Buscas Semânticas na identificação de similaridades entre conceitos para Integração Semântica de Informações

Transcrição

1 Buscas Semânticas na identificação de similaridades entre conceitos para Integração Semântica de Informações Veronica dos Santos Departamento de Informática Aplicada (DIA) Programa de Pós Graduação em Informática (PPGI) - Universidade Federal do Estado do Rio de Janeiro (UNIRIO) veronica.santos@uniriotec.br Orientadores: Asterio Tanaka e Fernanda Baião tanaka@uniriotec.br, fernanda.baião@uniriotec.br Resumo. O processo de Integração de Informações é composto por diversas atividades que requerem um aumento no nível de automação ou pelo menos uma redução no esforço humano para realizá-las. A utilização de abordagens de Busca Semântica para recuperação da informação (information retrieval) melhora a precisão e cobertura do conjunto de documentos recuperados pois explora o conhecimento do domínio. Este trabalho propõe a utilização de Buscas Semânticas no repositório de metadados de um Sistema de Integração de Informações (SII), com o objetivo de tornar a atividade de busca por conceitos similares mais eficiente em termos de precisão e cobertura dos resultados. Palavras chaves: Representação de informações de negócio e gerência de dados e metadados, Gestão da Informação. 1. Introdução De acordo com [Bernstein e Haas 2008] cada etapa de um processo de integração de dados requer muitas intervenções manuais e a busca por conceitos similares é uma das atividades que demandam por melhorias. A partir deste problema, a hipótese levantada é que a utilização de busca semântica no repositório de metadados de um Sistema de Integração de Informações (SII) irá tornar a atividade de busca por conceitos similares mais eficiente em termos de precisão e cobertura dos resultados. O objetivo deste trabalho é propor uma arquitetura de uma ferramenta que permita identificar a similaridade semântica entre os conceitos a serem integrados utilizando busca semântica no repositório de metadados de um Sistema de Integração de Dados, pois será possível explorar o conhecimento do domínio através de ontologias. 2. Fundamentação Teórica 2.1 Integração de Informações Na medida em que o número de repositórios de informação e aplicações cresce nas organizações, a necessidade de integração dos dados se torna mais evidente. Desde a década de 80, as pesquisas em bancos de dados e os fornecedores de software têm

2 atribuído grande importância aos problemas de integração de dados do ponto de vista estrutural e técnico e muitas abordagens foram apresentadas com diferenças no nível de abstração que a integração ocorre [Ziegler e Ditrich 2007]. O foco de pesquisa em integração de dados tem se voltado para os desafios do entendimento semântico, tendo em vista que a evolução da Web depende do compartilhamento da semântica para permitir que dados e informações sejam manipuláveis por computadores e que as conexões lógicas entre os conceitos tornem os sistemas interoperáveis [Nigel et. al. 2006]. A integração semântica deve garantir que somente dados relacionados com o mesmo conceito, ou pelo menos com conceitos semanticamente similares, serão combinados com a intenção de fornecer aos usuários uma visão lógica única para manipulação das informações [Ziegler e Dittrich 2007]. Um sistema de integração de informações (SII) proporciona acesso uniforme a um conjunto de fontes de dados heterogêneas e autônomas. Os usuários (ou aplicações) submetem as consultas através de um esquema mediado e as descrições das fontes de dados são utilizadas para realizar o mapeamento semântico entre o esquema mediado e os esquemas das fontes locais [Halevy 2008]. A geração do esquema mediado pode ser realizada através de um processo clássico de integração de esquemas, composto pelas atividades de Pré-integração, Comparação de Esquemas, Unificação de Esquemas e Reestruturação [Batini et. al., 1986]. A operação de casamento de esquemas (schema matching), realizada na atividade de Comparação de Esquemas, permite a descoberta dos mapeamentos entre os conceitos de cada modelo que possuem entre si algum grau de similaridade. Esta descoberta pode se basear nas instâncias, na estrutura das fontes de dados, em outras entradas auxiliares ou em uma combinação de métodos. As indicações de mapeamentos geradas devem ser analisadas por especialistas [Rahm e Bernstein 2001]. [Bernstein e Haas 2008] ressaltam que o processo de integração de dados é iterativo e que as muitas intervenções manuais de cada atividade constituem o maior custo em termos de esforço humano e tempo. Eles sugerem que um maior nível de automação pode ser alcançado a fim de tornar o processo mais ágil, e apontam que as pesquisas nesta área devem buscar formas de reduzir o esforço humano através de melhorias na tecnologia e de simplificação do processo. A busca por conceitos similares é uma das atividades do processo de integração de dados que demanda por melhorias para se tornar mais eficiente em termos de precisão e cobertura dos resultados. 2.2 Similaridade Semântica As maiores dificuldades na construção e manutenção de um SII estão em criar as descrições das fontes de dados e definir o mapeamento semântico entre as fontes e o esquema mediado, pois é necessário conhecimento do negócio para entender o significado dos esquemas que estão sendo mapeados [Halevy 2008]. A similaridade léxica dos termos isoladamente não identifica todas as possibilidades de aproximação requerendo, portanto, abordagens que tratem do aspecto semântico. A semântica refere-se ao estudo do significado em todos os sentidos do termo e se ocupa do que algo significa dentro de um contexto. Pode-se dizer que a e b são sinônimos se tratam do mesmo conceito, que a é homônimo se trata de pelo menos dois conceitos diferentes (a'' e a'), que a é hipernímia de b se a é um conceito mais genérico

3 do que o conceito representado por b, neste caso b é hiponímia de a (relação de generalização e especialização) e que a é meronímia de b se a representa um conceito que é parte do conceito de b, com isso b é holonímia de a pois é composto de b (relação de agregação e composição) [Mangold 2007]. Na modelagem de banco de dados, semântica pode ser considerada como a interpretação dos projetistas e usuários sobre os dados e esquema em um determinado contexto [Ziegler e Dittrich 2007]. Mas para integração de dados, o maior desafio está em identificar os conceitos semanticamente similares que apresentam conflitos em função dos diferentes contextos em que foram modelados. A proximidade semântica visa caracterizar o grau de similaridade através de uma medida qualitativa, variável em ordem decrescente, desde equivalência, relacionamento, relevância até semelhança [Sheth e Kashyap 1992]. Não é possível especificar exaustivamente a semântica associada aos dados e elementos do esquema já que definições de esquemas normalmente não são semanticamente explícitas para permitir a interpretação dos dados de forma consistente e inequívoca e parte da semântica está incorporada em modelos de dados, esquemas conceituais, programas de aplicação, nos dados em si, e até na mentes dos usuários e projetistas. Dessa forma, uma ontologia de domínio, representando a definição formal e explícita dos conceitos e seus relacionamentos, junto com um vocabulário compartilhado que referencia estes conceitos, pode contribuir para resolver o problema da heterogeneidade semântica [Ziegler e Dittrich 2007]. 2.3 Buscas semânticas Em ferramentas de busca por documentos, o usuário especifica um ou mais termos de seu interesse. Mas estes termos podem não corresponder àqueles que fazem parte do conteúdo ou dos metadados dos documentos e alguns documentos relevantes para o usuário não serão recuperados. Algumas propostas para adaptação destas ferramentas têm explorado a utilização de ontologias e mecanismos de inferência para melhorar a precisão e cobertura do resultado, se comparado com a busca convencional. Busca semântica é um processo de recuperação de documentos que explora o conhecimento do domínio que pode ser formalizado através de sistemas para organização do conhecimento. O objetivo é maximizar precisão e cobertura do resultado da busca e minimizar a interação do usuário [Mangold 2007]. As abordagens de busca semântica podem ser categorizadas segundo a arquitetura (stand-alone ou meta search), acoplamento fraco ou forte entre os documentos e a ontologia, contexto do usuário (prédefinido ou dinâmico), transparência para esclarecimento do contexto da busca, estrutura e tecnologia da ontologia. A reescrita da consulta pode ser (1) manual, através da navegação do usuário pela ontologia ou respondendo a perguntas que visam desambiguação, (2) por argumentação, onde novos termos são derivados para aumentar a abrangência da consulta e (3) por substituição dos termos por outros que identificam os conceitos da ontologia como sinônimos, hipernímia e hiponímia. Os resultados sofrem tratamento diferenciado uma vez que os documentos são classificados e ordenados segundo os significados a eles atribuídos e à provável relevância desses significados para a consulta.

4 A busca por conceitos similares, assim como na busca convencional por documentos, também pode não recuperar conceitos relevantes, devido à lacuna entre os termos informados na formulação da consulta e os termos utilizados para a identificação e descrição dos conceitos no repositório de metadados de um SII. Uma ontologia que represente do conhecimento do domínio das fontes de dados a serem integradas poderá melhorar o resultado da busca por conceitos similares. 3. Caracterização da contribuição A partir deste cenário, a hipótese é que a utilização de busca semântica aumenta a eficiência para identificação de conceitos similares durante o processo de Integração de Dados. Desta forma, será possível explorar o conhecimento do domínio de modo a realizar consultas aproximadas, aumentar a precisão e cobertura do resultado da busca e reduzir a interação do usuário. O objetivo da aplicação de buscas semânticas em um processo de Integração de Dados é tornar a atividade de busca por conceitos similares mais eficiente em termos de precisão e cobertura. Este trabalho propõe uma arquitetura, apresentada na figura 1, de uma ferramenta que permita identificar a similaridade semântica entre os conceitos a serem integrados. A ferramenta contará com uma interface gráfica para informar os termos da busca, visualizar os resultados e navegar na ontologia e uma camada intermediária que realize a reescrita das consultas utilizando a ontologia e acesse o repositório de metadados. A descrição semântica dos conceitos e fontes de dados no repositório de metadados também será realizada através da ferramenta usando um esquema de metadados selecionado. A camada de reformulação da consulta deverá receber os termos da consulta da interface, realizar a busca na ontologia de conceitos, relações e atributos que possuam labels dentre estes termos, apresentar os labels dos recursos associados, permitindo a seleção dentre o conjunto apresentado, aplicar as modificações na consulta original para agregar os termos da ontologia de acordo com a similaridade desejada, interagir com o repositório de metadados para recuperar os conceitos e fontes de dados associados e compor o resultado ordenado a ser apresentado. A ontologia será utilizada também como referência para anotação semântica dos novos esquemas de conceito de dados, pois ao serem descritos na base de metadados, estes esquemas serão anotados semanticamente para garantir o acoplamento com a ontologia de domínio. A anotação semântica [Mangold 2007] permite melhor precisão nos resultados uma vez que os documentos passam a ser instâncias da ontologia. A arquitetura proposta poderia ser usada no cenário descrito a seguir. Supondo que em uma universidade exista um sistema de Gestão Acadêmica e outro de Oferta e Acompanhamento de Estágio Supervisionado. O orientador de estágio (professor responsável pelo acompanhamento) necessita identificar os alunos de graduação qualificados para as vagas e que ainda não completaram o número de horas. Por terem sido projetados para propósitos diferentes, conceitos semanticamente similares envolvidos na integração de informações destes dois sistemas podem apresentar conflitos. Por exemplo, o conceito Aluno no primeiro sistema contempla todos aqueles que possuem matrícula em algum curso da universidade, sendo graduandos, mestrandos e até mesmo egressos, e o conceito Estagiário do segundo sistema contém

5 informações de alunos que realizam ou já realizaram atividade de estágio supervisionado. A busca convencional pela palavra chave aluno nos metadados do segundo sistema poderia não recuperar o conceito relacionado enquanto que a busca expandida pela ontologia irá indicar que Estagiário é um Aluno de Graduação. Figura 1 proposta de arquitetura 4. Trabalhos relacionados [Brauner et. al. 2008] é um exemplo de experimento que explora a semântica dos dados fazendo uso do conteúdo das fontes de dados para descobrir o casamento entre atributos dos esquemas. Esta abordagem pode não ser viável quando a submissão exaustiva de consultas para coleta de dados para análise estatística possa vir a comprometer o desempenho das fontes de dados em ambiente de produção. Tal problema não acontece na arquitetura proposta visto que a busca semântica será realizada sobre a base de metadados. O BDTerm [Silva e Mello 2006] é um sistema de gerenciamento de bases de dados terminológicas cujo objetivo principal é o suporte a processos de integração de dados para determinação de correspondências semânticas entre termos. Esta proposta foi desenvolvida para o processo BInXS [Mello e Heuser 2005], voltado especificamente para integração de esquemas XML, enquanto a arquitetura proposta explora a descrição das fontes de dados, independente de seus formatos, que estão registradas no repositório de metadados do SII. Em [Py et. al. 2009] é proposto um método com passos detalhados para identificação de conceitos e fontes de dados durante um processo de integração de dados. O método se baseia na análise de glossários em modelos de processos de negócio e assume que todos os processos possuem uma única descrição para uma entidade, o que pode não acontecer em casos reais. Além disso, este método não trata da similaridade entre conceitos. 5. Estado atual do trabalho e avaliação dos resultados O trabalho está na fase de fundamentação teórica, com o estudo mais aprofundado das propostas existentes. Para avaliar a hipótese levantada serão realizados um experimento e um estudo de caso.

6 O experimento irá comparar a precisão e a cobertura do resultado de consultas ao repositório de metadados, com e sem o apoio da arquitetura proposta. Um protótipo está sendo construído e será utilizado por alunos de graduação e mestrado em Sistemas de Informações da UNIRIO. Eles serão apresentados a três necessidades de informação hipotéticas que envolvem integração de informações de diferentes sistemas e, através da opção de busca, realizarão consultas no repositório de metadados para identificar quais os conceitos e fontes de dados serão utilizados para atender a cada necessidade. Ao final do experimento pretende-se aplicar um questionário aos participantes para coletar informações subjetivas quanto à utilização da interface e o perfil dos mesmos. A realização do estudo de caso demonstrará a viabilidade de aplicação da hipótese em um ambiente real. Será realizada uma análise em processos do Instituto Brasileiro de Geografia e Estatística (IBGE) para identificar necessidades de informações que envolvam integração de informações de diferentes sistemas. 6. Referências Bibliográficas Batini, C., Lenzerini, M., Navathe S. B.: A Comparative Analysis of Methodologies for Database Schema Integration. ACM Computing, v.18, n.4, p , Bernstein, P. A., Haas, L. Information Integration in the Enterprise. Communications of the ACM Brauner, D. F., Gazola, A., Casanova, M. A., Breitman, K. K. Adaptative Matching of Database Web Services Export Schemas. ICEIS, p Halevy, A. Information Integration. In: Liu, L., Ozsu, M. T. (eds), Encyclopedia of Database Systems, Springer 2008, p Mangold, C. A Survey and classification of semantic search approaches. International Journal of Metadata Semantics and Ontology, vol. 2, nr. 1, Mello, R. S.; Heuser, C. A. BInXS: A Process for Integration of XML Schemata. In: CAiSE, p Nigel, S., Hall, W., Berners-Lee, T. The Semantic Web Revisited. IEEE Intelligent Systems.v.21, p ,2006 Py, H. S., Tanaka, A., Baião, F., Castro, L. A Service-based Approach for Data Integration Based on Business Process Models. ICEIS Rahm, E., Bernstein, P. A. A survey of approaches to automatic schema matching. VLDB Journal, nr.10, p , 2001 Sheth, A., Kashyap, V. So Far (Schematically) yet So Near (Semantically). IFIP 1992 Silva, F. S.; Mello, R. S. BDTerm: um Sistema de Gerenciamento de Bases de Dados Terminológicas. In: II Escola Regional de Banco de Dados, Ziegler, P., Dittrich, K. Data Integration - Problems, Approaches and Perspectives. In: Krogstie, J., Opdahl, A. L., Brinkkemper S. (eds), Conceptual Modelling in Information Systems Engineering, p Springer, 2007.