=Paper=
{{Paper
|id=Vol-2228/abstract1
|storemode=property
|title=Classificação Automática via Ontologias: um Estudo Preliminar sobre Raciocínio Humano e Lógica Descritiva(Automatic Classification via Ontologies: a Preliminary Study on Human Reasoning and Descriptive Logic)
|pdfUrl=https://ceur-ws.org/Vol-2228/abstract1.pdf
|volume=Vol-2228
|authors=Eduardo Ribeiro Felipe,Mauricio Barcellos Almeida
|dblpUrl=https://dblp.org/rec/conf/ontobras/FelipeA18
}}
==Classificação Automática via Ontologias: um Estudo Preliminar sobre Raciocínio Humano e Lógica Descritiva(Automatic Classification via Ontologies: a Preliminary Study on Human Reasoning and Descriptive Logic)==
https://ceur-ws.org/Vol-2228/abstract1.pdf
Classificação automática via ontologias: um estudo
preliminar sobre raciocínio humano e lógica descritiva
Eduardo Ribeiro Felipe 1
Mauricio Barcellos Almeida 1
1
Programa de Pós-Graduação em Gestão & Organização do Conhecimento
Universidade Federal de Minas Gerais (UFMG)
Belo Horizonte – MG – Brasil
erfelipe@ufmg.br mba@eci.ufmg.br
Abstract. This paper presents an ongoing PhD project, which will be
submitted to the examination board in February 2020, whose research
question involves automatic classification via ontologies and human reasoning
in description logics. The present research aims to investigate the
classification in reasoners and compare it, from an empirical perspective, to
results of human classification still very common in Information Science. At
this moment, we extract some fragments from the literature that lists common
problems people confront in modeling with description logics, and the
methodology we will use to test the problems and suggest improvements.
Resumo. Esse artigo é resultado parcial de tese em andamento, com previsão
de defesa em fevereiro de 2020, cujo problema de pesquisa envolve a
classificação automática via ontologias. A presente pesquisa visa investigar a
classificação em motores de inferência e compará-la de forma empírica com
resultados de classificação manual, processo ainda comum em Ciência da
Informação. Nesse momento, extraímos fragmentos da literatura que listam
problemas comuns que as pessoas enfrentam ao modelar com lógica
descritiva, além de apresentar a metodologia que deve ser aplicada para
testar tais problemas e sugerir melhorias.
1. Introdução
As ontologias são utilizadas na representação do conhecimento e foram popularizados
pela “Web Semântica”. Naquele contexto, computadores deveriam manipular conteúdos
de forma semântica e realizar inferências [Berners-Lee et al., 2006]. A tecnologia
buscava sistemas computacionais capazes de extrair conexões de diversas fontes de
dados, estruturadas ou não, permitindo a produção de conteúdo não estático.
As lógicas descritivas (LDs) têm sido as linguagens mais usadas para a
construção de ontologias. O desenvolvimento dos padrões OWL (Web Ontology
Language) impulsionou ainda mais esse uso em função de razoável balanço que
oferecem entre capacidade de expressão e capacidade de computação. No entanto, LDs
são difíceis de compreender e trabalhar, especialmente, para usuários de ontologia que
não são cientistas da computação e que não possuem treinamento em lógica. A sintaxe
OWL Manchester foi desenvolvida para tornar as lógicas mais acessíveis ao adotar
palavras-chave em inglês no lugar de símbolos lógicos. Ainda assim, as LDs continuam
a apresentar dificuldades, mesmo quando representados na sintaxe de Manchester. A
literatura relata diversas investigações sobre quais características das LDs causam
dificuldades, como por exemplo, o contexto de entender como uma implicação decorre
de uma justificação (o subconjunto mínimo da ontologia suficiente para tal vinculação
se manter). No entanto, tem havido pouca pesquisa para relacionar essas dificuldades a
como as pessoas naturalmente raciocinam e usam a linguagem, para fins de modelagem.
O presente trabalho se insere nesse contexto e é parte de uma pesquisa de
doutorado em andamento, com previsão de defesa para fevereiro de 2020, cujo objetivo
geral é entender as dificuldades que as pessoas experimentam ao usar LDs para criar,
editar e avaliar ontologias, de forma a mitigar tais dificuldades. Os objetivos específicos
são: a) construção de um software para interface com os motores de busca e inferência
automática, b) criação de questionários e questões para comparação, c) submissão da
mesma ontologia a estudantes de pós-graduação que trabalham com ontologias, d)
comparação de resultados na classificação automatizada versus manual.
2. Classificação
Classificar remete a identificar e discernir características que tornem a entidade
pertencente a determinado agrupamento. Este processo é feito de forma a permitir o
reconhecimento por meio de características essenciais, que possibilitem a criação de um
modelo descritivo das entidades ou conjunto delas.
Assim, o processo de classificação resulta em grupos conceituais genericamente
denominados “classes”. Com as classes é possível organizar a informação de forma
hierárquica e permitir que a especificidade de suas características seja evidenciada em
subclasses. O ato de classificar, na CI, foi considerado por muitos anos um ato de
“arrumação sistemática” [Barbosa, 1969], ou seja, realizar “um processo mental pelo
qual coisas, são reunidas segundo as semelhanças ou diferenças que apresentam. Esta
definição corrobora com Vickery (1975) e Simões (2011) que destacam o agrupamento
por identificação de características comuns e sua separação por diferença.
No contexto da Ciência da Informação, o processo de classificação está
diretamente ligado a organização de um acervo bibliográfico e sua recuperação. Com o
advento da digitalização, o acervo é hoje digital, o que demanda o aprimoramento de
recursos existentes, além do desenvolvimento de novas técnicas que permitam
classificar conteúdos eletrônicos de forma automatizada como tem demonstrado a
proposta do aprendizado de máquina.
3. Mecanismos de inferência
Na concepção da World Wide Web, o nível de representação permitiria que a
informação fosse interpretada por agentes computacionais (algoritmos) e possibilitasse
melhorias na recuperação da informação.
A tecnologia RDF foi uma das primeiras respostas na busca por expressividade
para a Web Semântica. Sua estrutura compreende em três componentes básicos: subject
(assunto), predicate (predicado) and object (objeto), formando o que se convencionou
chamar de tripla [Powers, 2003]. Uma tripla é um fato, uma declaração (assertion), e
pode ser conectada a outras triplas formando uma corrente de conexões, ampliando um
modelo de representação do conhecimento.
O RDF Schema (RDFS), que consiste de um vocabulário de modelagem de
dados para dados em RDF” (W3C), fornece os recursos necessários para descrever
objetos e propriedades de um esquema de um domínio específico [Powers, 2003]. Em
seguida, a fim de permitir maior expressividade e suporte à inferência por reasoners, foi
criada a Web Ontology Language (OWL). OWL é uma lógica descritiva, subconjunto
da Lógica de Primeira Ordem. Nem tudo que é escrito em OWL é necessariamente uma
ontologia, e nem toda ontologia é representada em OWL [Rector, Sottara, 2014].
Neste contexto, os reasoners realizam inferências sobre a estrutura da ontologia
criada a fim de adicionar conhecimento novo à mesma [Motik et al., 2009].
Rector et al. (2004) relacionaram os principais problemas enfrentados por alunos
ao se utilizar as LDs para modelagem:
1. Tendência em assumir que “only” (universal) apenas implica “some”
(existencial);
2. Confusão entre “and” e “or”;
3. A combinação de 1 e 2, com o uso de “and” entre a criação de classes disjuntas;
4. Confusão entre “P some (not X)” e “not (P some X)”.
4. Metodologia
A metodologia de pesquisa envolve os seguintes passos: i) construção de um aplicativo
para processamento de inferências acessível a usuários não conhecedores de lógica; ii)
identificação de padrões de modelagem em LD e raciocínio associado; iii) aplicação de
questionários; iv) estudo dos resultados e propostas para mitigar os problemas
encontrados.
4.1 - Construção de software com interface gráfica, de alto nível para permitir a
execução do reasoner
Embora o reasoner possa funcionar em um editor de OWL como, por exemplo, o
Protégé, este trabalho pretende possibilitar seu funcionamento utilizando uma interface
web, para permitir o uso por não especialistas em ontologias, realidade comum na CI.
Nesta etapa o algoritmo de reasoner deve realizar as inferências, gerando como
resultado uma ontologia acrescida de novos termos e/ou declarações. Uma camada
voltada para visualização também deve ser desenvolvida ou adequada ao projeto,
permitindo a navegação pelo usuário em classes e relações. Neste momento da pesquisa,
foi identificada a ferramenta WebVOWL [Lohmann, 2014] que apresenta a ontologia
em formato gráfico utilizando uma conversão do formato OWL em JSON.
4.2 - Identificação de padrões de modelagem em LD e raciocínio associado
Para identificar as dificuldades das pessoas em lidar com LDs, valeu-se de pesquisas já
realizadas e disponíveis na literatura. No presente momento da pesquisa, adota-se um
extrato da análise de padrões de conteúdo proposta por Khan e Blomqvist (2010). Os
autores identificaram padrões de conteúdo mais comuns. A tabela 1 inclui as
características encontradas nesses padrões (exceto de propriedades de dados e restrições
de cardinalidade).
Tabela 1 – Características das LDs mais comuns
Caraterística da linguagem Manchester OWL Syntax
Características subsunção SubClassOf
de Classes equivalencia de classes EquivalentTo
disjunção classes DisjointWith
asserção de classes Type
conjunção and
disjunção or
complemento not
Características faixa Range
de Propriedades dominio Domain
hieraquia SubPropertyOf
propriedades inversas InverseOf
propriedades transitivas Characteristics: Transitive
propriedades funcionais Characteristics: Functional
Propriedades simétricas Characteristics: Symmetric
Restrição Universal some
Restrições
Restrição Existencial only
Adaptado de Khan and Blomqvist (2010).
Tabela 2 – Padrões para componentes
Class Object SubClassOf has component only Object
SubClassOf is_component_of only Object
Property has_part Characteristics Transitive
Property is_part_of Characteristics Transitive
InverseOf has_part
Property has_component SubPropertyOf has_part
Property is_component_of SubPropertyOf is_part_of
InverseOf has_comp
Tabela 3 – Questões para raciocínio (padrão componentes)
A has_component B
B has_component C
⇒ A has_part C
Tabela 4 – Passos para o raciocínio (padrão componentes)
Passo número: Raciocínio
A tem-component B;
1 tem-componente SubPropertyOf has_part;
⇒ A has_part B
B tem_componente C;
2 tem-componente SubPropertyOf has_part
⇒ B has_part C
has_part Characteristics Transitive;
3 A has_part B [1]; B has_part C [2]
⇒ A has_part C
4.3 Aplicação de questionários
Os questionários estarão no próprio site junto ao mecanismo de inferência, e devem
conter pelo menos os seguintes dados:
§ Tempo de resposta;
§ Conhecimento de lógica;
§ Número de passos de raciocínio;
§ Validade e precisão;
§ Dificuldades registradas;
§ Comparação.
Nesta etapa uma interface gráfica deve permitir que o usuário possa discernir a
ontologia original, a fim de permitir comparações, análises e declarações. Esta interface
poderá utilizar outros softwares como, por exemplo, WebVOWL ou utilizar estruturas
hierárquicas como TreeView, viabilizando alternativas a uma representação puramente
textual.
4.4 Análise dos resultados
Uma vez analisados os resultados obtidos nos passos anteriores por meio de um
procedimento de comparação entre os processos manuais e automatizados, passa-se a
uma avaliação do que pode ser feito no sentido de mitigar as dificuldades encontradas e
auxiliar usuários leigos na modelagem e consultas.
5. Considerações finais
Neste momento da pesquisa, o software para submissão da ontologia em OWL para o
reasoner encontra-se em estágio funcional de desenvolvimento, apresentando como
resultado um novo arquivo OWL contendo as definições e inferências geradas pelo
algoritmo de reasoner.
O software já aborda as seguintes funcionalidades e características: a) permite a
manipulação de uma ontologia em OWL ou RDFS e exibe sua visualização textual; b)
realiza a validação da ontologia a fim de verificar o funcionamento do algoritmo do
reasoner; c) submete a ontologia ao reasoner e grava um novo arquivo contendo uma
nova ontologia, adicionada de suas inferências.
Espera-se com este trabalho contribuir com o aprimoramento e disseminação das
ontologias na CI, expandindo a utilização de reasoners para aplicações no âmbito da
classificação automática e para o entendimento das dificuldades experimentadas pelas
pessoas ao lidar com a modelagem em lógica descritiva.
Referências
BARBOSA, A. P. Teoria e prática dos sistemas de classificação bibliográfica. 1969.
BERNERS-LEE, T.; HANDLER, J.; LASSILA, O. The Semantic Web. Disponível
em: . Acesso em: 15 abr. 2018.
KHAN, M. T., BLOMQVIST, E. (2010). Ontology design pattern detection-initial
method and usage scenarios. In SEMAPRO 2010, The Fourth International
Conference on Advances in Semantic Processing (pp. 19–24).
LOHMANN, S. et al. WebVOWL: Web-based Visualization of Ontologies.
Knowledge Engineering and Knowledge Management. Springer, Cham, 24 nov.
2014 Disponível em: . Acesso em: 9 abr. 2018
MOTIK, B., PATEL-SCHNEIDER, P.F., Parsia, B., 2009. OWL 2 Web Ontology
Language Profiles. Available from: .
POWERS, S. Practical RDF. Beijing; Sebastopol: O’Reilly, 2003.
RECTOR, A., DRUMMOND, N., HORRIDGE, M., ROGERS, J., KNUBLAUCH, H.,
Stevens, R., … WROE, C. (2004). OWL pizzas: Practical experience of teaching
OWL-DL: Common errors & common patterns. In Engineering Knowledge in the
Age of the Semantic Web (pp.63–81). Springer.
RECTOR, A.; SOTTARA, D. Formal Representations and Semantic Web
Technologies. In: Clinical Decision Support. [s.l.] Elsevier, 2014. p. 551–598.
SIMÕES, M. DA G. Classificações bibliográficas: percurso de uma teoria. Coimbra:
Almedina, 2011.
SINGH, S.; KARWAYUN, R. A Comparative Study of Inference Engines. IEEE,
2010 Disponível em: . Acesso em: 3
abr. 2018.
VICKERY, B. C. Ontologies. Journal of Information Science, v. 23, n. 4, p. 277–286,
ago. 1997.