Recuperação de Informações em Documentos Anotados Semanticamente na Área de Gestão Ambiental

Transcrição

1 1 Recuperação de Informações em Documentos Anotados Semanticamente na Área de Gestão Ambiental Celso Araújo Fontes (IME) Maria Claudia Cavalcanti (IME) Ana Maria de Carvalho Moura (LNCC) Maria Cristina Sinay (IME) Resumo: Esse artigo mostra como o uso anotações semânticas em documentos podem auxiliar na recuperação de informações na Web. Nesse trabalho é feito um estudo de caso na área de gestão ambiental, onde documentos importantes da área são publicados na Web, porém enriquecidos semanticamente com anotações. Estas são representadas por um conjunto de metadados, que são embutidos em padrões específicos de anotações da Web, tendo como base uma ontologia de domínio. Anotações permitem descrever o conteúdo de um documento, possibilitando a interpretação de seu significado e facilitando a recuperação de conteúdos por mecanismos de busca semânticos. Palavras-chave: Ontologia; Anotação Semântica; Recuperação de informação. 1. Introdução Nos últimos anos a Web tornou-se a principal fonte de pesquisa nos mais diversos domínios. Porém, devido ao crescimento exponencial de informações ali contidas, a garantia de obtenção de maior precisão na recuperação de documentos relevantes nesse vasto repositório torna-se cada vez mais um grande desafio. Em particular, projetos governamentais que se utilizam maciçamente de informações disponibilizadas a cada dia na Web, tais como legislações e documentos oficiais que amparam os diversos setores institucionais, carecem de ferramentas e tecnologias que possam auxiliá-los na tarefa de recuperar da Web informações e documentos relevantes a estes setores, permitindo utilizá-los e/ou agregá-los de forma atualizada e automática a tais projetos. A tarefa de pesquisar informações relevantes na Web é geralmente uma tarefa árdua e complexa, principalmente quando esta envolve características específicas, tais como leis em um dado domínio. Um exemplo desse fato pode ser ilustrado quando uma ferramenta de busca tradicional, a exemplo de Google 1 e Yahoo! 2 é utilizada para recuperar, por exemplo, a legislação 1

2 2 que foca na prevenção dos impactos ao meio ambiente e regulamenta atividades realizadas pelas organizações, tais como a atividade de tiro de armamento em organizações militares. A Figura 1 apresenta alguns resultados dessa pesquisa, onde pode ser verificado que documentos relevantes não foram recuperados, e quando isso ocorre, a lista de itens apresentada pouco auxilia na obtenção da informação que se deseja. Geralmente essas ferramentas se limitam a pesquisar documentos por palavras chaves, e a falta de descritores explicitando o significado do conteúdo desses documentos impede que tais mecanismos interpretem corretamente a conotação semântica dos documentos em seus procedimentos de busca. FIGURA 1 - Resultado de pesquisa sobre o "tiro de armamento legislacao ambiental" nas ferramentas do Google e Yahoo. Ao considerar tais dificuldades e com objetivo de estruturar a internet, BERNES-LEE (2001) propôs a Web Semântica, definida como sendo uma extensão da Web atual, em que a informação é dada com um significado bem definido, permitindo que computadores e pessoas trabalhem em cooperação. Verifica-se portanto por esta definição, que o foco principal da Web semântica é voltado para a interoperabilidade e compartilhamento de conhecimento em um dado domínio, realizado através de inúmeras aplicações. Para tanto, torna-se imprescindível que o domínio de conhecimento a ser partilhado seja descrito de forma genérica e rica, através de taxonomias e vocabulários específicos, envolvendo conceitos, propriedades e regras de domínio. Essa descrição conceitual, também denominada de ontologia, quando representada por linguagens lógicas ou ontológicas, a exemplo do RDF 3 (Resource

3 3 Description Framework) e OWL 4 (Ontology Web Language), possibilita inferir novas informações sobre o conhecimento ali representado, facilitando a recuperação de informações por agentes inteligentes. Porém, na Web tradicional, conteúdos são descritos exclusivamente através de páginas HTML 5 (HyperText Markup Language), cuja codificação, restrita unicamente ao consumo humano, é voltada a priori apenas para a formatação visual do conteúdo a ser exibido em um navegador. Este problema faz surgir as seguintes questões: como criar um documento Web cujo conteúdo seja passível de interpretação humana através de leitura, bem como de análise e processamento por softwares especializados que permitam dentre várias tarefas, realizar uma busca mais precisa? Visando solucionar alguns destes problemas, foram propostas especificações de anotação semântica, que visam permitir que um conjunto de descritores, quando associados a um vocabulário, possam ser utilizados para expressar o significado de termos de um documento HTML. Esse artigo tem como objetivo desenvolver um estudo de caso na área de Gestão Ambiental e mostrar como este setor pode se beneficiar com a recuperação mais precisa de documentos relevantes na área. A partir do enriquecimento semântico de documentos na Web, feito a partir de anotações, demonstra-se como os dados estruturados contidos nesses documentos podem ser analisados, utilizando ferramentas de extração semântica, e explorados para a elaboração de pesquisas mais eficientes, com o auxílio de ferramentas de busca semântica. O restante desse artigo está organizado da seguinte forma: a seção 2 apresenta a fundamentação teórica necessária para a compreensão do artigo; a seção 3 apresenta o estudo de caso descrito através de uma visão parcial de uma ontologia na área de impactos ambientais; a seção 4 tece alguns conceitos sobre a recuperação semântica, incluindo ferramentas de análise e pesquisa; e, finalmente, a seção 5 conclui o artigo com algumas considerações finais

4 4 2. Anotação Semântica Segundo MATOS (2008) apud POPOV et al. (2003), anotação semântica é um esquema específico para geração e uso de metadados, possibilitando novos métodos de acesso à informação. Eller (2008) salienta ainda que a anotação semântica de um documento descreve o seu conteúdo pela associação entre trechos relevantes do texto e conceitos descritos na ontologia. Para OREN et al. (2006), o resultado de uma anotação A é uma tupla (as, ap, ao, ac), onde: as é o dado anotado ao é a anotação em si ap é o predicado que define o tipo de relacionamento entre o as e ao ac é o contexto em que a anotação foi feita. Nos últimos anos anotações semânticas começaram a ser introduzidas no contexto da Web por meio de especificações. A seguir são apresentados alguns dos padrões de anotação utilizados nesse trabalho. 2.1 Padrões de anotação semântica Para permitir a anotação em documentos HTML, alguns autores como (ADIDA et. al., 2010) e (HICKSON, 2010) propuseram especificações para anotação semântica, tais como RDFa e Microdata. Ambas se caracterizam por utilizar um conjunto de atributos oriundos de um vocabulário, para marcar trechos de um documento HTML ou XHTML, criando triplas similares às utilizadas em RDF. A seguir, são apresentados dois exemplos utilizando estas especificações, que ilustram a anotação das seguintes relações: (1) Celso é Aluno; e (2) Celso tem Nome Celso Fontes. RDFa: <div typeof='aluno' about='#celso'> Olá! Meu nome é <span property='temnome'>celso Fontes</span> </div> Microdata: <div itemtype='aluno' itemid='#celso'> Olá! Meu nome é <span itemprop='temnome'>celso Fontes</span> </div> É possível observar que foram utilizados marcadores HTML, com o acréscimo de novos atributos: typeof e itemtype que indicam o tipo (classe Aluno) do sujeito (#Celso) da

5 5 relação, enquanto property e itemprop indicam respectivamente o predicado temnome e a string Celso Fontes, representando o objeto. Com o objetivo de ilustrar como o uso de anotações semânticas a partir dessas especificações pode auxiliar na recuperação de informações relacionadas à gestão de meio ambiente, a seguir será definido um estudo de caso na área, que servirá como base para a análise de algumas ferramentas semânticas de extração e busca. 3. Estudo de Caso O estudo de caso na área de gestão ambiental está baseado numa ontologia peso-leve, que é parcialmente visualizada em notação UML 6 na Figura 2. Esta ontologia descreve, de forma simplificada, as atividades realizadas por uma organização militar e seus potenciais impactos que podem afetar a natureza ou o homem. Sabe-se que a cada impacto estão associadas medidas com objetivo de prevenir, mitigar ou corrigir os possíveis impactos decorrentes de tais atividades. Além disso, cada atividade está atrelada a um conjunto de legislações ambientais, que impõem determinadas restrições ou normas relacionadas à mesma. Essa ontologia foi criada posteriormente com o auxílio da ferramenta Protegé 7 e utilizada como mecanismo auxiliar para recuperar informações na Web na área de gestão ambiental. FIGURA 2 - Visão parcial de uma ontologia na área de gestão ambiental Inicialmente alguns documentos na área de gestão ambiental foram extraídos de (FOGLIATTI, 2008) e adaptados em HTML, visando a formatação do texto natural 6 Unified Modeling Language: 7 Disponível em:

6 6 para a visualização humana, e posteriormente enriquecidos com anotações semânticas, segundo os conceitos da ontologia criada. A figura 3 apresenta um exemplo de um documento original e seu código fonte com as respectivas anotações em RDFa. Após a publicação do documento na Web, as ferramentas de extração foram acionadas para análise do conteúdo estruturado e descrito no documento através de anotações, conforme relatado nas próximas seções. FIGURA 3 - Documento Web enriquecido com anotações semânticas 4. Recuperação semântica de documentos A partir do documento anotado, essa seção trata da visualização dos dados estruturados em ferramentas de extração, bem como da pesquisa sobre estes dados. 4.1 Visualização semântica de documentos Para realizar a análise sobre os metadados descritos nos documentos Web, foram utilizadas três ferramentas de extração semântica: Sindice Web Data Inspector 8, Yahoo! Object Finder 9 e Google Rich Snippets Tools 10. Em cada uma delas, os dois padrões citados anteriormente (RDFa e Microdata) são analisados. O Sindice Web Data Inspector mostrou uma análise mais completa dos metadados, oferecendo uma gama de recursos na sua ferramenta, a exemplo da visualização das anotações em forma de grafo, conforme mostra o exemplo da Figura 4. Por exemplo, as

7 7 partes em destaque nesta figura, expressam uma relação onde j.0:legislação é o sujeito(s), j.0:descricao o predicado(p) e Estabelece [...] o objeto (O). Devido a falta de suporte ao Microdata pela ferramenta, os documentos com anotações que utilizam esse padrão não puderam ser analisados. FIGURA 4 Resultado da análise feita pela ferramenta do Sindice com destaques para Sujeito, Predicado e Objeto de uma relação. FIGURA 5 - Resultado da análise feita pela ferramenta do Yahoo! Na análise do Yahoo! Object Finder, os elementos estruturados do documento foram detectados como Partial Object conforme ilustrado na Figura 5, pois nenhuma anotação utilizou-se dos vocabulários reconhecidos pela ferramenta11. Porém, a mesma ferramenta se destacou pela opção de converter as anotações em RDF, e pela possibilidade de submetê-las ao serviço de validação da W3C. 11

8 8 A ferramenta Google Rich Snippets Tools apresentou todas as relações em forma de itens, onde os types (tipos) são as classes utilizadas na anotação. Porém, a exemplo da ferramenta do Yahoo!, as classes não foram reconhecidas, conforme mostra a mensagem exibida na Figura 6, onde cada item representa uma instância, seguida por seus respectivos pares de predicados e objetos. FIGURA 6 Resultado da análise pela ferramenta do Google no documento com anotações em Microdata HTML5 A seguir serão utilizadas as ferramentas de busca que suportam anotações semânticas para mostrar como a exploração dessas anotações pode auxiliar na recuperação de informações. 4.2 Consulta a documentos anotados Para acelerar o processo de busca pelas ferramentas e permitir as pesquisas sobre os dados estruturados, foram utilizados os serviços de submissão de URL 12 de cada uma das ferramentas de busca do mercado que suportam anotação semântica: Google Ad URL 13, o Yahoo! Submit 14 e o Sindice Submit 15. Apesar deste esforço manual, até o término deste artigo, apenas o Sindice foi capaz de exibir os documentos Web em sua ferramenta de pesquisa. 12 Uniform Resource Locator

9 9 Para obter melhores resultados nas consultas sobre os dados estruturados, a ferramenta de busca do Sindice 16 permite utilizar uma linguagem de consulta similar ao SPARQL 17, a exemplo de: Quais são as atividades desenvolvidas pelas organizações militares que afetam a gestão ambiental? * < < Quais são as atividades regidas pela lei ambiental descrita em * < < AND * * < (Figura 7) FIGURA 7 - de uma pesquisa feita na ferramenta de busca do Sindice 5. Conclusão Este artigo mostrou como a utilização de anotações semânticas em documentos na área de gestão ambiental pode se beneficiar em relação à recuperação das informações por parte das novas ferramentas de busca semântica. Neste trabalho foi possível observar que, devido à complexidade em gerenciar o grande volume de documentos de uma organização, faz-se necessário utilizar ferramentas que automatizem o processo de anotação semântica para facilitar a sua recuperação. Algumas ferramentas de anotação semântica foram pesquisadas a exemplo do GATE 18, Zemanta 19, ONTOS 20, SMORE 21, OpenCalais 22 e TextWise 23. Entretanto, nenhuma delas se mostrou eficiente para anotar

10 10 automaticamente documentos em um dos padrões de anotação semântica voltada para Web com o auxílio de um vocabulário customizado. No estado atual de desenvolvimento em direção à Web semântica, existe ainda uma forte carência de mecanismos que auxiliem nas pesquisas mais elaboradas, abstraindo a complexidade exigida pela web semântica. Alguns trabalhos recentes apontam para o uso do RDFa (HEPP, 2010) como a especificação mais poderosa para o enriquecimento semântico de documentos. Porém este estudo ainda está em fase inicial e carece de ferramentas que realizem anotações de forma mais automatizada. Neste sentido, este trabalho está desenvolvendo um protótipo de ferramenta de anotação automática mais completa e que gera anotações no padrão RDFa (FONTES, 2010). A experiência adquirida com a recuperação de documentos anotados semanticamente no contexto do projeto de Gestão Ambiental (FOGLIATTI, 2008), parece bem promissora, podendo ser estendida a outros domínios de interesse. Referências ADIDA, B. et al. RDFa Primer - Bridging the Human and Data Webs Disponível em: < Acesso em: 14 dez BERNERS-LEE, T., HENDLER, J; LASSILA, O; The semantic web. Scientic American, 284(5): 34-43, maio ELLER, M. Anotações Semânticas de Fontes de Dados Heterogêneas Disponível em: < Acesso em 21 out FOGLIATTI, M. et. al. Sistema de Gestão Ambiental para Empresas. Rio de Janeiro: Interciência, ISBN: FONTES, C. Anotação Semântica automática em documentos. Dissertação (Mestrado em Sistemas e Computação) em desenvolvimento IME, Rio de Janeiro HEPP, M.; GARCÍA R.; RADINGER A.; RDF2RDFa: Turning RDF into Snippets for Copy-and- Paste Disponível em: < Acesso em: 14 jan HICKSON, I. HTML Microdata Disponível em: < Acesso em 15 jun KHARE, R.; ÇELIK, T. Microformats - A Pragmatic Path to the Semantic Web Disponível em: < Acesso em 02 fev MATOS, L. Anotação Semântica de Conteúdo Web Utilizando Microformatos e RDFa. Disponível em: < Acesso em: 10 mar OREN, E. What are Semantic Annotations? Disponível em: < Acesso em 10 nov POPOV, B. et al. Towards Semantic Web Information Extraction Disponível em: < Acesso em: 10 mar 2010.