Modelos de Conocimiento Basados en Ontologías para la ...

More documents

Recommendations

Info

Capítulo 3. Representación del conocimiento y ontologías ontología diferentes esquemas de representación de datos e información (Lassila y McGuinness, 2001). Los diccionarios, tesauros, etc, son considerados ontologías en algunos ámbitos. Se han acuñado términos como ontología ligera (lightweight ontology) para definir una jerarquía simple de conceptos (por citar un ejemplo). De este modo, atendiendo al tipo de construcciones conceptuales que contienen, se podrían encontrar diferentes tipos de “estructuras parecidas a ontologías” (McGuinness, 2003). La noción o versión más simple de ontología sería un vocabulario controlado (una lista de términos), por ejemplo un catálogo. El siguiente paso en complejidad sería el glosario (una lista de términos con su significado expresado en lenguaje natural). Otro paso más serían los tesauros, que contienen información adicional de tipo semántico (por ejemplo una taxonomía de la especificidad de los términos). Todos estos sistemas están pensados para ser usados por un agente humano, no computacional. Para que un ordenador pueda utilizarlas, las definiciones deben ser inambiguas y estar expresadas por medio de algún formalismo. El tipo de ontología procesable por ordenador más simple consistiría así en una jerarquía que recoja la relación de generalización/especialización entre los términos 30 . La figura 3.1 recoge dos clasificaciones sobre sistemas de representación que pueden ser considerados ontologías según sus autores. La figura 3.1a está tomada de (Uschold, 2006), la 3.1b de (McGuinness, 2003) Glosarios / Vocabularios controlados Jerarquías ad-oc (Yahoo!) Términos Glosarios ‘ordinarios’ Diccionarios de datos datos (EDI) 42 Tesauros Glosarios estructurados XML DTDs Taxonomías informales Tesauros y taxonomías informales Metamodelos de datos y documentos XML XML Schema Taxonomías formales Esquemas de BBDD Modelos de datos (UML, STEP) Frames (OKBC) Lógicas restringidas (OWL, Flogic) Lógica general Bases de conocimiento formales e inferencia (a) (b) Figura 3.1 Estructuras que pueden ser consideradas ontologías. En cualquier caso, la idea original de ontología en el campo de la inteligencia artificial no se limita a un vocabulario más o menos estructurado en una jerarquía, sino que incluye también la idea de conceptualización de un determinado dominio por medio de ese vocabulario. El término ontología, según su definición original, 30 En (OMG, 2007) se da una definición de ontología de acuerdo a estas consideraciones: "Una ontología define los términos y conceptos (significado) utilizados para describir y representar un área de conocimiento. Una ontología puede ir, en cuanto a expresividad, desde una taxonomía (conocimiento con mínima jerarquía o estructura padre/hijo), a un tesauro (palabras y sinónimos), a un modelo conceptual (con conocimiento más complejo), a una teoría lógica (con conocimiento muy rico, complejo, consistente y significativo)"
Capítulo 3. Representación del conocimiento y ontologías abarcaría también relaciones entre conceptos, restricciones en propiedades, definiciones, axiomas, etc. Puede resumirse la diferenciación entre los esquemas vistos atendiendo al hecho de que los vocabularios controlados, taxonomías y tesauros están dirigidos a recoger y organizar términos, los modelos de datos y modelos de objetos están dirigidos a representar la información en ordenadores, mientras que las ontologías están dirigidas a representar el conocimiento de forma independiente del agente que lo utilice. 3.3.3 Tipos de ontologías La caracterización de las ontologías se puede realizar a diferentes niveles y con diferentes criterios. A continuación se presentan dos de las clasificaciones más relevantes y utilizadas. Desde el punto de vista del grado de formalidad en la expresión de la ontología se pueden tener (Uschold y Grüninger, 1996): • Ontologías expresadas informalmente. Para su explicitación se utiliza el lenguaje natural. • Ontologías expresadas semi-informalmente. Se expresan en algún tipo de lenguaje natural controlado (CNL -Controlled Natural Language) • Ontologías expresadas semi-formalmente. Expresadas por medio de un lenguaje artificial. • Ontologías expresadas de forma rigurosamente formal. Expresadas por medio de semántica formal basada en teorías lógicas, con teoremas y demostraciones. Según el nivel de generalidad del conocimiento recogido en la ontología (o del nivel de dependencia de respecto a una tarea o punto de vista particular) se pueden tener (Guizzardi, 2005): • Ontologías de alto nivel (o nivel superior, top-level), que describen conceptos muy generales, aplicables casi universalmente. Espacio, tiempo, materia, acción, etc. • Ontologías de dominio y de tarea que describen los conceptos que aparecen en un determinado dominio (como la medicina) ó tareas genéricas (como diagnóstico). • Ontologías de aplicación. Describen conceptos que dependen tanto de un dominio como de una tarea particular. 43
Page 1:
Universidad de León Departamento d
Page 5:
Agradecimientos Mi más profundo ag
Page 9 and 10:
Indice Lista de acrónimos y abrevi
Page 11: Indice 4.5.9 Otras conceptualizacio
Page 14 and 15: Lista de acrónimos y abreviaturas
Page 17 and 18: Índice de figuras Figura 3.1 Estru
Page 19: Prefacio La presente tesis doctoral
Page 22 and 23: Introducción El problema de la rep
Page 24 and 25: Capítulo 1. Justificación, objeti
Page 32 and 33: Capítulo 2. El software en ingenie
Page 46 and 47: Capítulo 3. Representación del co
Page 84 and 85: Capítulo 4. Esquema de representac
Page 112 and 113:
Capítulo 4. Esquema de representac
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 148 and 149:
Page 150 and 151:
Page 152 and 153:
Page 154 and 155:
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
Page 162 and 163:
precondition#1 hasLogicalOperator A
Page 164 and 165:
Page 166 and 167:
Page 168 and 169:
Page 170 and 171:
Page 172 and 173:
Page 174 and 175:
Page 176 and 177:
Page 178 and 179:
Capítulo 5. Experimentos y resulta
Page 180 and 181:
Page 182 and 183:
Page 184 and 185:
Page 186 and 187:
Page 188 and 189:
Page 190 and 191:
Page 192 and 193:
Page 194 and 195:
Page 196 and 197:
Page 198 and 199:
Page 200 and 201:
Page 202 and 203:
Page 204 and 205:
Page 206 and 207:
Page 209 and 210:
Capítulo 6 Conclusiones finales y
Page 211 and 212:
Capítulo 6. Conclusiones finales y
Page 213 and 214:
Referencias Nota: Todos los enlaces
Page 215 and 216:
Referencias (Bissell, 2004) Bissell
Page 217 and 218:
Referencias knowledge acquisition.
Page 219 and 220:
Referencias OWLED 2006 - OWL: Exper
Page 221 and 222:
Referencias (Genesereth y Nilsson,
Page 223 and 224:
Referencias (Hayes, 1985) Hayes, P.
Page 225 and 226:
Referencias (Kitamura y Mizoguchi,
Page 227 and 228:
Referencias Logics. Stanford, CA, A
Page 229 and 230:
Referencias (Newell, 1982) Newell,
Page 231 and 232:
Referencias (Rector, 2004) Rector,
Page 233 and 234:
Referencias (Speel, 1995) Speel P.-
Page 235 and 236:
Referencias (Varsamidis et. al., 19
Page 237:
Las frases que nunca escribiré, lo
show all

Modelos de Conocimiento Basados en Ontologías para la ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?