1 OWL-Ontologieabgleich Can Kayalı Hybride, partielle für Dienstselektierung im semantischen Web.

Präsentation zum Thema: "1 OWL-Ontologieabgleich Can Kayalı Hybride, partielle für Dienstselektierung im semantischen Web."—  Präsentation transkript:

1 1 OWL-Ontologieabgleich Can Kayalı Hybride, partielle für Dienstselektierung im semantischen Web

2 2 Inhalt Einführung –OWL und OWL-S –Semantischer Dienstabgleich OWLS-MX Ontologieabgleich OWLS-MX 2.0 Zusammenfassung

3 3 OWL und OWL-S http://www.daml.org/services/owl-s/1.1/ Datum Ticketkauf GeldFlugticket Ort Fahrzeug AutoFahrrad Thing Geld kostet meinBMX http://www.w3.org/TR/owl-features

4 4 Semantischer Dienstabgleich Matchmaker Anfrage GeldFahrzeug Inserate (advertisements) Inserate (advertisements) Inserate (advertisements) Inserate (advertisements) Inserate Treffer GeldAuto Treffer GeldFahrzeug AutoFahrrad Thing Geld kostet Quittung

5 5 Inhalt Einführung –OWL und OWL-S –Semantischer Dienstabgleich OWLS-MX Ontologieabgleich OWLS-MX 2.0 Zusammenfassung

6 6 OWLS-MX Ansatz Abgleichfilter –exact –plug-in –subsumes –subsumed_by –nearest_neighbour Erst logischer Abgleich; danach Fehlerkorrektur mittels syntaktischer Analyse Automated Semantic Web Service Discovery with OWLS-MX, Klusch et. al Syntaktische Filter werden ebenfalls verwendet Anfrage Dienst subsumed_by 0,85

7 7 OWLS-MX Ansatz

8 8 OWLS-MX Nachteile Gründe für false positives Granularität Kein 1-1-Abgleich von Konzepten Nichtabgeglichene Konzepte werden nicht analysiert Nur Signaturabgleich Gründe für false negatives Granularität Ausschließlich Subsumptionsbeziehung Thing LebewesenSatellitenschüsselreiniger Elefant Afrikanischer Elefant Rüsseltier Asiatischer Elefant Wald- elefant Deutsche SaarländerPfälzer Menschen Japaner Addition Zahl Subtraktion Zahl Negation Addition Zahl Autovermieten Autoverkauf AutoGeld AutoGeld Datum

9 9 Inhalt Einführung –OWL und OWL-S –Semantischer Dienstabgleich OWLS-MX Ontologieabgleich OWLS-MX 2.0 Zusammenfassung

10 10 Ontologieabgleich neu Heterogenität von Ontologien –Verschiedene Sprachen, Terminologien, Modellierungen –Ontology matching, alignment, mapping, merging –An analysis of Ontology Mismatches; Heterogenity versus Interoperability, Visser et. al Systeme –COMA++, Anchor-Prompt, OLA,... Surveys, Bücher –Ontology Matching Contests (OAEI) ISWC, ESWC www.ontologymatching.org neu

11 11 Ähnlichkeit Elementebene –Stringbasiert: Edit distance, N-grams, prefix, suffix z.B. yznisch - zynisch –Sprachbasiert: Stemmer, Wortart z.B. go - going –Bedingungsbasiert: Datentypvergleich z.B. 9/11 – 11. September –Bedeutungsbasiert: WordNet-Hierarchiedistanz z.B. Auto - Fahrzeug –Spezifische Thesauri: Abkürzungen, Domänenspezifisches Wissen z.B. ROI Features of Similarity, Tversky Simpack: A Generic Java Library for Similiarity Measures in Ontologies, Bernstein et al.

12 12 Ähnlichkeit von Konzepten Fahrzeug AutoFahrrad Thing Geld CabrioSteilheck Ontology-Based Similarity Between Text Documents on Manifold, Shadbolt et al.

13 13 Inhalt Einführung –OWL und OWL-S –Semantischer Dienstabgleich OWLS-MX Ontologieabgleich OWLS-MX 2.0 Zusammenfassung

14 14 Ähnlichkeit von Diensten Ähnlichkeitsmetriken für Diensten Personalisiert, syntaktisch (Cosinus, LOI, Jensen-Shannon) Ähnlichkeiten von Konzepten kombinieren –Bipartite Graphen, maximum matching [Karp 74] –Eingabeabgleich, Ausgabeabgleich, Aggregation messFieber Fieber Person Krankenhaus Arzt HerzFq FieberPatient Krankenhaus Chirurg Pyrexia

15 15 Bipartiter Abgleich sim(R,S) Ähnlichkeiten größer als einem Schwellenwert werden berechnet Maximaler Abgleich wird berechnet Abgleichwert wird berechnet als Abgleichergebnis / Anzahl abgeglichener Kanten (2,6 / 3 = 0,87) Person Patient Kranken haus Kranken haus ArztChirurg 1,0 0,9 0,7 Person Patient Kranken haus Kranken haus ArztChirurg 1,0 0,9 0,7 0,8 0,6 Ausgabekonzepten werden auch dementsprechend abgeglichen Beide Ergebnisse sind aggregiert: result = ¢ inputresult + ¢ outputresult + = 1 (z.B. 0,5 ¢ 0,87 + 0,5 ¢ 0.9 = 0,8895) HerzFq Pyrexia 0.9 0,6 Fieber HerzFq Pyrexia 0,9 Fieber

16 16 Bipartiter Abgleich degree(R,S) Die terminologischen Beziehungen zwischen den Eingabekonzepten werden berechnet Maximaler Abgleich wird berechnet (equal > LSC > subsumes) Abgleichwert ist die minimale Kantenwert wenn alle grüne Kanten abgeglichen sind. (Ausnahme bei partiellem Abgleich) Person Patient Hospital DoctorSurgeon equal LSC Person Patient Hospital DoctorSurgeon equal LSC Ausgabekonzepten werden dementsprechend abgeglichen Beide Ergebnisse sind aggregiert: result = min(resin, resout) (z.B. min(LSC, equal) = LSC) HeartFq Pyrexia equal Fever HeartFq Pyrexia equal Fever

17 17 Partieller Abgleich Wähle 2 [0,1] Matchmaker toleriert einen Nichtabgleich von maximal der Konzepte Die Gruppenähnlichkeit von den nicht abgeglichenen Konzepten zu den abgeglichenen Konzepten ist das Abgleichergebnis Wenn = 1, dann purer logischer Abgleich für die logischen Filter Wenn = 0, dann kein logischer Abgleich, nur hybride Ähnlichkeiten werden verwendet

18 18 Hybrider Abgleich Ähnlichkeitsmetriken sind: –Syntaktische Ähnlichkeit –Eigenschaftsbasierte Ähnlichkeit –Ontologie-Distanz –WordNet-Ähnlichkeit –…

19 19 OWLS-MX 2.0 Screenshot

20 20 OWLS-MX 2.0 Gegeben: Ontology O, Anfrage R, Menge von Diensten D,,, Matchermenge M Gesucht: relevante Dienste 2 D 8 S 2 D berechne relaxierte degree(r,s) Für hybride Filter berechne sim(r,s) Ordne die Ergebnisse nach Grad und Wert

21 21 Inhalt Einführung –OWL und OWL-S –Semantischer Dienstabgleich OWLS-MX Ontologieabgleich OWLS-MX 2.0 Zusammenfassung

22 22 Relevante Arbeiten Dienstselektierung: –OWL-S/UDDI Matchmaker (CMU) –OWLSM (TU Berlin) –Automatic Composition and Selection of Semantic Web Services, Springer LNCS Ontologieabgleich: –COMA++ (U Leipzig) –Anchor/PROMPT (Stanford) –OLA (INRIA Rhône-Alpes/Université de Montreal) –Ontology Matching, Euzenat, Shvaiko –A Survey of Schema-based Matching Approaches, Euzenat, Shvaiko –Semantic Integration: A Survey of Ontology-based Approaches, Noy –Ontology Mapping: The State of the Art, Kalfoglou, Schorlemmer

23 23 Zusammenfassung Partielle Abgleiche werden erlaubt um die Ausbeute zu erhöhen Hybride Filter tendieren dazu, die Genauigkeit zu erhöhen Bessere Genauigkeit und Ausbeute Gute Basis für Personalisierung nach Präferenzen, vergangenen Aktionen Kompliziert Semantische Kombination von Ähnlichkeitsmetriken

24 241 FIN