relacionales (RDBMs, siglas en inglés), como
son: rendimiento en las consultas, almacenamiento eficiente de los datos, admin-
istración de transacciones, entre otras. Ejemplos de estos sistemas son: Sesame
Database Manager 5 , DLDB-OWL [13], OWLIM [11], InstanceStore [10], Min-
erva [17], DBOWL [15], OntoMinD [1], OwlOntDB [6] y FGOLD [2].
En [17] se reporta una comparación entre Minerva y Sesame Database Man-
ager, DLDB-OWL, OWLIM e InstanceStore, concluyéndose como ventajas del
primero: 1) Soporta ontologı́as en OWL-DL con una inferencia completa sobre
el TBOX, pero para ontologı́as en OWL-Lite con un máximo de tripletas RDF
de 2.200.000. 2) El proceso de razonamiento y evaluación que se lleva a cabo
como parte de las consultas se realizan en memoria externa, materializando to-
dos los resultados de inferencia en la DB, lo que la hace una herramienta más
adecuada para manejar grades ontologı́as. 3) La alta escalabilidad y optimización
de consultas, tanto para Minerva como para DLDB-OWL. Sin embargo, Min-
2
http://ontop.inf.unibz.it
3
http://ontotext.com/products/graphdb
4
http://www.cs.ox.ac.uk/isg/tools/RDFox
5
http://www.sesamedatabase.com
128
erva no soporta OWL2, lo cual limita su nivel de expresividad. Tampoco soporta
expresiones de clases en las consultas de usuarios.
Por otro lado, OntoMinD comparte con Minerva la segunda ventaja enun-
ciada en el párrafo anterior, pero no deja claro si soporta OWL2. DBOWL es
un razonador escalable, que soporta razonamiento completo OWL-DL para on-
tologı́as con ABOX bien grandes (billones de instancias). Sin embargo, a pesar
de que está licenciado con licencia GNU-GPL según el sitio oficial de la univer-
sidad de Manchester, no se ha encontrado la manera de descargarlo y utilizarlo
de manera local. Los autores solo brindan la posibilidad de utilizarlo a través de
servicios web. OwlOntDB provee una completa cobertura de razonamiento sobre
ontologı́as en OWL2-RL, no ası́ sobre ontologı́as en OWL2, diferenciándose del
resto de las herramientas analizadas. Sin embargo, no se ha logrado localizar la
herramienta para evaluar su utilización. En [14] se considera la ontologı́a SUMO
(Suggested Upper Merged Ontology, en inglés) como una ontologı́a grande, sin
embargo la misma solo ocupa 36 MB en memoria. En [16] se propone el ra-
zonador Chainsaw para grandes ontologı́as, sin embargo, los propios autores
reconocen que dicho razonador no es capaz de razonar sobre ontologı́as con las
caracterı́sticas mencionadas en este trabajo, debido a que no está preparado para
dividir grandes ontologı́as sin ser cargadas previamente en memoria interna. En
[8] se evalúan los sistemas Sesame Database Manager y DLDB-OWL con la uti-
lización de “Large OWL DataSets”. Los conjuntos de datos pequeños son de 15
ficheros OWL y un total de 8 MB, y los grandes conjuntos de datos poseen 999
y 583 MB. En [10] se propone cierto grado de escalabilidad con más de 100.000
individuos, especificando que el resto de las aplicaciones existentes fallan con esa
cantidad. Solo el caso de DBOWL (billones de individuos) parece ser comparable
con las ontologı́as abordadas en este trabajo en cuanto a cantidad de individuos,
no ası́ en cuanto a tamaño del fichero OWL, pues en la evaluación de DBOWL
realizada en [15] solo utilizan ontologı́as de 100 y 200 MB.
Después de analizar las propuestas de otros autores, se concluye que las
grandes ontologı́as de la mayorı́a de las investigaciones actuales no son com-
parables en cuanto a su dimensión con las ontologı́as que se presentan en este
trabajo, las cuales superan en tamaño a las encontradas en el estado del arte.
En el análisis del estado del arte sobre los sistemas DBBO se identificaron dos
limitaciones fundamentales: 1) La imposibilidad de hacer cambios en las DB a
través de la ontologı́a generada (sólo se permite consultar la DB a través de la
ontologı́a). 2) No están diseñados para soportar ontologı́as arbitrarias en OWL2.
Esta última limitación también es identificada en los sistemas OBDB, unido a
la imposibilidad de trabajar con el concepto de ontologı́a grande dado en esta
investigación.
La solución propuesta en este artı́culo resuelve las limitaciones identificadas,
aunque en cuanto a las potencialidades de razonamiento, solo satisface las condi-
ciones de diseño y necesidades del futuro sistema GIR. Satisfacer todas las posi-
bilidades de razonamiento sobre una ontologı́a OWL2 con las caracterı́sticas
descritas, es un trabajo mucho más extenso y profundo, aunque viable en una
futura investigación y parcialmente abordado en la solución OwlOntDB [6].
129
Fig. 1: Asignación de responsabilidades entre el framework OWLAPI y la Base
de Datos
3. Solución propuesta
3.1. Administración de la ontologı́a
Para lograr que el framework OWLAPI soportara la administración de grandes
ontologı́as fue necesario extraer algunos datos del fichero OWL y almacenarlo en
una DB. En la solución propuesta se decidió extraer del fichero OWL gestionado
por OWLAPI, algunos datos pertenecientes al ABOX y mantener ı́ntegramente
el TBOX de la ontologı́a, de forma similar a los sistemas OBDB analizados. Esto
se hizo con el objetivo de poder utilizar los razonadores en memoria interna en
algunas tareas especı́ficas y ası́ mantener la capacidad de razonamiento sobre la
ontologı́a. Los razonadores existentes están diseñados para realizar procesos de
inferencia solo sobre lo incluido en el fichero OWL de la ontologı́a, fundamen-
talmente sobre el TBOX. Los datos del ABOX almacenados en la DB fueron
las relaciones de objeto expresadas entre pares de individuos (Object Property
Assertion Axioms) y la asignación de valores a las propiedades de datos (Data
Property Assertion Axioms). La Figura 1 ilustra de forma gráfica la asignación
de responsabilidades entre el framework OWLAPI y la DB, en el momento de
gestionar los componentes de la ontologı́a.
Al menos para la ontologı́a geográfica generada en este trabajo, esa modifi-
cación fue suficiente para lograr que el framework OWLAPI y el editor Protégé
cargaran la información restante en el fichero OWL. Sin embargo, ninguno de
los razonadores de memoria interna antes mencionados fue capaz de razonar so-
bre la ontologı́a restante en el fichero OWL, al menos con el hardware utilizado
en esta investigación, debido a que los individuos continúan siendo almacena-
dos en el fichero OWL gestionado por OWLAPI. Debido a la simplicidad de
la información a almacenar en memoria externa, inicialmente se utilizó como
medio de almacenamiento en memoria externa los ficheros. El fichero donde se
almacenaron las relaciones de objeto expresadas entre pares de individuos y la
asignación de valores a las propiedades de datos obtuvo un tamaño de 10 GB.
Al hacer varias pruebas, los autores notaron que el tiempo de acceso a la infor-
mación era demasiado elevado y la frecuencia con la que se debı́a acceder a los
130
Fig. 2: Modelo fı́sico de la DB utilizada
mismos también. Por tal motivo, se decidió utilizar una DB, cuyo modelo fı́sico
se ilustra en la Figura 2. La solución desarrollada consta de los mecanismos nece-
sarios para que las instancias de propiedades puedan ser integradas nuevamente
en su forma tradicional en el fichero OWL, siempre y cuando la memoria interna
del hardware soporte el crecimiento de la ontologı́a.
3.2. Razonando sobre grandes ontologı́as desde OWLAPI
Una vez cargada la ontologı́a grande en el framework OWLAPI era necesario
hacer algunas operaciones sobre ella que exigı́an el uso de los razonadores, lo cual
continuaba siendo una limitación a pesar de las modificaciones realizadas. En este
sentido, se implementaron las operaciones necesarias sin el uso de un razonador
y solo apoyándose en los recursos brindados por OWLAPI. Las operaciones de
inferencia desarrolladas fueron:
1. Buscar las subclases directas e indirectas de una clase.
2. Identificar los individuos directos e indirectos de una clase, teniendo en con-
sideración la equivalencia entre clases y entre individuos.
3. Identificar las clases topes, es decir, las clases que no son subclases de ninguna
clase.
4. Identificar todas las clases equivalentes a una clase, considerando que la
relación de equivalencia es transitiva.
5. Identificar el conjunto de superclases de una clase.
6. Obtener el conjunto de individuos que están relacionados con otro a través
de una propiedad de objeto, teniendo en consideración las caracterı́sticas de
la propiedad de objeto expresada en OWL: simetrı́a, funcional, transitividad,
inversa, equivalencia.
7. Obtener el conjunto de literales asociados a una propiedad de datos para un
individuo en particular.
El Algoritmo 1 muestra el pseudocódigo implementado para obtener la op-
eración de inferencia número uno, formado por dos métodos pertenecientes a la
clase Ontology construida para encapsular el framework OWLAPI.
Algoritmo 1: Algoritmo de la operación de inferencia 1
Entrada : La c l a s e a l a c u a l s e l e b u s c a r á n l a s s u b c l a s e s ( o w l C l a s s ) y l a
c o n d i c i ó n p a r a s a b e r s i l a s s u b c l a s e s a b u s c a r s e r á n d i r e c t a s o
131
indirectas ( direct ).
S a l i d a : Un c o n j u n t o con l a s s u b c l a s e s d e l p a r á m e t r o o w l C l a s s .
Metodo1 :
Set G e t S u b c l a s s N o t R e a s o n e r ( OWLClass o w l C l a s s , b o o l e a n d i r e c t )
Inicio
1 ) C r e a r un c o n j u n t o v a cı́ o de o b j e t o s c l a s e s ( o w l C l a s s e s )
2 ) I n v o c a r y r e t o r n a r e l r e s u l t a d o d e l método G e t S u b c l a s s N o t R e a s o n e r
que e s t á s o b r e c a r g a d o , con l o s p a r á m e t r o s o w l C l a s s , o w l C l a s s e s y d i r e c t
Fin
Metodo2 ( s o b r e c a r g a a l Método 1 ) :
G e t S u b c l a s s N o t R e a s o n e r ( OWLClass OwlClass , Set l i s t R e s u l t ,
boolean d i r e c t )
Inicio
i f ( OwlClass != n u l l ) {
− Guardar en l i s t t o d o s t o d o s l o s axiomas de t i p o s u b c l a s s p a r a l a
s u p e r c l a s e OwlClass .
− Para cada o b j e t o p r e s e n t e en l i s t h a c e r :
A ñadir a l i s t R e s u l t l a s u b c l a s e d i r e c t a que e s t á en cada axioma
almacenado en l i s t .
}
i f ( ! d i r e c t ){ // e s d e c i r , s i p i d e n l a s s u b c l a s e s i n d i r e c t a s
Para cada s u b c l a s e d i r e c t a de OwlClass h a c e r :
− I n v o c a r r e c u r s i v a m e n t e a l método
GetSubclassNotReasoner ( l a subclase , l i s t R e s u l t , d i r e c t )
}
Retornar l i s t R e s u l t
Fin
4. Resultados
A través de la solución expuesta se logró administrar una ontologı́a geográfica
que conceptualiza los lugares geográficos del municipio Marianao, cuya com-
posición y caracterı́sticas se muestran en la Tabla 1. El fichero OWL (sin las
relaciones de objeto expresadas entre pares de individuos) se ha dejado disponible
para la comunidad cientı́fica6 .
Clases 722
Clases equivalentes 12
Relaciones taxonómicas o subclases 954
Individuos 4.665
Relaciones de objeto entre pares de individuos 76.398.888
Propiedades de datos con valor en individuos 102.755
Pares de individuos similares 13.321
Anotaciones 728
Tamaño en memoria externa
15.310 KB
(sin aserciones de propiedades)
Table 1: Caracterización de la ontologı́a geográfica del municipio Marianao
6
http://sinai.ujaen.es/wp-content/uploads/2017/12/
OntoMarianao-OWLfile-2MB.rar
132
En la Tabla 2 se muestran los resultados de las funcionalidades de inferencia
desarrolladas sobre el framework OWLAPI para la ontologı́a de Marianao. En
dicha tabla, la columna Tipo hace referencia al número de operación de razon-
amiento o inferencia mostrada en la Sección 3.2.
Id Consulta Información recuperada Tipo
Subclases 1) aerodrome 2) aiport
directas e
Q1 indirectas En la ontologı́a la clase aiport es subclase 1
de la clase directa de aerodrome y esta a su vez subclase
aeroway directa de aeroway
1) OSM-24047147-26-08 2) OSM-252369011-
Hangar 3) OSM-252369012-Hangar 4) OSM-
259849768-Aerodromo-Ciudad-Libertad 5)
Geo-8554333-Ciudad-Libertad-Airport 6) DB-
Instancias osm new aeroways-2 7) DB-osm new aeroways-3
directas e
Además de lo expuesto en Q1, hay que con-
Q2 indirectas 2y4
de la clase siderar que la clase aeroway es equivalente a
aeroway osm new aeroways. Los 4 primeros resultados
son instancias directas de aeroway. El quinto es
instancia directa de airport, y las dos últimas,
instancias directas de osm new aeroways
Clases Topes
Q3 en la on- 1) SpatialObject 3
tologı́a
Calles que 1) Avenida 51 2) 130 3) 116 4) 128 5) 120 6) 118 ...
cruzan la
Q4 localidad de Se obtuvieron 36 resultados (se muestran 6 6
Los Pocitos ejemplos)
Objetos es- 1) Arroyo Bañabuey 2) Policlı́nico Docente 27 de
paciales en noviembre 3) Plaza de Marianao 4) Los-Pocitos
Q5 6
Los Pocitos 5) Plaza-de-Marianao ...
Superclases 1) boundary 2) GeonameConcept 3) SpatialObject
de Admin-
istrative- La clase AdministrativeBoundary es sub-
Q6 5
Boundary clase de boundary y de GeonameConcept, las
cuales a su vez son subclases de SpatialObject
Table 2: Operaciones realizadas sobre la ontologı́a geográfica generada
133
Todos los experimentos expuestos en este trabajo fueron realizados sobre un
hardware con un CPU Mobile DualCore Intel Core i5-2430M, 2800 MHz (28 x
100) y 4 GB de memoria RAM.
5. Conclusiones
En este trabajo se presenta una extensión del framework OWLAPI que per-
mite la administración y el razonamiento sobre grandes ontologı́as. Las pruebas
realizadas demuestran la viabilidad de la solución para satisfacer las necesidades
de información de un futuro sistema de Recuperación de Información Geográfica.
El resultado obtenido en este trabajo puede ser utilizado en cualquier ámbito
donde se necesite administrar y razonar sobre ontologı́as con las caracterı́sticas
descritas. Como trabajo futuro, se podrı́a aumentar el número de funcionali-
dades implementadas sin la necesidad de un razonador, ası́ como trasladar los
individuos de la ontologı́a hacia la DB.
Agradecimientos
Los autores desean agradecer, de manera especial, los criterios y recomen-
daciones aportadas por el profesor Dr. C. Ignazio Palmisano, de la Universidad
de Manchester, el cual sugirió la realización de este artı́culo a través de uno de
sus comentarios. Igualmente, al profesor Dr. C. Diego Calvanese, de la Facultad
de Ciencias de la Computación de la Universidad de Bozen-Bolzano, por sus
intercambios relacionados con la herramienta Ontop y los sistemas DBBO.
Este trabajo también ha sido parcialmente financiado por el Ministerio de
Economı́a y Competitividad del Gobierno de España, proyecto REDES (TIN2015-
65136-C2-1-R).
References
1. Al-Jadir, L., Parent, C., Spaccapietra, S.: Reasoning with large ontologies stored
in relational databases: The OntoMinD approach. Data Knowl. Eng. 69(11), 1158–
1180 (2010)
2. Bakhtouchi, A.: FGOLD: A Flexible and Graphical Ontology-based Database
Ready for Use. International Journal on Human Machine Interaction 2(2), 32–49
(2015)
3. Calvanese, D., Giese, M., Haase, P., Horrocks, I., Hubauer, T., Ioannidis, Y.,
Jiménez-Ruiz, E., Kharlamov, E., Kllapi, H., Klüwer, J., Koubarakis, M., Lam-
parter, S., Möller, R., Neuenstadt, C., Nordtveit, T., Özcep, O., Rodrı́guez Muro,
M., Roshchin, M., Ruzzi, M., Savo, F., Schmidt, M., Soylu, A., Waaler, A.,
Zheleznyakov, D.: Optique: OBDA Solution for Big Data. In: Poster track of the
Extended Semantic Web Conference (2013)
4. Calvanese, D., Cogrel, B., Komla-Ebri, S., Kontchakov, R., Lanti, D., Rezk, M.,
Rodriguez-Muro, M., Xiao, G.: Ontop: Answering SPARQL queries over relational
databases. Semantic Web 8(3), 471–487 (2017)
134
5. Dehainsala, H., Pierra, G., Bellatreche, L.: Ontodb: An ontology-based database
for data intensive applications. In: Ramamohanarao, K., Krishna, P.R., Mohania,
M.K., Nantajeewarawat, E. (eds.) DASFAA. Lecture Notes in Computer Science,
vol. 4443, pp. 497–508. Springer (2007)
6. Faruqui, R.U., MacCaull, W.: OwlOntDB: A Scalable Reasoning System for OWL
2 RL Ontologies with Large ABoxes. In: Weber, J., Perseil, I. (eds.) FHIES. Lecture
Notes in Computer Science, vol. 7789, pp. 105–123. Springer (2012)
7. Franconi, E., Guagliardo, P.: The view update problem revisited. CoRR
abs/1211.3016 (2012)
8. Guo, Y., Pan, Z., Heflin, J.: An Evaluation of Knowledge Base Systems for Large
OWL Datasets. In: Proc. of the International Semantic Web Conference (ISWC).
pp. 274–288 (2004)
9. Horridge, M., Bechhofer, S.: The OWL API: A Java API for OWL ontologies.
Semantic Web 2(1), 11–21 (2011)
10. Horrocks, I., Li, L., Turi, D., Bechhofer, S.: The Instance Store: DL Reasoning
with Large Numbers of Individuals. In: Haarslev, V., Möller, R. (eds.) Description
Logics. CEUR Workshop Proceedings, vol. 104. CEUR-WS.org (2004)
11. Kiryakov, A., Ognyanov, D., Manov, D.: OWLIM - A Pragmatic Semantic Repos-
itory for OWL. In: Dean, M., Guo, Y., Jun, W., Kaschek, R.H., Krishnaswamy, S.,
Pan, Z., Sheng, Q.Z. (eds.) WISE Workshops. Lecture Notes in Computer Science,
vol. 3807, pp. 182–192. Springer (2005)
12. Laallam, F.Z., Kherfi, M.L., Benslimane, S.M.: A survey on the complementarity
between database and ontologies: principles and research areas. IJCAT 49(2), 166–
187 (2014)
13. Pan, Z., Heflin, J.: DLDB: Extending Relational Databases to Support Semantic
Web Queries. In: In PSSS. pp. 109–113 (2003)
14. Pease, A., Schulz, S.: Knowledge Engineering for Large Ontologies with Sigma
KEE 3.0. In: Demri, S., Kapur, D., Weidenbach, C. (eds.) IJCAR. Lecture Notes
in Computer Science, vol. 8562, pp. 519–525. Springer (2014)
15. Roldán Garcı́a, M., Aldana Montes, J.: Evaluating DBOWL: A Non-materializing
OWL Reasoner based on Relational Database Technology. In: Horrocks, I., Yatske-
vich, M., Jiménez-Ruiz, E. (eds.) ORE. CEUR Workshop Proceedings, vol. 858.
CEUR-WS.org (2012)
16. Tsarkov, D., Palmisano, I.: Chainsaw: a metareasoner for large ontologies. In: Hor-
rocks, I., Yatskevich, M., Jiménez-Ruiz, E. (eds.) ORE. CEUR Workshop Proceed-
ings, vol. 858. CEUR-WS.org (2012)
17. Zhou, J., Ma, L., Liu, Q., Zhang, L., Yu, Y., Pan, Y.: Minerva: A Scalable OWL
Ontology Storage and Inference System. In: ASWC. pp. 429–443 (2006)