© 2003 ontoprise GmbH Semantisches Knowledge Retrieval am Beispiel des SemanticMiner™ WM2003 Luzern, 03.04.2003 Eddie Mönch

© 2003 ontoprise GmbH

Semantisches Knowledge Retrievalam Beispiel des SemanticMiner™WM2003 Luzern, 03.04.2003

Eddie Mönch

2© 2003 ontoprise GmbH

Agenda – Semantisches Knowledge Retrieval

• Wissensmodelle• Knowledge Retrieval• Kollokationsanalyse


Wissensmodelle

Ontologien

TopicMaps

extended ER-Modell

Thesauri

Prädikatenlogik

Semantische Netze

Taxonomien

Menu


TaxonomieObjekt

Person Thema Dokument

AkademikerStudent Semantik

OntologieDoktorand

Taxonomie := Segmentierung, Klassifikation und Einordnung von Elementen in ein Kategoriensystem anhand ihrer definierten Beziehungen zueinander

PhD Student F-Logic

Menu


ThesaurusObjekt



PhD StudentDoktorand

• Terminologie zu best. Domäne, keine Instanzen• Graph mit Primitiven, 2 feste Relationen (ähnlich, Synonym) • kommen ursprünglich aus der Bibliographie

ähnlichSynonym

OntologieF-Logic

Menu


Topic MapObjekt




kennt behandelt_in

schreibt

NameAlter

• Topics (Knoten), Relationen und Occurences (zug. Dokumenten)• ISO-Standard• meist für Navigation- und Visualisierung eingesetzt

OntologieF-Logic

ähnlichSynonym

Menu


Ontologie (in unserem Sinne)Objekt



Ontologie

NameAlter


kennt behandelt_in

schreibt

ähnlich

F-Logic

Synonym

Menu




AkademikerStudent Semantik Ontologie

NameAlter


kennt behandelt_in

schreibt

behandelt_in zu_Thema

kenntP schreibt D zu_Thema T P T

DT T D

Regeln

ähnlich

F-Logic

Unterthema

York Sure

York31

• Repräsentationssprache: Prädikatenlogik, nämlich F-Logic,• entstehende Standards sind: RDF, DAML+OIL, OWL

Menu





NameAlter


kennt behandelt_in

schreibt

behandelt_in zu_Thema

kenntP schreibt D zu_Thema T P T

DT T D

Regeln

ähnlich

F-Logic

Unterthema

York Sure

York31

• Repräsentationssprache: Prädikatenlogik, nämlich F-Logic,• entstehende Standards sind: RDF, DAML+OIL, OWL

Menu






F-Logic

A

B C Drel2 rel1

rel3

• Mapping auf Datenbanken und andere Ontologien• Instanzen werden bei Bedarf angefragt

Menu


Abgrenzung gegenüber relationalen Datenbanken

Relationale Datenbank Ontologie

Regeln

Vererbung

Veränderung der Struktur

Nicht möglich, muss in Applikation einprogrammiert werden

auf beliebiger Abstraktionsebene möglich

Nicht möglich, muss in Applikation einprogrammiert werden

Applikation muss geändert werden

Regel gilt für alle Unterkonzepte

Modell wird angepasst, Applikation muss nicht angepasst werden.

Menu





&Vom Information- zum Knowledge Retrieval

• Gemeinsame Begrifflichkeit

• Logische Regeln

Knowledge Retrieval

Information Retrieval

SEMANTIK

WIR

KLIC

HKE

IT A

NSP

RUCH

FRAGE: Which Operating Systems are supported by this Tool?

ANTWORT


&Vom Information- zum Knowledge-Retrieval

• Gemeinsame Begrifflichkeit

• Logische Regeln

Knowledge Retrieval


SEMANTIK

Knowledge Retrieval

• Semantische Netze• Ontologien• TopicMaps

WIR

KLIC

HKE

IT A

NSP

RUCH

Information Retrieval ++

• Vorhandene Strukturen einbinden

• Lösungen für Kernprozesse


Bewertung von Retrieval-Systemen

Dokumentenbestand

Anzahl aller relevanten

Dokumente |(I)|

Anzahl aller gefundenen

Dokumente |(I)|

Anzahl aller relevanten, gefundenen Dokumente

|(q,I)|

• Recall = |(q,I)| / |(I)|• Precision = |(q,I)| / |(I)|


Bewertung des Knowledge Retrieval

Entwicklung der IR-Systeme „stagniert“ seit den letzten 5 Jahren (siehe TREC-Konferenzen)

Effiziente Verbesserung durchOntologie-basierten Query-Expansion Ansatz: Verbesserung von Recall

– es werden mehr relevante Dokumente gefunden Verbesserung der Precision

– Durch spezielles Ranking-Verfahren werden relevantere Dokumente hoch gerankt Erhöhung der „subjektiven Precision“,

da Benutzer nur ca. max. 20-30 der gefundenen Dokumente durchschauen


Beispiel einer Query Expansion


Navigation & Integration





Kollokationsanalyse

• Kollokation (in unserem Sinne):Signifikantes Vorkommen zweier Muster (Wortformen) in einem gemeinsamen Kontext (unmittelbare Nachbarschaft)

• Kollokationsanalyse– Statistischer Ansatz (nicht syntaktisch)– Nachbarschaftskollokation

• Beispiel(Hund : bellen), (dunkel : Nacht)


Anwendung der Kollokationsanalyse

Integration (semi)strukturierter Daten:• Bildung der Kollokation von

(Suchbegriffe+Query Expansion : Daten)• Signifikanzmaß gibt Antwort auf Fragestellung:

Welche Unternehmen sind im Multimedia Markt tätig?

Wer kennt sich mit dem SemanticMiner aus?


SemanticMiner Architektur – modular

DBMS Index-server

WWWSearchEngines

Clients

Semantic Middleware

Data Sources

SemanticMiner(Wissensprozess)

Zope

Ontology-Server(frontside cached)

WWW-BrowserOntoEdit™


Web-Application Server

SemTalk

Search-Server(distributed)

Web-service interface Middleware

eMail

Wissensmetaprozess


Ausblick• Verbesserung des KR

– Clustering, Klassifikation der Ergebnisse• (semi)automatische Ontologie-Erweiterung

– Kollokationsanalyse• Ergebnisse für Ontologie-Erweiterung

z.B. Zuordnung von Begriffen zu Sachgebieten einer Ontologie (Kohyponyme) ([Konzept] : X)

• Ermittlung von Synonymen• Lernen von Relationen

– Adaptive Informations-Extraktion– Kombination verschiedener Extraktionsverfahren

• Anbindung neuer Datenquellen (Konnektoren)(PubMed, Morphologische Komponente, …)

• Integration in vorhandene IT-Systeme / Portale• … Vorschläge ?


Vielen Dank für Ihre Aufmerksamkeit!

www.ontoprise.de

Documents

© 2003 ontoprise GmbH Semantisches Knowledge Retrieval am Beispiel des SemanticMiner™ WM2003 Luzern, 03.04.2003 Eddie Mönch