Melhoria e Avaliação da Ferramenta OntoUpdade

Transcrição

1 Melhoria e Avaliação da Ferramenta OntoUpdade Patrick Mendes Guimarães Sistemas de Informação CEATEC patrick.mg@puccampinas.edu.br Carlos Miguel Tobar Toledo Atualização de Ontologias para a Extração de Informação de Mídias Sociais na WEB CEATEC tobar@puc-campinas.edu.br Resumo: Este artigo aborda modificações realizadas implementações realizadas na ferramenta OntoUpdade, com a inclusão de uma nova tela, a fim de melhorar a visualização da árvore de conceitos nela existente, além da solução de um problema que foi detectado. São apresentadas também os resultados de uma avaliação realizada sobre a implementação. O OntoUpdate é parte da denominada WEB semântica. Ela serve para atualizar uma ontologia, abstração feita na computação para representar um domínio de saber. São apresentados também alguns algoritmos usados no OntoUpdate para auxiliar na construção da árvore de conceitos. Esta árvore é uma representação dos conceitos que são extraídos de documentos previamente selecionados e que podem pertencer ao domínio de interesse, representado na ontologia. Conceitos estes que podem ser incorporados à ontologia, atualizando-a. Um dos algoritmos usados é o k-nn. Como resultado da avaliação, foi obtida uma precisão de 100% e uma cobertura de 57%. Palavras-chave: Recuperação de informação, Ontologia, Vizinho mais próximo, WEB Semântica. Área do Conhecimento: Ciências Exatas e da Terra Ciência da Computação. 1. INTRODUÇÃO Nos últimos anos a WEB é uma das ferramentas computacionais que mais cresceu e se expandiu em todo o mundo. Como consequência disso, as informações começaram a ser mais compartilhadas, principalmente depois das Wikis, porque elas permitem que informações em formato de texto sejam editadas coletivamente, com uma linguagem de marcação simples pelos próprios usuários, via navegador WEB. Neste crescimento, algumas mudanças foram necessárias para deixá-la mais inteligente, criando-se perfis de usuários ou filtrando-se informações semanticamente. Um dos mecanismos que é usado para fazer estas mudanças é a ontologia. A definição de ontologia na Ciência da Computação é similar à da Psicologia: informação do ser, descrevendo e representando uma área do conhecimento. Na computação, ela é implementada como uma estrutura de dados que representa um conjunto de conceitos dentro de um domínio e os relacionamentos entre estes [1]. Consideradas como conjuntos de definições de vocabulários formais, as ontologias representam, no mundo real, indivíduos, classes, atributos e relacionamentos. [2, 3] Os indivíduos são os componentes básicos de uma ontologia. Eles podem ser objetos concretos como pessoas, casas, computadores, ou até mesmo indivíduos abstratos como os sentimentos [4, 5]. As classes são mais analíticas que os indivíduos, pois elas podem ser um grupo dos mesmos, um conjunto de outras classes ou uma coleção de ambos, criando assim um conceito geral de um determinado assunto [5]. O veículo é um exemplo de classe, que contém um conjunto de indivíduos como chassi, roda ou volante. Além disso, há na ontologia grupos de outras classes como carro, moto ou caminhão. Os atributos servem para descrever indivíduos e classes [5]. Cada atributo tem um nome e um valor para fazer esta representação. Por exemplo, o objeto IPad pode ter um atributo chamado fabricante com o valor Apple. As relações entre indivíduos e classes podem ser representadas pelos relacionamentos. Com um deles pode-se representar, por exemplo, que um computador é-um artefato tecnológico [5]. São apresentadas nas próximas seções algumas ferramentas que usam ontologias e como elas ajudam na formação da WEB semântica. Como nestas ferramentas são empregados alguns algoritmos para a manipulação de estruturas de dados, entre elas as ontologias, estes são apresentados na terceira seção Uma dessas ferramentas é o OntoUpdate, que tem como finalidade atualizar uma ontologia. Na quarta seção comenta-se sobre alterações realizadas nesta ferramenta. Na quinta seção apresenta-se a avaliação realizada sobre a ferramenta modificada.

2 2. FERRAMENTAS E ONTOLOGIAS Uma ontologia por si só não basta para deixar a WEB mais semântica. É preciso que haja o uso de ferramentas que façam a manipulação da mesma, pois com o uso delas se pode identificar, por exemplo, se um determinado documento é relevante no domínio de interesse. Seguem as descrições de duas ferramentas que manipulam uma ontologia e que se complementam. 2.1 WikiConcepts Em meio a uma grande quantidade de informação presente na WEB, que são publicadas e mantidas colaborativamente por uma comunidade de indivíduos, é necessário fazer algumas manipulações nestas. Uma dessas manipulações é a extração de informações relacionadas a um determinado domínio de interesse. Devido a essa grande quantidade, a recuperação de informação é essencial para o funcionamento da WEB semântica, pois com o uso dela, são encontradas apenas as informações do domínio de interesse do usuário, retirando da pesquisa tudo aquilo que não se relacione com esse domínio. Uma das ferramentas que fazem a recuperação de informações usando uma ontologia é o WikiConcepts [6]. 2.2 OntoUpdade O OntoUpdade é uma ferramenta usada para a- tualizar uma ontologia, considerando-se que o domínio nela representado deve evoluir, com a necessidade de inclusão de novos atributos, indivíduos e classes. O OntoUpdate trata, de cada vez, um documento que o usuário esteja lendo via navegador WEB, comparando-o com uma ontologia usada no Wiki- Concepts, que foi escolhida e carregada anteriormente. O tratamento tem a finalidade de criar uma árvore de conceitos para, no final do processo, caso o usuário queira, atualizar a ontologia. No OntoUpdade, a árvore de conceitos é necessária para armazenar conceitos que irão permitir atualizar a ontologia. Um conceito representa um objeto do domínio de interesse representado na ontologia. Ele consiste de uma descrição e clusters, podendo ter também um ou mais conceitos filhos. A descrição serve para representar o conceito, sendo que nela há termos, que são palavras que representam e dão sentido aos conceitos. Junto a cada termo há um peso, que é valor que representa a sua importância na descrição. Nos clusters são salvos representações de documentos semelhantes aos que o usuário leu via navegador. São deles tirados os termos de uma descrição. Um conceito poderá ser pai de outro, conceito filho, que terá outra descrição, outros clusters ou outros conceitos filhos. O conceito pai será mais genérico que o filho. Assim, ele terá em sua descrição menos termos que os presentes em um conceito filho, que é mais detalhado. A árvore de conceitos é preenchida conforme o usuário for lendo os documentos. Antes de inserir na mesma, o OntoUpdade faz um tratamento no documento, removendo dele stop ords, que são palavras muito comuns (como artigos e pronomes, por exemplo), para depois ele ser comparado com os conceitos da ontologia. Se o documento for relevante, ele é inserido na árvore de conceitos presente na ferramenta, em algum cluster de algum conceito. Para descobrir em qual conceito e cluster o novo documento será inserido, são usadas as funções descritas a seguir. 3. ALGORITMOS USADOS A seguir apresentam-se cinco algoritmos que fazem parte do OntoUpdate e que foram estudados durante as modificações realizadas sobre essa ferramenta. 3.1 Classify Para identificar em qual conceito um documento irá ser inserido, é feita uma comparação entre o novo documento e as descrições dos conceitos da árvore. Está comparação é feita através da função Classify, que classifica um novo documento em determinado conceito e apresentada na equação (1), que retorna um valor de similaridade, que é comparado com um coeficiente mínimo de classificação, que por padrão é 70%. k Classify( dne, ci) = ne d ci i= 1 (1) dne = é um termo da representação vetorial do novo documento [6].

3 ci = é um termo que compõe a descrição do conceito i. Assim, por exemplo, se a similaridade de um novo documento em relação ao conceito raiz for maior do que o coeficiente mínimo de classificação é procurado neste o conceito, o conceito filho com maior classificação, desde que maior que o mínimo de classificação. E repete-se a verificação nesse conceito filho até algum valor da similaridade não seja maior que o mínimo ou não existem mais conceitos filhos, ou seja, se chegou ao fim da árvore. Nestes dois casos, cria-se um novo conceito filho. Se o conceito escolhido for novo, ele não terá um cluster ainda, assim, é criado um novo para encapsular o documento dentro. Se for encontrado o conceito mais similar, é procurado dentro deste o cluster mais adequado para inserir o documento. A seguir apresenta-se como se realiza essa procura. 3.2 K-NN Para fazer a escolha do cluster no qual o documento será inserido usa-se a função k-nn (k-nearest Neighbor) [7]. Esta função, sim(dne, dj), utiliza a similaridade da representação vetorial do novo documento, medida através do cosseno, com a representação de cada documento de cada cluster. Esta similaridade é calculada segundo a equação (2). dne dj sim( dne, dj) = = dne dj t t i= 1 i, ne i, j t 2 2 i, ne i, j i= 1 j= 1 (2) dne = é a representação vetorial do novo documento. dj = é a representação vetorial de um documento do cluster. t = quantidade de documentos (dimensão). Wi,j = é o peso do termo i dentro do documento dj (peso semântico no documento). Wi,ne = é o peso do termo i dentro do documento dne. dne = é o módulo do vetor dne. A equação (2) consiste de uma multiplicação vetorial entre os termos do novo documento e dos termos de um documento presente em um dos clusters, dividindo isso pela multiplicação dos módulos do novo documento e do documento verificado. O que equivale ao cosseno do ângulo formado entre o novo documento e entre o do cluster considerado. Conforme vai sendo calculada a similaridade, é guardada apenas a similaridade com maior valor. Se este valor for maior ou igual ao coeficiente mínimo de clusterização, que por padrão é 20%, é escolhido o cluster com maior similaridade. 3.3 Evaluation Depois que foi inserido o novo documento em um cluster, se este possui mais de dois documentos, é verificado, através da função Evaluation, se o mesmo tem um grau de coesão alta para se transformar em um novo conceito. Para cada documento do cluster, é calculado o grau de similaridade dele com os outros documentos, através da equação (3). 1 Evaluation( S ) = sim( d, d ) r i j 2 nr di, dj Sr (3) Sr = é o cluster. sim(di, dj) = é a similaridade entre o par de documentos di e dj. nr² = é o número de documentos do cluster ao quadrado. Se o valor de Evoluation do cluster for maior ou igual ao coeficiente mínimo de conceituação, que por padrão é 25%, o cluster se transformará em um novo conceito. Se o usuário desejar que os conceitos sejam os mais específicos possíveis, ele poderá mudar o valor do coeficiente mínimo de conceituação. Assim, quanto mais alto este valor, mais similar o cluster terá que ser em relação ao domínio de interesse para virar um conceito. 3.4 ConceptFormation Conforme forem sendo organizados os conceitos, a descrição de cada um deles também é reorganizada, pois possivelmente alguns termos foram adicionados vindos de um novo documento naquele conceito ou retirados, caso um documento mude de

4 conceito durante a organização que segue a criação de um novo conceito. A função ConceptFormation utiliza todos os documentos do cluster que gerou a formação do novo conceito para criar a lista de descrição do mesmo. Para cada termo de cada documento, é calculada a média ponderada do mesmo. Está média é obtida pela equação (4). Nela são somados todos os pesos dos termos iguais encontrados em um determinado cluster, dividindo este valor pelo número de textos do cluster em que foram encontrados tais termos. t = termo. t = n d = 1 n d t, d (4) t = valor do peso do termo t. nd = número de documento no cluster. O valor médio é comparado com o coeficiente mínimo de descrições, que por padrão é 80%. Se for maior, este termo é incluído na lista de descrição do conceito. 3.5 WEBDCC Todo este processo de escolha do melhor conceito, do melhor cluster, e da reorganização dos conceitos e descrições é parte do algoritmo WEB Document Conceptual Clustering (WEBDCC) [8]. Figura 1. Apresentação da árvore de conceitos. Um problema surgiu durante a avaliação da ferramenta. Tal problema consiste na má formação dos conceitos, uma vez que, em alguns casos, ocorria de um conceito pai ter a mesma descrição que o conceito filho. Assim, foi necessário fazer uma engenharia reversa para tentar descobrir onde ocorria o erro. Através disso, foi descoberto que a saída da função Classify, que é usada para verificar se o documento deve ou não ser inserido em um conceito, poderia ser a responsável pelo problema no sistema. Como descrito anteriormente, esta função consiste em uma multiplicação vetorial entre as palavras do novo documento e entre as descrições dos conceitos na árvore, como pode ser visto na equação (2). Na Figura 2 é retratado o problema citado: A lista de termos da descrição do conceito root é igual à do seu filho. 4. MODIFICAÇÃO DO ONTOUPDATE A ferramenta OntoUpdate trata um novo documento, depois verifica se o mesmo pertence ao domínio de interesse e, se for, é incorporado a algum cluster de um conceito. Mas, no OntoUpdate, não era possível ver em qual posição da árvore de conceitos ele se encontrava. Também não era possível observar com ficavam os conceitos, clusters e descrições. Sendo assim, em uma alteração da ferramenta, foi criada uma tela na qual o usuário pode ver como a árvore se encontra, após a categorização de um documento. Esta tela (Figura 1) apresenta os níveis da árvore, subdividindo-a em conceitos, clusters e descrições. Figura 2. Apresentação do problema: descrição do conceito pai é semelhante à do conceito filho. Foi feita uma mudança na função para corrigir o problema. Antes só era possível um documento ser classificado em um conceito quando os termos deste fossem comparados com os termos das descrições dos conceitos, obtendo o valor de similaridade, e

5 este valor fosse maior ou igual ao coeficiente mínimo de classificação. Após analisar os resultados dos dados, observou-se que esta comparação deveria ser menor ou igual. Depois de corrigido isto na função Classify da ferramenta, observou-se que esta mudança foi consistente, eliminando o problema relatado. 5. AVALIAÇÃO Para realizar a avaliação da ferramenta OntoUpdate, depois das mudanças feitas, foi utilizada uma ontologia sobre Ataques de Redes, 10 documentos relevantes ao domínio da ontologia e 5 não relevantes. Foi feito o carregamento de cada documento via navegador e a ferramenta fez a seleção dos que eram relevantes à ontologia. A visualização implementada da árvore de conceitos foi de extrema importância para saber quais termos dos documentos serviram para atualizar a ontologia. Conforme os textos foram carregados, observou-se se os termos selecionados pela ferramenta e inseridos nas descrições dos conceitos estavam semanticamente de acordo a ontologia em questão. Esta parte da avaliação foi feita sem usar quaisquer métrica de avaliação, pois os termos podem ser confirmados visualmente. Esta avaliação foi positiva. Para uma segunda avaliação, foram usadas as métricas de precisão (P) e cobertura (R), e a medida (F). A precisão é obtida pela equação (5), que indica a quantidade (cardinalidade) de termos corretos que são encontrados na interseção entre os documentos esperados (RL) e os documentos extraídos pela ferramenta (EL), dividindo este total pela cardinalidade de EL. Isto representa a porcentagem de acertos da ferramenta. A medida F é considerada um grau harmônico entre a precisão e a cobertura, e é dada pela equação (7). (7) Usando estas formulas, foi obtida uma precisão de 100%, uma cobertura de 57% e uma medida F de 72% em relação aos resultados depois da modificação da função Classify. Isso significa que, para os documentos usados, a ferramenta funciona bem em aproximadamente 70% das vezes. Para fazer esta avaliação, foram considerados os valores dos coeficientes mínimos padrão da ferramenta. 6. CONCLUSÃO Este artigo trata do uso de uma ferramenta que atualiza ontologias, através de uma árvore de categorização. São apresentadas as modificações realizadas na mesma e que permitiram obter bons resultados em aproximadamente 70% dos casos envolvidos na avaliação realizada. O objetivo principal do trabalho de Iniciação Científica descrito neste artigo era conhecer a fundo o OntoUpdate para poder modificá-lo, de maneira a incluir funcionalidades que estavam faltando. Para isso, foi feita a leitura das publicações sobre as ferramentas WikiConcepts e o estudo do próprio OntoUpdade. Além disso, outro objetivo era fazer a avaliação da ferramenta modificada. Porém, a partir de uma primeira avaliação foram encontrados alguns problemas descritos anteriormente neste artigo. Para tentar solucioná-los, foi preciso mudar o foco das mudanças inicialmente pretendidas. 7. REFERÊNCIAS (5) A cobertura indica a porcentagem de termos esperados extraídos pela ferramenta. Esta quantidade de termos é obtida pela formula (6). (6) [1] GRUBER, Thomas R. A Translation Approach to Portable Ontology Specifications Knoledge System Laboratory, Computer Science Department, Stanford University, Stanford, California, [2] GUARINO, Nicola. Formal Ontology in Information Systems. Proceedings of FOIS 98, Trento, Italy, 1998.

6 [3] GRUBER, Thomas R. Toard Principles for the Design of Ontologies Used for Knoledge Sharing. Knoledge System Laboratory, Computer Science Department, Stanford University, Stanford, California, [4] OWL Web Ontology Language Guide. Capturado online em 11/08/2012 de < TR/2004/REC-ol-guide >. [5] BARQUÍN, Ainhize Rodríguez; GONZÁLEZ, José Antonio Moreiro; PINTO, Adilson Luiz. Construção de uma ontologia para sistemas de informação empresarial para a área de Telecomunicações. DataGramaZero - Revista de Ciência da Informação - v.7 n.2, Abril, [6] GERMER, Alessandro Santos. Recuperação de informação em Wikis com o uso de ontologias f. Trabalho de Conclusão de Curso - Pontifícia Universidade Católica de Campinas, Centro de Ciências Exatas, Ambientais e de Tecnologias, Faculdade de Engenharia de Computação, Campinas, [7] FERRERO, Carlos Andres (2009), Dissertação de Mestrado (Instituto de Ciências Matemáticas e de Computação), Universidade de São Paulo. São Paulo, Brasil. Capturado online em 10/07/2012 de < 134/tde /pt-br.php> [8] GODOY, Daniela; AMANDI, Anália. Modeling user interests by conceptual clustering. Information Systems. Volume 31, Issues 4 5, Junho Julho de 2006, Páginas