1

OWL-Ontologieabgleich

Can Kayalı

Hybride, partielle

für Dienstselektierungim semantischen Web

2

Inhalt

• Einführung – OWL und OWL-S– Semantischer Dienstabgleich

• OWLS-MX

• Ontologieabgleich

• OWLS-MX 2.0

• Zusammenfassung

3

OWL und OWL-S

http://www.daml.org/services/owl-s/1.1/

DatumTicketkaufTicketkauf

Geld Flugticket

Ort

Ort

Fahrzeug

Auto Fahrrad

Thing

Geldkostet

meinBMX

http://www.w3.org/TR/owl-features

4

Semantischer Dienstabgleich

MatchmakerMatchmakerAnfrageAnfrage

Geld Fahrzeug Inserate(advertisements)

Inserate(advertisements)Inserate(advertisements)

Inserate(advertisements)InserateInserate

TrefferTreffer

Geld Auto

TrefferTreffer

Geld Fahrzeug

Fahrzeug

Auto Fahrrad

Thing

Geldkostet

Quittung

5

Inhalt

• Einführung – OWL und OWL-S– Semantischer Dienstabgleich

• OWLS-MX

• Ontologieabgleich

• OWLS-MX 2.0

• Zusammenfassung

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

AnfrageAnfrage DienstDienstsubsumed_by

0,85

7

OWLS-MX Ansatz

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

Lebewesen SatellitenschüsselreinigerElefant

AfrikanischerElefant

Rüsseltier

AsiatischerElefant

Wald-elefant

Deutsche

Saarländer Pfälzer

Menschen

Japaner

AdditionAdditionZahl

Zahl

Zahl

SubtraktionSubtraktionZahl

Zahl

Zahl

NegationNegation

AdditionAdditionZahl

Zahl

Zahl

Zahl Zahl

AutovermietenAutovermieten

AutoverkaufAutoverkaufAuto Geld

Auto Geld

Datum

9

Inhalt

• Einführung – OWL und OWL-S– Semantischer Dienstabgleich

• OWLS-MX

• Ontologieabgleich

• OWLS-MX 2.0

• Zusammenfassung

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

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

Ähnlichkeit von Konzepten

Fahrzeug

Auto Fahrrad

Thing

Geld

Cabrio Steilheck

Ontology-Based Similarity Between Text Documents on Manifold, Shadbolt et al.

13

Inhalt

• Einführung – OWL und OWL-S– Semantischer Dienstabgleich

• OWLS-MX

• Ontologieabgleich

• OWLS-MX 2.0

• Zusammenfassung

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

messFiebermessFieberFieberFieberPerson

Krankenhaus

Arzt

HerzFq

Fieber Patient

Krankenhaus

Chirurg

Pyrexia

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

Krankenhaus

Krankenhaus

Arzt Chirurg

1,0

0,9

0,7Person

Patient

Krankenhaus

Krankenhaus

Arzt Chirurg

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

Pyrexia0.9

0,6

Fieber

HerzFq

Pyrexia0,9

Fieber

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

Hospital

Doctor Surgeon

equal

LSC

LSCPerson

Patient

Hospital

Hospital

Doctor Surgeon

equal

LSC

LSC

LSC

• Ausgabekonzepten werden dementsprechend abgeglichen

• Beide Ergebnisse sind aggregiert:result = min(resin, resout) (z.B. min(LSC, equal) = LSC)

HeartFq

Pyrexiaequal

Fever

HeartFq

Pyrexiaequal

Fever

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

Hybrider Abgleich

• Ähnlichkeitsmetriken sind:– Syntaktische Ähnlichkeit– Eigenschaftsbasierte Ähnlichkeit– Ontologie-Distanz– WordNet-Ähnlichkeit– …

19

OWLS-MX 2.0 Screenshot

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

Inhalt

• Einführung – OWL und OWL-S– Semantischer Dienstabgleich

• OWLS-MX

• Ontologieabgleich

• OWLS-MX 2.0

• Zusammenfassung

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

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

241

FIN