Selected papers - Garr

quisizione di conoscenza nel dominio di applicazione
dell’ontologia stessa. Tale acquisizione
può richiedere molto tempo e risorse umane
(in particolare esperti del dominio).
Molti sforzi della ricerca nell’ambito delle ontologie
sono mirati a studiare tecniche e metodi
per costruire ontologie in maniera semi-automatica
a partire da conoscenza espressa in
forma di testo strutturato o meno, da dizionari,
basi di conoscenza, schemi semi-strutturati
e relazionali. In questo senso, possiamo definire
il processo di ontology learning (o ontology
extraction) come l’insieme dei metodi e
delle tecniche usate per costruire una ontologia
ex-novo o per arricchirne o adattarne una
esistente in maniera semi-automatica usando
diverse sorgenti.
Esistono diversi approcci per l’automatizzazione
parziale del processo di acquisizione
di conoscenza. Per eseguire questa automatizzazione,
possono essere usate tecniche di natural
language processing e di machine learning.
Tali tecniche prevedono operazioni di
potatura, unione, arricchimento di ontologie
preesistenti, o anche creazione di ontologie ex
novo, benché in quest’ultimo caso l’apporto
umano sia ancora nettamente predominante.
Il processo di ontology learning definito
e utilizzato nell’ambito delle attività di LC3
prevede l’estrazione, per mezzo di un’analisi
testuale ed eventualmente strutturale dei documenti
disponibili, delle caratteristiche salienti
dei documenti, sulla base dalla ricorrenza
statistica dei lemmi più significativi e
dei collegamenti tra i documenti e tra le loro
parti..
Il tool sviluppato per la realizzazione delle
fasi descritte in figura presenta una serie di
pannelli che consentono avviare la fase di Text
Analysis che fornirà il file delle caratteristiche,
necessario per la successiva fase di clusterizzazione
dei documenti processati.
4.3 Definizione di tecniche semantiche per
l’IR
Il sistema prototipale presentato in questo la-
voro, Semantic Searcher, oltre ad utilizzare le
tecniche di Information Retrieval e Natural
Language Processing, si basa anche sulle ontologie,
ma diversamente dagli approcci che
tendono ad utilizzarle come un mero supporto
al query expansion, le utilizza per aiutare il
sistema nel processamento della query utente,
fornendo una base di conoscenza specifica
che permetta di esplorarne il suo significato
semantico e fornisca una risposta precisa a
query anche molto complesse.
4.4 Profilazione client side e adattamento dei
contenuti
Al fine di adattare la ricerca dei contenuti (e il
risultato stesso della ricerca) al loro contesto
di utilizzo, occorre fornire il profilo che descrive
l’utilizzatore e identificare il set di risorse
di cui serve disporre.
L’architettura del sistema multicanale context-aware
progettato e sviluppato nell’ambito
del progetto LC3 è rappresentata in figura
2. Gran parte dei terminali mobili oggi disponibili
sul mercato aggiungono nell’header
HTTP un link che punta ad un descrittore
standard del particolare prodotto commerciale.
Queste tipologie di profilo sono naturalmente
statiche. Tecniche di profilazione automatica
dei terminali di tipo avanzato sono necessarie
per una profilazione che riesca a recuperare
attributi quali l’effettiva memoria disponibile,
il software installato sul terminale,
la banda, la carica della batteria, la posizione
dell’utente, ecc.
Fig. 2 Architettura del sistema multicanale del progetto LC3
Le tecniche sviluppate nell’ambito del progetto
utilizzano la tecnologia ad Agenti Mobili.
59