Integrazione semantica - Semantic integration

L'integrazione semantica è il processo di interrelazione di informazioni provenienti da diverse fonti, ad esempio calendari ed elenchi di cose da fare, archivi di posta elettronica, informazioni sulla presenza (fisica, psicologica e sociale), documenti di ogni tipo, contatti (inclusi grafici sociali ), risultati di rilevanza pubblicitaria e di marketing che ne derivano. A questo proposito, la semantica si concentra sull'organizzazione e sull'azione delle informazioni agendo come intermediario tra fonti di dati eterogenee, che possono essere in conflitto non solo per struttura ma anche per contesto o valore.

Applicazioni e metodi

Nell'integrazione delle applicazioni aziendali (EAI), l'integrazione semantica può facilitare o addirittura automatizzare la comunicazione tra i sistemi informatici utilizzando la pubblicazione di metadati . La pubblicazione di metadati offre potenzialmente la possibilità di collegare automaticamente le ontologie . Un approccio alla mappatura ontologica (semi) automatizzata richiede la definizione di una distanza semantica o la sua somiglianza semantica inversa e regole appropriate. Altri approcci includono i cosiddetti metodi lessicali , nonché metodologie che si basano sullo sfruttamento delle strutture delle ontologie. Per affermare esplicitamente somiglianza / uguaglianza, esistono proprietà o relazioni speciali nella maggior parte dei linguaggi ontologici. OWL , ad esempio, ha "owl: equivalentClass", "owl: equivalentProperty" e "owl: sameAs".

Alla fine i progetti di sistema potrebbero vedere l'avvento di architetture componibili in cui le interfacce basate sulla semantica pubblicate vengono unite insieme per abilitare funzionalità nuove e significative. Questi potrebbero essere descritti prevalentemente per mezzo di specifiche dichiarative in fase di progettazione, che potrebbero infine essere renderizzate ed eseguite in fase di esecuzione.

L'integrazione semantica può essere utilizzata anche per facilitare le attività in fase di progettazione di progettazione e mappatura dell'interfaccia. In questo modello, la semantica viene applicata solo esplicitamente alla progettazione ei sistemi di runtime funzionano a livello di sintassi . Questo approccio di "associazione semantica precoce" può migliorare le prestazioni complessive del sistema pur mantenendo i vantaggi della progettazione guidata dalla semantica.

Situazioni di integrazione semantica

Dal caso d'uso del settore, è stato osservato che le mappature semantiche sono state eseguite solo nell'ambito della classe di ontologia o della proprietà del tipo di dati. Queste integrazioni semantiche identificate sono (1) integrazione di istanze di classe di ontologia in un'altra classe di ontologia senza alcun vincolo, (2) integrazione di istanze selezionate in una classe di ontologia in un'altra classe di ontologia dal vincolo di intervallo del valore della proprietà e (3) integrazione di istanze della classe di ontologia in un'altra classe di ontologia con la trasformazione del valore della proprietà dell'istanza. Ciascuno di essi richiede una particolare relazione di mappatura, che è rispettivamente: (1) relazione di mappatura equivalente o di sussunzione, (2) relazione di mappatura condizionale che vincola il valore della proprietà (intervallo di dati) e (3) relazione di mappatura di trasformazione che trasforma il valore di proprietà (trasformazione unità). Ogni relazione di mappatura identificata può essere definita come (1) tipo di mappatura diretta, (2) tipo di mappatura intervallo dati o (3) tipo di mappatura trasformazione unità.

Approcci KG vs. RDB

In caso di integrazione di una fonte di dati supplementare,

  • KG ( Knowledge graph ) rappresenta formalmente il significato implicato nelle informazioni descrivendo concetti, relazioni tra cose e categorie di cose. Questa semantica incorporata con i dati offre vantaggi significativi come il ragionamento sui dati e la gestione di origini dati eterogenee. Le regole possono essere applicate su KG in modo più efficiente utilizzando la query del grafico. Ad esempio, la query del grafico esegue l'inferenza dei dati attraverso le relazioni connesse, invece di una ricerca completa ripetuta delle tabelle nel database relazionale. KG facilita l'integrazione di nuovi dati eterogenei semplicemente aggiungendo nuove relazioni tra le informazioni esistenti e le nuove entità. Questa facilitazione è enfatizzata per l'integrazione con la popolare fonte di dati aperta collegata esistente come Wikidata.org.
  • La query SQL è strettamente accoppiata e rigidamente vincolata dal tipo di dati all'interno del database specifico e può unire tabelle ed estrarre dati da tabelle, e il risultato è generalmente una tabella e una query può unire tabelle da qualsiasi colonna che corrisponde per tipo di dati. La query SPARQL è il linguaggio e il protocollo di query standard per Linked Open Data sul web e liberamente accoppiato con il database in modo che ne faciliti la riusabilità e possa estrarre i dati attraverso le relazioni libere dal tipo di dati, e non solo estrarre ma anche generare un grafo di conoscenza aggiuntivo con operazioni più sofisticate (logica: transitiva / simmetrica / inverseOf / funzionale). La query basata sull'inferenza (query sui fatti asseriti esistenti senza la generazione di nuovi fatti dalla logica) può essere confrontata rapidamente con la query basata sul ragionamento (query sui fatti esistenti più i fatti generati / scoperti in base alla logica).
  • L'integrazione delle informazioni di origini dati eterogenee nel database tradizionale è complessa, il che richiede la riprogettazione della tabella del database come la modifica della struttura e / o l'aggiunta di nuovi dati. Nel caso della query semantica, la query SPARQL riflette le relazioni tra le entità in un modo che si allinea con la comprensione umana del dominio, quindi l'intenzione semantica della query può essere vista sulla query stessa. A differenza di SPARQL, la query SQL, che riflette la struttura specifica del database e derivata dalla corrispondenza delle chiavi primarie ed esterne rilevanti delle tabelle, perde la semantica della query mancando le relazioni tra le entità. Di seguito è riportato l'esempio che confronta le query SPARQL e SQL per farmaci che trattano la "TB delle vertebre".

SELEZIONA? Farmaco
DOVE {
? Diagnosi un esempio: Diagnosi.
? esempio di diagnosi: nome “TB di vertebra”.
? esempio di farmaco: canTreat? diagnosi.
}

SELEZIONA DRUG.medID
DA DIAGNOSIS, DRUG, DRUG_DIAGNOSIS
WHERE DIAGNOSIS.diagnosisID = DRUG_DIAGNOSIS.diagnosisID
AND DRUG.medID = DRUG_DIAGNOSIS.medID
AND DIAGNOSIS.name = "TB of vertebra"

Esempi

Il Pacific Symposium on Biocomputing è stato un luogo per la divulgazione del compito di mappatura ontologica nel dominio biomedico, e nei suoi atti è possibile trovare una serie di articoli sull'argomento.

Guarda anche

Riferimenti

link esterno