WTDBD 2009 Workshop de Teses de Dissertações de Banco de dados. Gerência Semântica de Documentos Utilizando Sistemas de Banco de Dados

Transcrição

1 WTDBD 2009 Workshop de Teses de Dissertações de Banco de dados Gerência Semântica de Documentos Utilizando Sistemas de Banco de Dados Aluno: Sidney Nicolau Venturi Filho Orientadoras: Ana Maria de Carvalho Moura Dr. Ing Maria Claudia Cavalcanti, D. Sc. Nível Mestrado Dissertação de Mestrado em andamento Ingresso: fevereiro/2008 Conclusão prevista: março/2010 Etapas Concluídas: Créditos, Defesa da Proposta e Seminário de Acompanhamento Instituto Militar de Engenharia IME Programa de Pós Graduação em Sistemas e Computação Área de Concentração: Tecnologias e Sistemas de Computação. Linha de Pesquisa: Tecnologias para tratamento da informação. Resumo: O volume crescente de documentos produzidos pelas organizações forma um grande conjunto de dados não estruturados. As técnicas de busca e recuperação de informação sobre documentos ainda são fortemente baseadas em indexação por conteúdo e palavras chave, ou seja, na sintaxe das palavras. Por este motivo, novas abordagens têm buscado técnicas que consideram o significado das palavras através do uso de ontologias. Este artigo apresenta uma proposta para o tratamento semântico de documentos em Sistemas Gerenciadores de Banco de Dados (SGBDs), utilizando ontologias. A idéia é especificar uma arquitetura que denominamos Gerenciador Semântico de Documentos (GSD), composta de uma interface de gerenciamento e de uma camada de processamento interposta entre a aplicação e o SGBD, que visa acrescentar capacidade de gerenciamento semântico aos documentos por ele manipulados. Esta manipulação inclui mecanismos para: gerar metadados para os documentos armazenados; prover o armazenamento físico dos documentos; recuperar documentos; visualizar documentos e seus metadados; permitir a anotação semântica de documentos e armazenar e gerenciar ontologias. Palavras Chaves: Gerenciamento de Documentos, Ontologias, Anotação de Documentos, Mecanismos de Inferência, OWL 31

2 1 Introdução e Motivação O aumento da competitividade faz com que as corporações cada vez mais busquem novos conhecimentos. O grande volume de documentos produzidos pelas organizações, constituindo se de um grande conjunto de dados não estruturados, fez surgir um problema: o que fazer com estes documentos armazenados, e como extrair o conhecimento ali existente? Na busca de soluções para este desafio, surgiram Sistemas de Busca e Recuperação de Informações que utilizam técnicas como indexação, categorização de documentos, consultas baseadas em palavras chaves e mineração de texto que se baseiam na sintaxe das palavras, sem inferir o real significado do domínio analisado. [1] Uma forma de minorar esta deficiência seria a utilização de ontologias, ferramentas de anotação e mecanismos de inferência para gerar metadados que permitam a recuperação mais eficiente dos documentos armazenados, de modo que o conhecimento, ao invés de dados não estruturados, possa ser acessado e gerenciado. A abordagem proposta neste trabalho envolve a especificação do Gerenciador Semântico de Documentos (GSD), sistema que visa oferecer capacidade de gerenciamento semântico aos documentos por ele manipulados. O GSD é composto de uma interface de gerenciamento e de uma camada de processamento interposta entre a aplicação e o SGBD e a construção de um protótipo que valide o modelo de dados e os metadados gerados pelo sistema, O restante deste documento encontra se estruturado como segue: a seção 2 apresenta a fundamentação teórica que descreve, de maneira sucinta, os conceitos básicos que fundamentam esse trabalho; a seção 3 apresenta alguns trabalhos relacionados; a seção 4 descreve a arquitetura projetada para o gerenciador proposto, bem como exemplifica o seu funcionamento; a seção 5 relata o estado atual do trabalho, e a seção 6 conclui o artigo com as principais diretivas tomadas para a sua conclusão. 2 Fundamentação Teórica Podemos considerar a Web como um dos maiores, senão o maior, repositório de documentos de que se tem notícia. Berners Lee [2] define Web Semântica como uma extensão da Web obtida através da adição de semântica ao atual formato de representação de dados. Para isso propôs uma estrutura em camadas para a Web Semântica [3], que visa permitir o desenvolvimento em etapas, onde cada camada é apoiada pelas camadas inferiores. Nesta arquitetura as camadas semânticas sobrepostas às sintáticas provêem significado aos documentos, permitindo uma manipulação mais inteligente de seu conteúdo. Assim como na Web, nas organizações os documentos também exigem manipulação semelhante. Neste trabalho, procura se aliar as tecnologias utilizadas na Web Semântica, tais como a linguagem OWL para representação de ontologias, e ferramentas de anotação, à tradição dos SGBDs, no sentido de conceber uma arquitetura para tratar tais documentos. Nas seções seguintes apresentamos alguns dos conceitos usados para embasar o trabalho. 2.1 Ontologias De acordo com Tom Gruber [5], ontologia é uma especificação formal e explícita de uma abstração, representando uma visão simplificada de um domínio de conhecimento. Diversos são os benefícios apresentados na literatura para a utilização de ontologias [9], dentre os quais podemos citar: compartilhamento, reuso, estruturação da informação, interoperabilidade, confiabilidade e expansão de consultas. Ontologias na Web Semântica são representadas utilizando linguagens baseadas em XML, dentre as quais podemos destacar a OWL 1 e o RDF 2. A primeira configura se como 1 owl features / 2 rdf primer / 321

3 uma recomendação da W3C que estende o RDF e o RDF Schema, fornecendo algumas outras possibilidades para ontologias tais como: escalabilidade, distribuição, compatibilidade com os padrões Web para acessibilidade e o uso de inferências sobre os conceitos e relacionamentos entre eles. 2.2 Raciocinadores OWL Considerando que as ontologias permitem representar conhecimento, os mecanismos de inferência, a partir de regras pré determinadas e especificadas por uma linguagem de ontologia, podem descobrir dependências implícitas e novos conhecimentos, além daqueles contidos explicitamente nas ontologias. Com a crescente utilização da OWL na representação de ontologias para uso em Web Semântica, vários mecanismos de inferência, denominados raciocinadores OWL, foram desenvolvidos permitindo que novos conhecimentos sejam descobertos a partir de um conjunto de fatos ou axiomas descritos em OWL. Exemplos de raciocinadores incluídos nesta categoria são: Jena2 3 e Bossam Ferramentas de Anotação Uma maneira de adicionar significado em documentos web é associar anotações semânticas, com base nos conceitos e relacionamentos de uma ontologia. Este mapeamento de trechos dos documentos, com conceitos e relacionamentos de uma ontologia, possui um papel fundamental, pois permite prover semântica em documentos já existentes. O processo de anotação semântica pode ser feito de três formas: automática a ferramenta realiza a anotação sem a intervenção do usuário, como, por exemplo, Magpie [4]; manual o usuário realiza todo o processo de marcação do documento a exemplo da ferramenta Annotea [6]; semi automática é uma abordagem híbrida que visa ao mesmo tempo diminuir o esforço humano necessário à produção de metadados, visto o grande volume de documentos a serem anotados, e eliminar erros produzidos pelo processo automático, permitindo que o usuário apenas corrija as anotações sugeridas como acontece na ferramenta Gate [7]. 3 Trabalhos Relacionados Nos últimos anos os fabricantes de SGBD têm trabalhado na extensão de seus sistemas relacionais, acrescentando suporte à extensão de tipos, armazenamento de objetos, suporte a tipos de dados multimídia, visões de objetos, e suporte a manipulação de documentos XML, a exemplo dos sistemas DB2 5, PostGreSql 6, etc. Entretanto, nenhuma dessas extensões leva em conta a semântica dos dados. Mais recentemente, alguns fabricantes, a exemplo da ORACLE 7, passaram a dar algum suporte à semântica dos dados. No entanto, as soluções apresentadas são proprietárias e construídas como componentes internos dos SGBDs, ao contrário da proposta deste trabalho, que tem por diretiva ser uma camada externa ao banco de dados. Por outro lado, existe uma forte preocupação com o enriquecimento semântico de consultas antes de seu processamento pelo SGBD. Em [8] é apresentado um conjunto de regras para a reescrita de consultas a partir de uma ontologia mapeada para os dados do banco, enquanto em [11] uma abordagem similar é adotada para sistemas distribuídos P2P. Já em [12] a reescrita da consulta é feita a partir de ontologias nebulosas

4 4 Abordagem Proposta e Contribuições do Trabalho Há vários trabalhos que tratam da expansão semântica das consultas, conforme citamos na seção 3. No entanto, esta abordagem pode impactar no desempenho das consultas. Nossa abordagem é diferente, pois visa criar metadados e mapear documentos para os termos das ontologias durante a carga do documento na base de dados e não no momento da consulta, de forma que esta não precise ser expandida em tempo de execução. A recuperação dos documentos ocorrerá através de consultas às tabelas de metadados armazenadas no SGBD, já semanticamente enriquecidas, sem utilizar recursos de expansão de consultas. 4.1 Arquitetura do Gerenciador Semântico de Documentos (GSD) A arquitetura do GSD foi desenvolvida a partir de um requisito fundamental: funcionar totalmente independente do SGBD, de forma aberta e passível de ser construído utilizando qualquer SGBD que dê suporte ao SQL ANSI. A figura 1 apresenta arquitetura básica do GSD, constituída dos seguintes módulos: 1. Interface de Gerenciamento: meio de comunicação entre os usuários e o GSD, tendo como objetivo fornecer acesso às funções de processamento disponíveis no sistema; 2. Gerenciador de Ontologias: módulo de processamento que permite ao usuário carregar no GSD as ontologias com que o sistema deve trabalhar. A ontologia será armazenada em formato OWL em um repositório no sistema de arquivos do SO. Paralelamente, os diversos elementos da ontologia serão gerados na forma de triplas, e como tal, armazenados no banco de dados O gerenciador de ontologias deverá fornecer ainda uma ferramenta gráfica para visualização das ontologias; 3. Gerenciador de Documentos: módulo de processamento que permite a carga e eliminação do dos documentos no GSD. O documento será armazenado em sua forma original em um diretório do sistema operacional e seus metadados armazenados no banco de dados; 4. Anotação de Documentos: módulo de processamento que permite ao usuário realizar ou alterar anotações em documentos armazenados no GSD; 5. Busca e Recuperação de Documentos: módulo de processamento que permite ao usuário selecionar critérios de recuperação como, por exemplo, os termos de uma determinada ontologia. Nessa situação a ferramenta de busca exibirá, inicialmente, uma listagem com todos os documentos associados aos termos solicitados. De posse dessa lista, o usuário poderá escolher o(s) documento(s) que será(ão) aberto(s) junto com suas anotações semânticas; 6. Banco de Dados: repositório de metadados do sistema, utilizando recursos de um SGBD relacional objeto; 7. Repositório de Documentos: diretório do sistema de arquivos onde ficarão armazenados os documentos em seu formato original; 8. Documentos Anotados: diretório do sistema de arquivos onde ficam armazenados os arquivos OWL com as informações de anotação do documento; 9. Repositório de Ontologias: diretório Figura 1 Arquitetura do GSD do sistema de arquivos onde ficam armazenadas, em formato OWL, as ontologias carregadas no sistema. 343

5 4.2 Funcionamento do Sistema O GSD tem como base o enriquecimento semântico, que consiste de um conjunto de operações que acrescentam ao documento original informações adicionais. Estas informações constituem se de metadados armazenados no SGDB, permitindo sua recuperação a partir de critérios de busca não explícitos em seu conteúdo. O enriquecimento semântico no GSD é realizado em três etapas, descritas a seguir. A primeira etapa inicia se com a carga do documento no GSD, quando é realizada a anotação automática do documento. Nessa etapa é realizada a indexação do texto em busca de todos os termos existentes nas ontologias armazenadas no sistema. O produto desta primeira etapa de enriquecimento consistirá de um ou vários arquivos OWL associados ao documento original (um arquivo para cada ontologia relacionada ao documento). Além disso, serão geradas entradas no banco de dados em uma tabela de metadados com as informações semânticas associadas ao documento. A segunda etapa de enriquecimento consiste da anotação feita pelo usuário no documento de forma manual e/ou semi automática. No caso da anotação manual, onde o usuário diz quem é autor, a data do documento e outros itens presentes no padrão de metadados Dublin Core 8, o enriquecimento é realizado armazenando se estas informações no banco de dados. Para as anotações semi automáticas, a ontologia solicitada pelo usuário é apresentada, a partir da qual ele seleciona os termos no documento que podem ser associados como instâncias de classes, regras, etc. Estas informações serão acrescidas ao OWL associado ao documento e também armazenadas no banco de dados como metadados. A terceira etapa de enriquecimento ocorre através da atuação de raciocinadores OWL sobre o(s) arquivo(s) OWL associado(s) ao documento, onde se encontram as anotações, permitindo que a partir de propriedades transitivas, inversas reflexivas, etc. o sistema derive novos metadados. Banco de Dados Disciplina IES Professor ORIENTA É ORIENTADO Classe Instância Propriedade Aluno Para exemplificar o funcionamento do sistema, considere a ontologia relativa a uma instituição de ensino superior (IES), representada na figura 2, onde se tem: Classes: Disciplina, Aluno e Professor Banco de Dados: instância da classe Disciplina. Propriedades: Professor ORIENTA Aluno e sua inversa Aluno É ORIENTADO por professor. Figura 2 Ontologia IES Quando um documento contendo a expressão BANCO DE DADOS é carregado no sistema, metadados são gerados durante a 1ª etapa do procedimento, associando o documento ao elemento da ontologia BANCO DE DADOS, bem como as classes DISCIPLINA e IES, permitindo sua recuperação por qualquer destes elementos. A seguir, se o usuário do sistema anotasse neste documento que Ventury É ORIENTADO por Ana e que Ventury É ORIENTADO por Yoko, o sistema geraria metadados informando que Ventury é um Aluno e que Ana e Yoko são Professoras, permitindo recuperar documentos que façam referência às professoras, alunos ou orientação. Finalmente, utilizando raciocinadores OWL, o sistema poderá deduzir que se Ventury É ORIENTADO por Ana e Ventury É ORIENTADO por Yoko, então Yoko ORIENTA Ventury e

6 Ana ORIENTA Ventury. Portanto, em uma consulta é possível obter todos os alunos que qualquer uma delas orienta, mesmo que esta informação não esteja explicitada nos documentos e nem tenha sido anotada pelo usuário do sistema. 5 Estado Atual do Trabalho Foram realizados os seguintes trabalhos até o momento: revisão bibliográfica, delimitação da proposta, definição da arquitetura do GSD e elaboração do modelo de dados. A construção do protótipo é a próxima etapa. Não está no escopo deste trabalho, a implementação de toda a arquitetura GSD, sendo focalizada a terceira etapa, que inclui a criação, população e expansão da base de metadados através de raciocinadores. 6 Conclusão Este trabalho apresentou a arquitetura proposta para o Gerenciador Semântico de Documentos, que busca criar uma camada de gerenciamento para documentos utilizando tecnologias da Web Semântica. A arquitetura proposta será validada através de estudo de caso abordando ontologias de domínios diferentes e um conjunto de documentos associados. Para fins de validação da independência do GSD em relação ao SGBD, pretende se realizar os testes utilizando se dois SGBDs diferentes, o Oracle e o PostGreSql, cujos desempenhos serão comparados quanto à recuperação de documentos contextualizados nos respectivos ambientes. Será realizado ainda um estudo comparativo entre a eficiência do GSD na recuperação de documentos em comparação com sistemas que utilizam expansão de consultas, particularmente focando o tratamento semântico disponível no SGBD Oracle. Referências Bibliográficas [1]BAEZZA YATES R, RIBEIRO NETO B.Modern Information Retrieval, ACM Press/Addison Wesley, 1999 [2]BERNERS LEE, T. Semantic Web Road map Web Page. Disponível em: < [3]BERNERS LEE, T., HENDLER, J; LASSILA, O; The semantic web. Scientic American, 284(5): 34 43, maio [4]DOMINGUE, J, DZBOR, M., MOTTA, E. Magpie: Supporting Browsing and Navigation on the Semantic Web In: Proceedings of the 9th International conference on intelligent user interfaces, IUI 04. Ilha da Madeira, Portugal. [5]GRUBER, T. R. Toward principles for the design of ontologies used for knowledgesharing. In: Formal Ontology in Conceptual Analysis and Knowledge Representation. Kluwer Academic Publishers, [6]KAHAN, J., KOIVUNEN, M. R., PRUD'HOMMEAUX, R., SWICK, R. Annotea: An Open RDF Infrastructure for Shared Web Annotations In: Proceedings of the 10th International World Wide Web Conference, WWW2001. Hong Kong, China. [7]KENTER, T., MAYNARD, D. Using GATE as an annotation tool. University of Sheffield, Natural language processing group Disponível em <gate.ac.uk/sale/am/annotationmanual.pdf>. [8]NECIB, B.Ontology based Semantic Query Processing in Database Systems Berlim, Humboldt Universitat, PHD Thesis, 2007 [9]NOY, N. F.; MCGUINNESS, D. L. Ontology Development 101: A Guide to Create Your First Ontology. Knowledge Systems Laboratory Technical Report KSL 01 05, Stanford University. 25p, [10]SOUZA FERNANDES,D Y Using Semantics to Enhance Query Reformulation in Dynamic Distributed Enviroments Recife, UFP Tese de DsC 2009 [11]YAGUINUMA, C A Sistema Foque para Expansão Semântica de Consultas baseada em Ontologias Difusas São Carlos, UFSCAR, Dissertação de Mestrado