Modelo unificado para la integración entre ontologías y mapas conceptuales

Universidad Politécnica de Cataluña Departamento de Lenguaje y Sistemas Informáticos Reporte Técnico “Modelo Unificado para la integración entre Ontologías y Mapas Conceptuales” Alfredo Simón 1, Steve Willmott2, Alejandro Rosete1, Luigi Ceccaroni2 1Instituto Superior Politécnico “José Antonio Echeverría” La Habana, Cuba 2Universidad Politécnica de Cataluña Barcelona, España Noviembre, 2005 1 Resumen El desarrollo y utilización de las ontologías, se está viendo cada vez más en ascenso, demostrando con ello su gran utilidad en los contextos en los que se necesite formalizar y compartir un conocimiento. Cada vez más se está requiriendo la creación de un ambiente que facilite la colaboración en el trabajo con las ontologías y hoy no están creadas las condiciones para esto. El proceso de elaboración de ontologías, las herramientas disponibles para su obtención y mantenimiento y los lenguajes de especificación que se están utilizando, tienen un alto grado de complejidad para su interpretación y amplia utilización por parte de personas no son expertas en el tema. Esto sugiere la utilización de herramientas más simple, que vinculada con las ontologías pueda ser comprendida y mejor aprovechadas por el hombre y que a su vez mantenga las capacidades para su interpretación computacionalmente. Los mapas conceptuales son una herramienta muy intuitiva para la representación del conocimiento que posee el hombre. Las facilidades que brinda en su elaboración, flexibilidad y estructura, lo han convertido en una herramienta muy útil para la gestión del conocimiento y la colaboración. La flexibilidad de los mapas conceptuales, lo convierte en una herramienta muy poco formal, a diferencia de las ontologías, sin embargo, se considera que esto no impide pensar que se puedan integrar con las ontologías y ser utilizados como un lenguaje de representación gráfico conceptual de estas. En esta investigación se propone la definición de un modelo que permite la integración entre las ontologías y los mapas conceptuales. El Modelo Unificado, como se le ha llamado, es resultado de la unificación de algunas características resultantes de análisis realizados a diferentes formas de representación del conocimiento de la Inteligencia Artificial y los mapas conceptuales. La características identificadas e integradas generó un conjunto de criterios que fundamentan la integración propuesta en ontologías y mapas conceptuales. Se proponen un conjunto de métodos que permiten la transformación del conocimiento representado en un mapa conceptual a OWL y viceversa, como implementación de este modelo. Son propuestas algunas especificaciones sintácticas y el uso de EuroWordnet en los procesos de transformación y se describen algunos ejemplos para un mayor entendimiento del modelo propuesto. Palabras Claves: Representación del Conocimiento, Mapas Conceptuales, Ontología, OWL. 2 Índice 1. INTRODUCCIÓN......................................................................................................................................................3 2. EL CONOCIMIENTO REPRESENTADO Y ESTRUCTURADO.....................................................................4 2.1 LAS REDES SEMÁNTICAS........................................................................................................................................4 2.2 LOS SISTEMAS DE MARCOS....................................................................................................................................6 2.3 LOS MAPAS CONCEPTUALES..................................................................................................................................7 3. LOS LENGUAJES FORMALES.............................................................................................................................8 3.1 LAS ONTOLOGÍAS Y LOS LENGUAJES RDF/OWL...................................................................................................8 3.2 LAS ONTOLOGÍAS VISTAS DE FORMA GRÁFICA ....................................................................................................10 4. EL MODELO UNIFICADO...................................................................................................................................11 5. TRABAJOS PREVIOS RELACIONADOS CON EL TEMA Y MOTIVACIÓN...........................................14 6. LA TRANSFORMACIÓN EN OWL DEL MAPA CONCEPTUAL................................................................16 6.1 LA REPRESENTACIÓN SEMI-FORMAL ....................................................................................................................16 6.2 EL USO DE EUROWORDNET .................................................................................................................................18 6.3 LA OBTENCIÓN DEL OWL ....................................................................................................................................19 7. LA TRANSFORMACIÓN DEL OWL EN UN MAPA CONCEPTUAL..........................................................25 8. APLICABILIDAD DEL MODELO UNIFICADO, LIMITACIONES Y TRABAJO FUTURO...................28 9. CONCLUSIONES....................................................................................................................................................29 10. REFERENCIAS .....................................................................................................................................................30 11. OTRA BIBLIOGRAFÍA CONSULTADA..........................................................................................................34 ANEXOS........................................................................................................................................................................35 3 1. Introducción El desarrollo y utilización de las ontologías, se está viendo cada vez más en ascenso, demostrando con ello su gran utilidad en los contextos en los que se necesite formalizar un determinado conocimiento. El crecimiento del campo de aplicaciones de las ontologías podría generar el surgimiento de conflictos en las conceptualizaciones que se formalicen y en acuerdo con Hayes, se considera que en un futuro cercano la solución de estos conflictos tendrá que ser resuelto mediante la colaboración del hombre y no por métodos automatizados, excepto en casos simples [Hayes, Reichherzer y Saavedra, 2003]. Para esto es necesaria la creación de un ambiente que facilite esta colaboración en el trabajo con las ontologías. El proceso de elaboración de las ontologías, así como las herramientas disponibles para su obtención y mantenimiento, como por ejemplo Protégé, tienen un alto nivel de complejidad para aquellas personas no expertas en el tema. Si a esto se le añade la complejidad inherente a los lenguajes de especificación de dichas ontologías, no quedaría lugar a la duda de la dificultad existente hoy para la creación de un ambiente de colaboración requerido para un mayor desarrollo de las ontologías. Lo anterior sugiere la utilización de otra herramienta más simple, que de forma integrada con las ontologías pueda ser mejor comprendida y aprovechada por el hombre y a su vez brinde las condiciones necesarias para que pueda ser aprovechada también computacionalmente. El problema planteado es lo que se pretende resolver en esta investigación. En trabajos anteriores, Simón y Rosete, han estado abordando el campo del aprendizaje en los humanos, específicamente, en mecanismos de representación del conocimiento para mejorar dicho aprendizaje. Una de las herramientas más estudiadas fueron los mapas conceptuales (MC) que fueron definidos por el Dr. Joseph D. Novak y un grupo de investigadores a finales de la década del 70 [Novak y Gowin, 84]. Esta herramienta brinda una estructura formada por nodos que representan conceptos y relaciones entre ellos y en el que se define un concepto como el más inclusivo. Los MC fueron una alternativa de implementación del Aprendizaje Significativo definido por David Ausubel [Ausubel, 89], cuya teoría planteaba una manera de explicar como se realiza el aprendizaje en el hombre cuando este se enfrenta a un conocimiento nuevo. Los elementos estructurales, la facilidad en la construcción, así como la flexibilidad que brindan los MC, lo convierten en una herramienta ideal para la gestión del conocimiento y el aprendizaje por parte del hombre. La afirmación anterior está ampliamente apoyada por la gran cantidad de investigaciones publicadas sobre la aplicación de MC desde su creación. Para solo citar un ejemplo, están los más de 200 trabajos presentados en la 1ra Conferencia Mundial de Mapas Conceptuales, celebrada en Septiembre del 20041. La flexibilidad que tienen los MC, refleja una muy poca formalización en estos, limitando sus posibilidades de aplicación computacionalmente. Sin embargo, esto no impide pensar que puedan ser utilizados como lenguaje de representación gráfica vinculado a un lenguaje de especificación formal, como puede ser el caso de OWL, lenguaje de especificación de ontologías. Las investigaciones que se describen en [Hayes, Reichherzer y Saavedra, 2003] [Garrido y Tramullas, 04] y [Gómez y Díaz, 04], así lo demuestran. En base a lo explicado y al problema a resolver, se ha definido como objetivo principal de esta investigación la definición de un modelo unificado a partir del cual se logre una integración entre ontologías y MC, definiendo las bases para un futuro desarrollo colaborativo de ontologías a partir de MC. Este objetivo principal fue fragmentado en tres objetivos específicos fundamentales: 1. Definir un modelo unificado para la explicitación del conocimiento ontológico. 2. Definir las pautas y crear los mecanismos necesarios para expresar el conocimiento ontológico, tanto en un lenguaje visual (conceptualización) como en un lenguaje formal (formalización). 3. Elaborar procedimientos de transformación para llevar el conocimiento expresado en un lenguaje a otro. 1 Los textos de los trabajos presentado en esta conferencia pueden ser accedidos desde: http://cmc.ihmc.us/CMC2004Programa.html 4 El desarrollo de esta idea y el cumplimiento a los objetivos planteados precisó que la investigación se estructurara en tres partes fundamentales. Una primera parte enfocada al análisis comparado, de algunas formas de representación de conocimientos definidos y utilizados dentro de la Inteligencia Artificial, como las Redes Semánticas y los Sistemas de Marco, en la que se identificaron fortalezas y debilidades de cada uno de ellos. El criterio de selección de estas formas de representación del conocimiento (FRC), estuvo basado en principalmente en las similitudes existentes entre ellos con las ontologías actuales. Se incluye también en esta parte un estudio realizado a los topic maps. En la segunda parte se llevó a cabo una revisión exhaustiva del estado de solución de la problemática planteada, en la que fueron identificados y analizados algunos trabajos afines a nuestra propuesta, obteniendo como resultado que el problema no estaba solucionado del todo, lo que avala positivamente la tesis de esta investigación. En la tercera parte se concibe y define el Modelo Unificado de Integración propuesto, sus características fundamentales, los lenguajes por los que estaría formado, incluidas un grupo de especificaciones sintácticas necesarias, la definición de los métodos de transformación de un lenguaje a otro y fueron elaborados sencillos ejemplos para una mejor comprensión de estos. En esta parte surge la idea de utilizar algoritmos y herramientas, tales como algoritmos de desambiguación de palabras y EuroWordNet, que se utilizan hoy en el procesamiento del lenguaje natural, por lo que fueron incluidos en los métodos definidos. Este documento ha sido organizado de la misma manera en que ha sido organizada la investigación que en el se recopila. En los primeras secciones (2 y 3) se describen los aspectos teóricos de las formas de representación analizadas tanto gráficas como formales, identificando fortalezas y debilidades de cada una de ellas y algunas comparaciones útiles para la definición de la propuesta final que se hace aquí. En la sección 4, resume el estudio realizado de algunos de los trabajos encontrados afines con esta propuesta, de los cuales también se obtuvieron fortalezas y debilidades, mostrando la utilidad de esta propuesta. Más adelante en las secciones del 5 al 8 se describe nuestra propuesta concreta, primero planteando los fundamentos de la misma, sus características fundamentales, y posteriormente describiendo cada uno de los métodos-componentes definidos, enriquecidos con breves ejemplos. En el tópico 9 se hace algunas recomendaciones, se especifican las posibilidades de aplicación de la misma, así como algunas limitaciones que han sido identificadas durante la investigación acompañadas con algunas propuestas de solución, que representan metas para la continuación de este trabajo. Por último están las secciones, 10, 11, 12 y los Anexos, encontrándose en dichos tópicos, las conclusiones a las que se arribaron, las referencias utilizadas a lo largo del documento y el resto de la bibliografía consultada, respectivamente. 2. El Conocimiento Representado y Estructurado. Los MC fueron definidos fuera del área de conocimiento de la Inteligencia Artificial, sin embargo, es apreciada en su estructura ciertas semejanzas con las Redes Semánticas y los Sistemas de Marcos, definidas dentro de este campo y eslabones importantes en la definición actual de las ontologías. En el caso particular de los Sistemas de Marcos, la manera en Minsky propuso que se organizara el conocimiento a servido en gran medida de fuente inspiradora para la estructuración del conocimiento en las ontologías [Lassila y McGuinness, 01]. Además del estudio de estas dos formas de representación del conocimiento que se describe en este tópico, se realiza un análisis comparativo entre estas y los MC. 2.1 Las Redes Semánticas En el campo de la computación los primeros intentos de utilización de Redes Semánticas (RS) son obras de Richard H. Richens en 1956, que fueron utilizándolas como interlingua para la traducción automática del lenguaje natural. Luego fueron tema de estudio de Robert F. Simmons en los 60. A finales de los 60 fue que se identificó el mayor aporte de esta forma de representación, que fue específicamente cuando Ross Quillian, asocia las RS con el “modelo de memoria semántica” que había definido [Quillian, 67]. Quillian planteaba, que el “modelo de la mente” estaba compuesto por una gran masa de nodos interconectados entre sí, directa o indirectamente, y la recuperación del conocimiento asociado a tales nodos se realizaba a partir del recorrido por las asociaciones que existen entre ellos [Quillian, 67]. Por lo que las RS eran ideales para representar dicho modelo. 5 Las RS no son más que un lenguaje gráfico, fácilmente traducibles en forma simbólica y muy útiles para representar conocimiento taxonómico. Se componen fundamentalmente por nodos etiquetados que pueden representar conceptos, situaciones del mundo real, objetos y arcos dirigidos y etiquetados, como se puede apreciar en los ejemplos de la Fig. 1. Según el tipo de relación que se utilice de pueden identificar tres tipos de nodos fundamentales: nodos clases/subclase, propiedades e instancias o individuos como también son conocimientos estos últimos. El conjunto de nodos y sus relaciones conforman una estructura que define los significados de cada concepto representado, y a su vez son manipulados por los mecanismos de inferencia aplicados a dichas relaciones y nodos. Existen diferentes tipos de nodos, diferenciados todos según la semántica interpretada de los tipo de relación en la que se encuentren. Se pueden representar nodos del tipo clase, subclase, propiedad o instancia. Es muy común encontrar representaciones de RS en forma taxonómica. En este tipo de RS es generalmente se utilizan las etiquetas: “es_un” y “tipo_de” o variantes semejantes (ver ejemplo A de la Fig. 1). La representación de esta maneras favorece el mecanismo de herencia que está presente en las RS, en todas sus relaciones y que está incluido en el lenguaje, por ejemplo: una clase o un objeto tiene las propiedades indicadas con los valores que figuran en los nodos de atributos, y hereda las propiedades y los valores de las clases con las que está relacionada por “tipo_de” o “es_un”. Adicionalmente, se pueden representar otros tipos de relaciones más naturales como “pone”, “vive_en”, “come”, como se puede apreciar en el ejemplo B de la Fig. 1. A B Fig. 1 Ejemplo de Red Semántica. A: representación taxonómica; B: representación completa Desde el punto de vista computacional los mecanismos de inferencia que son aplicables a las RS son relativamente sencillos y en la mayor parte de los casos se obtienen resultados satisfactorios aunque con el aumento de los nodos y enlaces su complejidad aumenta. Clasificaciones. Según Sowa, se pueden definir diferentes clasificaciones para este tipo de representación del conocimiento [Sowa, 02]: 1. Red Taxonómicas: en las que se hace mayor énfasis en las relaciones de tipos y subtipos (es_un y tipo_de) entre los conceptos. Este es un tipo de red es identificada también como jerarquía de generalización y los resultados de los mecanismos de inferencia están soportados por la herencia de propiedades. Además, son muy similares a los tesauros. 2. Red Asertoricas: Las proposiciones conforman aserciones, afirmaciones del conocimiento. 3. Red Implicacional: son aquellas en las que predominan las relaciones de implicación, y son utilizadas fundamentalmente para representar patrones de comportamiento y de causabilidad. 4. Red Ejecutable: son aquellas que incluyen algún mecanismo de inferencia para buscar patrones y asociaciones. 5. Red de Aprendizaje: son aquellas que han sido construidas para que se vayan extendiendo a partir de nuevos conceptos y relaciones que se van incorporando a la red. El nuevo conocimiento que se 6 incorpora puede sustituir un conocimiento “viejo” representado o incorporar nuevos conocimientos. 6. Híbridas: son las que combinan dos o más de las técnicas anteriores explicadas. Adicionalmente, se puede plantear que existen otros tipos de representación que pueden ser considerados como RS, dado que este es un concepto de gran alcance, se hace referencia a los Grafos Conceptuales, los Sistemas de Marcos [Moreno, 00] y también WordNet. Algunas limitaciones de las Redes Semánticas. En este tipo de representación, resulta de gran dificultad la representación de determinados tipos de conocimiento, como por ejemplo: elementos que representen cantidad (“algunos…”, “todos…”), por ejemplo, “algunos coches son más caros que otros”, “todos los coches son más caros que las bicicletas”. También tiene sus limitaciones para la representación de conocimientos que expresen negación, por ejemplo: la expresión “por la ciclo vía pueden transitar las bicicletas pero no los coches”. Estas limitaciones son particulares de la mayoría de las FRC que representan el conocimiento de forma gráfica, incluyendo los MC. Pero existen otras limitaciones, que si son inherentes a las RS y que tiene que ver con el número restringido de etiquetas (palabras-enlace) de relación que deben ser utilizadas. Algunas de las palabras-enlace más comunes son es_un, tipo_de, pertenece, instancia_de, encontradas fundamentalmente en las RS Taxonómicas. En la literatura consultada de RS no se identificó ningún requerimiento sobre el nivel de importancia de los conceptos representados, por lo que teóricamente, puede existir más de un concepto como principales. Esto puede dificultar la interpretación del conocimiento representado de algunos contextos ya que no se tiene claro el punto de partida para la lectura de la RS. En el caso de los MC tiene que existir un concepto principal y más inclusivo en la representación y a partir de el se realizan las interpretaciones. 2.2 Los Sistemas de Marcos Los Sistemas de Marcos, definidos por Minsky [Minsky, 75], son otra manera de estructurar el conocimiento, con punto de partida en las RS. En esta forma de representación, se proponen un conjunto de cambios importantes de lo que hasta ese momento se estaba considerando, por ejemplo el concepto del nodo (como elementos simple) en las RS, en los Grafos Conceptuales y en las Dependencias Conceptuales se convertiría en un Marco contenedor de mucha más información y más complejo, entre otros cambios. La esencia de la teoría de Minsky [Minsky, 75], se basa en que cada situación del mundo real forma un escenario, con n cantidad de variables, por lo que el hombre a la hora de enfrentarse a una nueva situación, busca una “situación” o “escenario” parecido en su memoria, y realiza los cambios necesarios en los valores y/o espacios correspondientes o simplemente incorpora ese nuevo escenario a su memoria. A esos “escenarios”, es a lo que se le denominó Marcos. Un Marco, representa un concepto dentro de una situación esteriotipada y agrupa sus elementos más significativos y un Sistema de Marcos sería un conjunto de estos interrelacionados. El Marco está dividido en dos partes fundamentales: una declarativa y una procedimental. En la parte declarativa se ubican los atributos y se describe la semántica del concepto (sus características). En la parte procedimental se ubican los métodos con los cuales se puede obtener información o hacer análisis sobre las características o relaciones que puedan existir con otros Marcos. Por lo tanto el Marco se describe mediante un nombre y la lista de atributos y métodos que posea. El Marco constituye un sistema de conceptos interrelacionados, de ahí el criterio de que un Sistema de Marco no es más que una representación de una compleja RS y hasta existen algunos autores como Chantal Pérez [Pérez, 02] que plantean explícitamente que son un tipo de RS. Con los Sistemas de Marcos se resuelve un conjunto de inconvenientes que están presentes en las RS, así como en los Grafos Conceptuales [Sowa, 05], ya que se crean las posibilidades de estructurar y expresar el conocimiento de una mejor forma. Entre los inconvenientes que se pretende solucionar con los Sistemas de Marcos, está la representación de restricciones de cuantificación, como por ejemplo: “todas las madres tienen al menos un hijo” y de la dimensión intencional [Pérez, 02], como por ejemplo: “Pedro cree que Ana sabe conducir”. 7 2.3 Los Mapas Conceptuales Los MC surgieron a finales de la década del 70, y propuestos por el Dr. Joseph D. Novak y un grupo de investigadores, del Departamento de Educación de la Universidad de Cornell, EUA [Novak y Gowin, 84]. Surgió como una forma de instrumentar la teoría de aprendizaje significativo que había desarrollado David Ausubel [Ausubel, 89]. El fundamento de esta teoría de aprendizaje plantea que el nuevo conocimiento es adquirido a partir de lo que ya se conoce, por medio de un proceso constructivista. Desde ese momento, los MC han constituido, una herramienta de gran utilidad para profesores, investigadores de temas educativos, psicólogos, sociólogos y estudiantes en general [Gutiérrez, 04]. El término de MC es bastante general por lo que dentro de ese concepto pueden ser “incluidas” otras representaciones del conocimiento como pueden ser: las RS [Quilian, 68] y los Grafos Conceptuales [Sowa, 05] en la disciplina de Inteligencia Artificial, los Modelos de Dominios en la Metodología de RUP [Jacobson y Otros, 00], entre otros. En el caso que ocupa a esta investigación, se trata de una forma de representación del conocimiento que su autor la definió en el texto “Learning How to Learn” [Novak y Gowin, 84], como una técnica que representa, simultáneamente, una estrategia de aprendizaje, un método para captar lo más significativo de un tema y un recurso esquemático para representar un conjunto de significados conceptuales incluidos en una estructura de proposiciones. En síntesis, los MC proporcionan un resumen esquemático de lo que se aprende [Novak, 82], ordenado de una manera jerárquica, y en el que se pueden reconocer los conceptos más importantes, las relaciones entre ellos, de un solo vistazo. Desde el punto de vista estructural los MC están compuestos por: nodos, enlaces entre ellos y proposiciones. Los nodos, estás asociados a conceptos que representan regularidades en los acontecimientos o en los objetos que se designan mediante algún termino [Novak, 1982]. Los enlaces son líneas unidireccionales y etiquetadas (palabra-enlace), que se utilizan para relacionar los conceptos y a su vez señalan los tipos de relación existente, permitiendo un nivel de interpretación semántica. Por último están las proposiciones, que están constituidas por dos o más conceptos relacionados por una palabraenlace, y representa la unidad semántica más pequeña que tiene valor de verdad. Estos elementos son representados de forma gráfica, y siempre tiene que haber un concepto como el más inclusivo, denominado concepto-principal. Los ejemplos que se muestran en la Fig. 2 evidencian la similitud estructural que poseen las RS y los MC. La terminología que puede ser utilizada en los MC, está desprovista de restricciones, permitiendo al usuario representar con libertad lo que conoce. Esta libertad tiene un mayor impacto en la selección de las palabras-enlaces (ver ejemplo A de la Fig. 2). Este es uno de los elementos fundamentales en los cuales difieren las RS y MC, siendo en este último mucho menos restrictivo en la selección de las palabrasenlace de las relaciones. Otro elemento de divergencia es en la identificación o no de un concepto como principal. En la siguiente figura se puede apreciar algunos de los criterios mencionados. A B Fig. 2 Representaciones en Mapas Conceptuales (A) y Redes Semánticas del mismo conocimiento (B) La diferencias existentes entre los MC y las RS están perfectamente justificadas cuando ambos fueron definidos para propósitos diferentes. En el caso de los MC para desarrollar el aprendizaje y el razonamiento del hombre y las RS para el aprendizaje y razonamiento de la computadora. Esto nos 8 sugiere que si se pensara utilizar los MC con fines computacionales sería conveniente considerar algunos cambios con relación a la terminología utilizada en las palabras-enlace. Para el trabajo con MC se han creado varios entornos computacionales de desarrollo pero en muy poca medida, dirigidos a razonar a partir de ellos por medio de algoritmos computacionales, y la causa principal es la poca formalización que brinda la flexibilidad de los mismos. Este será una de las direcciones principales que se abordarán en este trabajo. Por lo general las formas gráficas de representación del conocimiento, tienen una mayor potencialidad para la estructuración y no la formalización del conocimiento, lo que limita a que puedan ser aprovechados al máximo por algoritmos computacionales. Es por esto que surgen los lenguajes formales, que a través de la sintaxis y la semántica asociada a ella se puede expresar una mayor cantidad de conocimiento. 3. Los Lenguajes Formales Los lenguajes formales son definidos para definir un estándar común de expresión del conocimiento y estos deben cumplir un conjunto de requisitos fundamentales [Fernández, 04]: • Una sintaxis formalizada, para poder diseñar correctamente un motor de inferencia. • Una semántica bien definida, que permita la implementación procedimental en el motor de inferencia de algoritmos eficientes de razonamiento. • Una expresividad suficiente que permita expresar el conocimiento de la manera menos forzada posible, permitiendo una interpretación declarativa que represente todos los aspectos de la conceptuación que se está representado. Los primeros lenguajes que se definieron eran basados en la lógica de predicados de primer orden. Estos poseían una sintaxis y una semántica formalizadas, con una base rigurosa para el razonamiento, pero con grandes dificultades para la implementación de algoritmos de razonamiento eficientes y con poca flexibilidad sintáctica que impedía ciertas conceptuaciones y pocas posibilidades de modularización. Posteriormente surgen los lenguajes basados en “modelos cognitivos” derivados de estudios de la mente humana, lo que permitían conceptuaciones más naturales y algoritmos de razonamiento más eficientes, pero la dificultad en estos casos era que tenían una sintaxis menos formalizada y carecían de una definición semántica precisa. En este último grupo se incluyen los lenguajes KL-ONE y Krypton definidos por Brachman, el primero en el 76 [Brachman, 76] y el segundo en el 83 [Brachman, 83], ambos definidos para las RS. No fue hasta los 90 que quedaron establecidas lo que se la ha llamado “lógicas descriptivas” en las cuales se basan los lenguajes actuales, de los que describiremos algunos a continuación. 3.1 Las ontologías y los Lenguajes RDF/OWL La noción de ontología cuenta con una larga historia en filosofía, donde el término ha sido relacionado fundamentalmente con la representación de la existencia. Precisamente, si se busca en los diccionarios la definición más típica que se puede encontrar del término es que significa "Parte de la metafísica que trata del ser en general y de sus propiedades trascendentales"2. Una ontología es, precisamente, una especificación explícita de una (o una parte de una) conceptualización que incluye un vocabulario de términos y la especificación del significado de cada uno de ellos (el sentido del término). En el área del conocimiento de la computación, un sistema inteligente solo conoce lo que puede ser representado mediante un lenguaje determinado. Según las definiciones referidas hasta el momento sobre el término ontología, es razonable utilizarlo también en este sentido, para representar el conocimiento de sistemas inteligentes. Gruber [Gruber, 93], define a las ontologías como una especificación formal y explícita de una conceptualización compartida. En esta definición estandarizada, conceptualización se refiere a un modelo abstracto de algún fenómeno del mundo del que se identifican los conceptos que son relevantes; explícito hace referencia a la necesidad de especificar de forma consciente los distintos 2 Diccionario de la Real Academia Española, www.rae.es 15 En [Garrido y Tramullas, 04] es utilizado XTM (lenguaje de los Topic Maps) para representar el contenido representado en un MC. Se propone el uso de XTM como complemento del MC, con el propósito de aumentar la capacidad para compartir y reutilizar el conocimiento representado en el MC. A pesar de la real ventaja para compartir conocimiento estando este representado en XTM, el uso del propio XTM representa algunas limitaciones, fundamentalmente para la inferencia inteligente y automatizada. Aunque se están instrumentando un lenguaje de consulta para XTM denominado Topic Map Query Language (ISO/IEC 18048) [Garshol y Barta, 03] que resuelva en alguna medida este inconveniente, aún no está totalmente listo por lo que sigue siendo una mejor variante RDF/OWL, para estos fines. En [Gómez y Díaz, 04] se describe una propuesta de transformación de un MC en el lenguaje de Ontología OWL [Smith, Welty y McGuinness, 04]. En el proceso de obtención del OWL utilizan XTM, como un lenguaje intermedio. En el procedimiento se inicia con un MC que es transformado en un XTM de forma automatizada, posteriormente sobre ese XTM, es aplicado un conjunto de reglas y se construye el OWL. El conjunto de reglas plantean cual es la semántica que asociada a cada uno de los elementos sintácticos del XTM, que son tenidos en cuenta para construir el OWL. Esta propuesta planteada por Gómez y Díaz, tiene mucha relación con parte de lo que se proponen en el Modelo Unificado y es un interesante planteamiento que puede obtener buenos resultados en algunos contextos. A pesar de esto, han sido identificados dos inconvenientes: • En las reglas que son aplicadas: Una de las reglas plantea que todas las asociaciones (associations) en el XTM son expresadas en OWL como propiedades del topic origen de la associations, sin tiene en cuenta el tipo de relación y además no se aplica ninguna regla al MC construido. Esto puede ser una alternativa, pero no se aprovecha el máximo de la semántica que puede ser obtenida del MC, por lo que solo será válido para aquellos contextos en los que se requiera de poca semántica. • La semántica en el XTM: Este lenguaje basado en tópicos está desprovisto de semántica. En [Lacher y Decker, 01] [Pepper, 02] [Marius, 03], se confirma este planteamiento. Además, en este caso particular, la propia flexibilidad dificulta la obtención de esta semántica. Esto implica que sería un riesgo tratar de inferir un determinado conocimiento basado en la semántica con estas condiciones. Los inconvenientes descritos, muestran limitaciones en el área de aplicación de esta propuesta, con posibilidades de que en algunos es posible que se puedan generar algunas contradicciones, por errores en las interpretaciones del OWL resultante. Otro trabajo, analizado y de obligada referencia en este contexto, es el que han desarrollado Pat Hayes y su grupo de investigadores, cuyos resultados se describen en [Hayes, Reichherzer y Saavedra, 2003] y en [Hayes, Eskrindge, Reichherzer y Saavedra, 2004]. El objetivo fundamental de este proyecto es crear una suite de software que permita la construcción y edición colaborativa de ontologías, permitiendo también el reuso de ontologías existentes en la Web. El ambiente de colaboración que se ha propuesto es basado el MC, el cual juega el rol de lenguaje visual para facilitar la comprensión por parte de los humanos en el desarrollo de las ontologías. Los textos estudiados solo abordan el mecanismo de transformación de RDF en un MC, sin embargo, se ha hecho alusión al proceso inversión también. Esta propuesta se basa fundamentalmente en la similitud estructural que existe entre el triple de RDF (sujeto - predicado - objeto) y las proposiciones en el MC (nodo - palabra-enlace - nodo). El lenguaje RDF es base de diferentes lenguajes de ontologías, como DAML y OWL. Para la construcción del MC a partir del RDF, este primeramente es depurado de toda aquella información técnica no necesaria, a partir de un conjunto de restricciones OWL. Posteriormente es estructurado el RDF obtenido en un MC, siguiendo la estructura mencionada y luego se van haciendo refinamiento sobre ese MC. La semántica obtenida del RDF es representada en el MC, a partir de un conjunto de templates, el uso de estereotipos diferentes para los tipos de nodo: clase/subclase e instancia, así como un vocabulario restringido de palabras-enlace, en las que se incluyen: isAre, one of, instante of atMost, mustBe, etc. Cada clase y subclase, así como valores de propiedades e instancias son representados como nodos en el MC, cuando hay una relación de subclase se refleja en el MC como una relación del tipo isAre, las instancias son expresadas con el tipo de relación instante of, las propiedades son expresados como tipos de relación 16 entre la clase que posee la propiedad y el valor de la misma, que también se representa como un concepto. Adicionalmente, y considerada como una de las mayores aportaciones, es la propuesta hecha para representar restricciones numéricas, incorporándola al cuerpo de la palabra-enlace en lenguaje natural (para profundizar más ver ejemplo en http://www.ihmc.us/users/phayes/CODE/examples.html). Estos trabajos analizados siguen una línea similar al que se propone en este reporte técnico, por lo que se considera interesante hacer algunos comentarios con relación a las diferencias que se han identificado hasta el momento. • El la propuesta de Pat Hayes se trabaja con documentos RDF, por el contrario del nuestra propuesta que se trabaja con documentos OWL, aunque ya se ha comentado que el RDF es la base del OWL. Trabajar directamente con el OWL implica un proceso de depuración que se hace en la propuesta de Hayes y que en nuestra propuesta esto se disminuye. • Esta propuesta está pensada para ser utilizada a partir de cualquier documento RDF, por lo que la obtención del MC es más compleja. Uno de los elementos de complejidad es que en un RDF puede existir más de una clase con igual nivel de inclusividad y el MC solo debe haber un concepto como el más incluido. En los ejemplos vistos, ni en las explicaciones estudiadas, se ha apreciado claridad en la obtención del concepto-principal, al menos en contextos más complejos. • A partir del Modelo Unificado de Integración definido en nuestra propuesta, se puede trabajar con cualquier OWL siempre cuando cumpla un conjunto de requerimientos mínimos y es lo relacionado con los elementos cuantificables y las negaciones. Se ha definido un mecanismo de integración que permite la obtención de un MC a partir del OWL y viceversa de manera directa. Según lo analizado hasta ahora se puede plantear que se ha constatado la utilidad del uso de los MC integrados a las Ontologías para el desarrollo de estas y que no se ha visto con claridad la obtención de un modelo que de forma eficiente resuelva esta integración. Por tal razón se ha considerado útil de la definición del Modelo Unificado que se hizo mención en el último punto y que pudiera ser referencia para futuras investigaciones de este tipo. 6. La transformación del mapa conceptual en OWL La formalización está relacionada directamente con la sintaxis del lenguaje. En el caso de los MC la sintaxis se conforma con los términos de las proposiciones y pudiera tenerse en cuenta también el estereotipo que puede ser utilizado en cada nodo-concepto en su representación gráfica. Las proposiciones siguen una estructura del tipo: concepto, palabra-enlace, concepto, similar a las triples del RDF. Para la formalización del MC en un OWL es necesaria la captura de una semántica asociada a la identificación de tipos de conceptos y relaciones. Esta semántica puede ser capturada a partir de ambos elementos sintácticos, los términos utilizados en la conformación de las proposiciones y/o la representación estereotipada del MC. Considerando más conveniente el uso de la primera forma, analizando el contenido de las proposiciones, tal como se hace en las RS, en los Sistemas de Marcos y en el análisis de los documentos RDF. 6.1 La representación semi-formal Desde el punto de vista teórico no existe ninguna restricción asociada al término o los términos que pueden ser utilizados en la elaboración de un MC. Esto alcanza una mayor importancia sobre todo en las palabras-enlace, siendo de suma complejidad la captura de una semántica adecuada de estas. El sexto criterio definido en el Tópico 4 Modelo Unificado de este trabajo plantea la definición de Categorías en las se agrupen las palabras-enlace. Estas Categorías formarían parte de la sintaxis que se utilice en la elaboración del MC para una posterior interpretación semántica de las relaciones representadas. A modo de ejemplo: tenemos la palabra-enlace “tiene_parte_a”, en la relación (A, tiene_parte_a, B) que puede ser interpretada como que B es parte de A, que de otra manera más cercana a las Ontologías B es una subclase de A. Esta palabra-enlace es muy similar a “es_un”, comúnmente utilizada en las RS. Como parte del resultado de la investigación se han definido un conjunto de palabras-enlace organizadas por Categorías, que pueden ser utilizados en contextos generales y que no son las únicas válidas. Según el Dr. Cañas, líder de un proyecto de investigación sobre MC dentro del Institute for Human & Machine 17 Cognition of West Florida University, uno de los aspectos más complejos en el proceso de construcción de un MC es la definición de la palabra o las palabras que se deben utilizar para relacionar dos conceptos [Cañas y otros, 03]. Por tal razón, no es recomendable restringir mucho estas Categorías, de tal forma que el usuario puede tener cierta libertad a la hora de definir cual es la palabra-enlace más adecuada en la relación entre dos conceptos cualesquiera. En la siguiente tabla se describen las cuatro Categorías de Palabras-Enlace (CPE) definidas y las palabras-enlaces incluidas en cada una de dichas categorías. Con estas palabras-enlaces se trata de mantener la flexibilidad que siempre ha caracterizado a los MC en su construcción. El hecho de definir estas CPE, no significa que sean solamente estas las únicas que puedan ser utilizadas a la hora de construir el MC, como otras formas verbales, sino que ya de estas se ha identificado la semántica que puede ser inferida, ya se ha formalizado este elemento sintáctico. La cantidad y variedad del conocimiento que pueda ser representado estará afectada en alguna medida la cantidad de palabrasenlaces posibles a definir según el contexto de aplicación. Tabla 1. Categoría de Palabras de Enlace Categorías palabras-enlace Categoría de Subclasificación (CSC) tiene_parte_a, tiene_dependencia, incluye, agrupa, se_compone_de, comprende_a, puede_ser Categoría de Instanciación (CI) instancia_como, tiene_ejemplo_a, puede_ser Categoría de Propiedad (CP) Tiene, posee Categoría de Propiedad-Valor Directa (CPVD) Sustantivos Categoría de Propiedad-Valor Indirecta (CPVI) Formas Verbales derivadas de: oler (Ej: olor), carecer (Ej: carencia), contener (Ej: contenido), ejercer (Ej: ejerce), poder (capacidad), representar (Ej: representa) Como se puede apreciar en la anterior tabla, se le ha dado un tratamiento particular a algunas formas verbales que pueden ser utilizados con palabras-enlace. A pesar de que las formas verbales generalmente expresan acción, cuando aparecen en relaciones entre dos conceptos, pueden ser interpretada una semántica a tener en cuenta. Analicemos la proposición (árbol, tiene, hojas), de acuerdo a la definición del término “tiene” que se puede encontrar en la Tabla. 3 Significados de Palabras-Enlace en los Anexos, se puede inferir la semántica de que el árbol tiene la propiedad de tener hojas. Desde el punto de vista de Ontología se pudiera inferir que árbol es una clase, que tiene la propiedad tiene, cuyo valor sería hojas. Una interpretación similar se puede hacer de la sentencia (coche, posee, ruedas), y así cuando se utilizan los términos derivados de olor, costar, carecer, entre otras, cuyas definiciones pueden inferir una propiedad del concepto origen de la relación en la que se utilicen, pero en estos últimos casos sería de forma indirecta. Con la definición de estas categorías definidas puede ser capturada la semántica que se encuentra ausente en el MC y que es requerida para su formalización en OWL, a saber: relaciones de clase-subclase, clase/subclase-propiedad, propiedad-valor y clase/subclase-instancia. No pretendemos manifestar que esta son las únicas categorías y palabras-enlace posibles para capturar dicha semántica ni, la única manera posible de hacerlo. Aquí solo se está haciendo solo una propuesta, y se encuentra en evolución. Para poder arribar a estas conclusiones fueron analizados un conjunto de trabajos afines. En [Valente y otros, 04] que utiliza dominios de palabras-enlace para el análisis del nivel de inclusividad de las relaciones en un MC, por ejemplo: las palabras de enlace: “tiene” y “depende de” son interpretadas como de una relación de subclase y se agrupada en las Dimensiones de Partición y Dependencia respectivamente. También están los trabajos de Roger Schank, uno de los grandes investigadores dentro de la IA sobre todo dentro de la representación del conocimiento. Schank, definió por los 70’ las Dependencias Conceptuales [Schank, 75], con el propósito de representar el significado del sentido en Lenguaje Natural. Definió para ello un conjunto de primitivas en las cuales se agrupaban un conjunto de de formas verbales que representaban una acción determinada [Schank, 75] y conjuntamente con otros elementos simbólicos, eran utilizadas en la definición de las relaciones entre los conceptos. 18 6.2 El uso de EuroWordNet Los MC constituyen una manera de estructurar un texto de forma resumida y por lo general, jerárquica. Cada proposición es una frase resumida del lenguaje natural y de la cual se puede realizar una interpretación semántica determinada. Esta interpretación es muy útil y necesaria si se considera mantener la flexibilidad en el MC y a su vez para lograr su transformación a lenguaje OWL. Por tal razón se puede analizar al MC como un texto estructurado, aplicando algoritmos y estrategias que se utilizan hoy en el campo del Procesamiento del Lenguaje Natural (PLN), concretamente, se hace referencia a procesos de desambiguación del sentido de los términos (conocido como WSD, siglas en inglés) y el uso de bases de datos léxicas, como puede ser WordNet [Fellbaum, 98] o su extensión EuroWordNet [Vossen, 96]. La decisión de cual de las dos se debe utilizar, está en dependencia de la disponibilidad de la misma y del idioma con el que se quiera trabajar. En el caso de WordNet los términos almacenados se encuentran en el idioma inglés y en el caso de EuroWordNet se pueden encontrar los términos en diferentes idiomas, en el que se incluye el español. La propuesta que se presenta se ha desarrollado en primera instancia para entornos en los que se utilice el idioma español, aunque la estrategia descrita puede ser utilizada para entornos de diferentes idiomas, solo habría que cambias la base de datos léxica. EuroWordNet (EWN) [Vossen, 97] es un sistema de redes semánticas para lenguajes europeos. Cada lenguaje desarrolla su propio wordnet y estos están interconectados con enlaces interlingua (ILI). EWN fue definido como la extensión multilingüe de WordNet (monolingüe) y asume la misma estructura basada en synsets o sentidos. Los synsets definen un sentido y están formados por conceptos con relaciones de sinonimia entre ellos. El índice interlingua (ILI), incorporado por la estructura general de EWN, permite la obtención de conceptos semánticamente relacionados. Se incrementaron los tipos de relaciones que existían en WordNet (sinonimia, antonimia, hiperonimia, meronimia, implicación, etc.) y se incorpora una jerarquía de de dominios, lo cuales son incluidos en cada synset. En esta investigación se propone el uso solo de las relaciones hiperonímia, hiponimia, meronimia, holonimia, según la semántica requerida para la relación de subclasificación o tipo_de y de propiedad o parte_de. El uso de WordNet o EWN, con este propósito no es una cosa nueva, algunos trabajos hacen referencia a este tipo de análisis [Kietz, Maedche y Volz, 00] [Sombatsrisomboon, Matsuo e Ishizuka, 02] [Tariq y otros, 03] [Kornilakis y otros, 04] [Cimiano y otros, 04], y en particular algunos dirigidos a la construcción de taxonomías y representaciones ontológicas de forma automatizada. En la lengua española, como en otras lenguas, existe una palabra puede tener varios “sentidos”, lo que es llamado polisemia. En EuroWordnet la polisemia de un concepto se manifestaría con la asignación al término correspondiente al concepto de varios synset. Lo anterior sugiere que es necesario identificar el sentido correcto de cada término representado en el MC antes de realizar cualquier análisis semántico. Ante esta necesidad los autores se dieron a la tarea de analizar un conjunto de propuestas para la desambiguación [Magnini y otros, 02] [Pons y otros, 03] [Cañas y otros, 03]. El propuesto por [Pons y otros, 03] es el que consideramos más útil para nuestros propósitos, a pesar de que la propuesta de Cañas y colegas está enfocada específicamente a MC, pero tiene algunos inconvenientes a la hora de identificar el sentido del concepto principal del MC y utiliza un número reducido de tipos de relación en EuroWordnet. La selección estuvo influenciada por dos criterios fundamentalmente, el uso de los Dominios de Magnini y la precisión en la identificación del sentido correcto que se podía obtener dada la cantidad de tipos de relaciones tenidas en cuenta. Los Dominio de Magnini, consisten, de forma muy breve, en la incorporación a cada synset de un campo en el que se defina el o los dominios en los cuales los términos incluidos en el synset se expresan en ese sentido, para una mayor profundización se puede consultar [Magnini y otros, 02]. El conocimiento representado en un MC representa un contexto de un conocimiento de un dominio determinado, por lo tanto, el sentido de cada uno de conceptos que en el están representados en ese contexto está dado por ese dominio. Por lo tanto, la utilización de los Dominios Magnini, en el proceso de identificación del “sentido” de cada concepto puede ayudar a optimizar en tiempo requerido por dicho proceso. Con relación a los tipos de relación, en la propuesta descrita en [Cañas y otros, 03], solo se tiene en cuenta el tipo de relación hipernimia, por lo que la precisión puede ser menor con relación a la de [Pons y otros, 03] que utiliza una mayor cantidad de tipos de relaciones. Adicionalmente, las relaciones de hipernimia, transmiten una semántica del tipo subclase_de, por lo tanto, la información que puede ser obtenida es relacionada con los términos más inclusivos de un objeto de estudio, lo que representa una limitación a la hora desambiguar en el MC el Concepto Principal, ya 19 que el es el más inclusivo en el contexto representado [Novak y Gowin, 88]. Lo anterior fue otro elemento tenido en cuenta para la selección de la propuesta de Pons y no la de Cañas. 6.3 La obtención del OWL Después de definidas estas categorías, podemos entrar en detalle de lo que sería el proceso de obtención del equivalente OWL al MC, para el cual se han definido un conjunto de reglas que utilizan esta categorización y han sido organizadas en 4 partes fundamentales. Parte 1. Preparación inicial. A partir de se lo que se propone en [Pons y otros, 03] se han realizados algunas adaptaciones para su aplicación en MC. A continuación se presenta un resumen del procedimiento descrito en [Pons y otros, 03] en el que se ha incluido las modificaciones consideradas. Llamemos SContexto de un concepto c en un contexto C, al conjunto de conceptos que están incluidos en las proposiciones en las que él se encuentra y aquellos que se encuentran a una distancia R de 2 a partir de c. La distancia R constituye la cantidad de conceptos por los que hay que transitar para llegar de un concepto c1 a otro concepto c2 cualquiera. Sean G = < S, R >, el grafo no orientado asociado al grafo de WordNet y s ∈ S, un synset. Llamaremos r-vecindad de s al conjunto de todos los synset s’ tal que existe una cadena de s a s’ de longitud r en G Después de haber hecho estas precisiones, el procedimiento sería el siguiente: Relación de synset a cada concepto del MC. 1. Asignar a cada concepto c una lista de todos los synset S(c) que aparecen en WordNet. 2. Pasar a una lista de “Conceptos ya desambiguados” todos aquellos que tenga un solo synset en S(c). Determinar el dominio del concepto-principal (en caso que se haya identificado más de un sentido y en diferentes dominios). 3. Ejecución del método “Desambiguar_por_Contexto” [Pons y otros, 03], pero solo sobre el concepto-principal. 4. Sea D el dominio correspondiente al sentido del concepto-principal (synset obtenido como resultado del punto 3). Desambiguado con el dominio. 5. Para cada concepto c no desambiguado. Si existe un s ∈ S(c) etiquetado en su dominio con D, eliminar todos los s cuyos dominios sean distintos de D incluidos en S(c). En caso de que S(c) quede con un solo elemento, incorporar c a la lista de conceptos desambiguados y se terminaría el proceso de desambiguación. En caso contrario se pasaría a desambiguar por el contexto en un siguiente paso. Desambiguación de los conceptos que quedan por desambiguar. 6. Ejecución del método “Desambiguación_Contexto” [Pons y otros, 03] al resto de los conceptos quedan en S(c). Después de terminado esta primera fase, se conforma una lista LP de todas las proposiciones que conforman el MC, en la que cada concepto es acompañado del sentido (synset) identificado. Con LP se ejecuta la próxima fase. Parte 2. Generación del OWL base. • Cada uno de los nodos de los MC representa un concepto y son expresados como clases. Utilizando como ejemplo el mismo MC que se muestra en la Fig. 5 se puede plantear en OWL lo siguiente: 20 <owl:class rdf:ID = “Vasos Sanguíneos”> <owl:class rdf:ID = “Muscular”> <owl:class rdf:ID = “Fibrosa” > . . . </owl:class> • El Concepto Principal, el que se encuentra a un nivel más alto en la jerarquía en el MC, representa se representa como una subclase de la clase “Thing” (clase abstracta y más inclusiva dentro de cualquier ontología). Son también representados como subclase el resto de los conceptos del MC. <owl:class rdf:ID = “Vasos Sanguíneos”> <rdfs:subClassof rdf:resource = “Thing”> /> . . . </owl:class> Parte 3. Identificación de las Relaciones de Subclasificación. • En las proposiciones p ∈ LP, con sintaxis (c1, p-e, c2), donde p-e ∈ CSC, quiere decir que c1 es más inclusivo que c2. Por lo tanto, c1 se expresaría como una clase y c2 se expresaría una subclase de c1. Ej. (Vasos Sanguíneos, agrupa, Arteria). En caso de que la palabra-enlace no se encuentre dentro de la Categoría de Subclasificación, se utilizaría EWN para la identificación de este tipo de relación. Uso de EWN: • Sea s1 el sentido de c1 y s2 el sentido de c2 identificados. a. Generar todas las cadenas de synset C(h) de relaciones de hiponimia a partir de s1. En EWN son relaciones de: HAS_HYPONYM, HAS_XPOS_HYPONYM [Climent, Rodríguez y Gonzalo, 05]. b. Si aparece s2 tal que s2 ∈ C(h), entonces se puede plantear que c2 es una subclase de c1. Esto se haría de forma recursiva para cada p ∈ LP, • Expresión en OWL. Sea p1 = (Vasos Sanguíneos, agrupa, Arterias) y p2 = (Vasos Sanguíneos, agrupa, Vena), tal que p1 y p2 ∈ L, (Fig. 5) entonces: <owl:class rdf:ID = “Arteria”> <rdrs:subClassOf rdf:resource = “Vasos Sanguíneos” /> . . . </owl:class> <owl:class rdf:ID = “Vena” > <rdfs:subClassOf rdf:resource = “Vasos Sanguíneos” /> . . . </owl:class> En EWN se pueden encontrar una gran cantidad de conceptos almacenados, sin embargo, puede existir la posibilidad de que no se encuentre un concepto específico o no exista una relación directa entre dos conceptos deseados. En la mayor parte de los casos en los que esto suele ocurrir es cuando se está trabajando con un dominio de conocimiento muy específico. El hecho de no poder encontrar esta información en EWN, limitaría la aplicación de este método en este contexto. En este sentido se recomienda hacer un mayor uso de las palabras-enlaces incluidas en la CPE definida para el contexto de conocimiento que se está trabajando. El uso de EWN es solo como una herramienta auxiliar, por lo que no debe recaer todo el peso del análisis sobre esta. Lo planteado es válido para todos los momentos en los que puede ser utilizado EWN. Parte 4. Identificación de las Relaciones de Instancia. 21 • En las proposiciones p ∈ L, con sintaxis (c1, p-e, c2), donde p-e ∈ CI y c2 es un concepto terminal, quiere decir que c2 representa una instancia de c1. • Expresión en OWL. Sea p = (Arteria, tiene_ejemplo_a, Aorta), tal que p ∈ L, (Fig. 5) entonces: <owl:class rdf:ID = “Arteria”> <rdrs:subClassOf rdf:resource = “Vasos Sanguíneos” /> . . . </owl:class> <Arteria rdf:ID = “Aorta” > …. </Arteria> Es muy fácil confundir una relación de subclase con una de instancia y viceversa [Smith, Welty y McGuinness, 04]. En la identificación de un término t como instancia, puede ser aprovechada también la disposición taxonómina de ese término t en el MC. Si se tiene la p = (c1, p-e, c2) la probabilidad de aceptación de que c2 sea una instancia de c1 sería mayor, si c2 sería un nodo hoja en la representación del MC y a su vez tiene relación con un concepto c, tal que c es identificado como el valor de alguna propiedad p de una clase que se encuentre en un nivel superior y la palabra-enlace de la relación entre c2 y c sea p. Esto se haría siempre, ya que en el modelo que se propone se está asumiendo la herencia de propiedades. Parte 5. Identificación de las Relaciones de Propiedad. La identificación de las relaciones de propiedad es un de los análisis más complejos a realizar por la cantidad de sintaxis de las cuales puede inferirse un tipo de relación de propiedad, y de ello la cantidad de reglas definidas. Es por esta razón que se ha dejado para el final y no por ser la menos importante. • Dada la proposición p ∈ L, con sintaxis (c1, p-e, c2), a. Si p-e ∈ CPVD, estamos en presencia de una sintaxis del tipo (clase/subclase, propiedad, valor), de la que se puede inferir que c2 el valor la propiedad p-e de c1. Por ejemplo: si se tiene la proposición p = (Arteria, pared, Muscular), podemos inferir que la clase “Arteria” tiene una propiedad que es la “pared” cuyo valor es “Muscular” (ver Fig. 5). <owl:class rdf:ID = “Tabular”> . . . </owl:class> <owl:ObjectProperty rdf:ID = “forma”> <rdfs:domine rdf:resource = “#Vasos Sanguíneos”/> <rdfs:range rdf:resource = “#Tabular”/> </owl:ObjectProperty> b. Si p-e ∈ CPVI, estamos en presencia de una sintaxis del tipo (clase/subclase, propiedad indirecta, valor), de la que se puede inferir que c2 el valor la propiedad que genera la p-e perteneciente a c1. Por ejemplo: si se tiene la proposición p = (Vasos Sanguíneos, contiene, Sangre), podemos inferir que la clase “Vasos Sanguíneos” tiene una propiedad que es “contenido”, derivada de la forma verbal “contiene” y cuyo valor es “Muscular” (ver Fig. 5). <owl:class rdf:ID = “Sangre”> . . . </owl:class> <owl:ObjectProperty rdf:ID = “contenido”> <rdfs:domine rdf:resource = “#Vasos Sanguíneos”/> <rdfs:range rdf:resource = “#Sangre”/> </owl:ObjectProperty> c. Si p-e ∈ CPVD, estamos en presencia de una sintaxis del tipo (clase/subclase, p-e, propiedad), de la que se puede inferir que c2 es el nombre de la propiedad de c1. Esta 22 es una forma, sin embargo, puede existir una interpretación diferente con el uso de EuroWordNet. Sea s2, el sentido de c2, la propiedad de c1, podría ser cualquier hiperonimia (HAS_HYPERONYM, HAS_XPOS_HYPERONYM) de c2 que pertenezca al mismo dominio D y el valor de esa propiedad sería c2. Por ejemplo: si se tiene la proposición p = (Vena, pared, Fibrosa), podemos inferir que la clase “Vena” tiene una propiedad que es “pared” cuyo valor es “Fibrosa” (ver Fig. 5), de acuerdo al primer caso. De acuerdo al segundo caso, se buscaría, un hiperónimo de “Fibrosa”, del mismo dominio D y sería el nombre de la propiedad y “Fibrosa” su valor. Es recomendable utilizar la segunda variante pero en caso de que no aparezca el concepto “Fibrosa” en EuroWordNet mantener la primara variante. • En caso de que p-e de p ∈ L no pertenezca a ninguna de las categorías definidas para la identificación de propiedades, se puede hacer uso de EWN. a. Sea p ∈ L, con sintaxis (c1, p-e, c2), s1 el sentido de c1 y s2 el sentido de c2. Generar todas las cadenas de synset C(s) de relaciones de meronimia (HAS_MERONYM, HAS_MERO_MEMBER, HAS_MERO_PORTION, HAS_MERO_PART, HAS_MERO_MADEOF, HAS_MERO_LOCATION) [Climent, Rodríguez y Gonzalo, 05] que pueden ser generadas en WordNet a partir de s1. Si se identifica que s2 ∈ C(s), se puede plantear que entre c1 y c2 existe una relación de propiedad. Para identificar el nombre de la propiedad y expresarlo en el OWL se haría lo mismo que en el punto c anterior. Es posible que en algunos casos, se encuentren nombres de propiedades compartidas por varios conceptos, como sucede aquí con “pared”. En OWL esta situación será expresada como lo hace Protégé, creando uniones en forma de colecciones de los range y domaine en el cuerpo de la especificación de la propiedad (owl:ObjectProperty) <owl:ObjectProperty rdf:ID=”Pared”> <rdfs:Domine> <owl:Class> <owl:unionOf rdf:parseType=”Collection” <owl:Class rdf:about=”#Arteria”/> <owl:Class rdf:about=”#Vena”/> </owl:unionOf> </owl:Class> </rdfs:domine> < rdfs:range> <owl:Class> <owl:unionOf rdf:parseType=”Collection” <owl:Class rdf:about=”#Muscular”/> <owl:Class rdf:about=”#Fibrosa”/> </owl:unionOf> </owl:Class> </rdfs:range> En los MC es posible crear relaciones no binarias. Desde el punto de vista de nuestro modelo esta situación particular, puede ser interpretada como que una propiedad puede tener asociado un conjunto de valores. Para expresar esto, se ha propuesto el uso de una restricción <owl:Restriction> [Smith, Welty y McGuinness, 04] a la propiedad y que se extiende a todas las reglas descritas. En [Gómez y Díaz, 04] se sigue este mismo criterio pero para todas las propiedades, no siendo así en nuestro caso. 23 Fig. 6 Representación visual y formal de un rango de valores de la propiedad “pared” de la clase “Vena”. El mismo ejemplo anterior según Protégé: <owl:ObjectProperty rdf:ID="pared"> <rdfs:range> <owl:Class> <owl:unionOf rdf:parseType="Collection"> <owl:Class rdf:about="#Delgada"/> <owl:Class rdf:about="#Fibrosa"/> </owl:unionOf> </owl:Class> </rdfs:range> <rdfs:domain rdf:resource="#Vena"/> </owl:ObjectProperty> Fig. 7 Código OWL generado en Protégé. El procedimiento descrito es solo una propuesta de cómo se puede obtener el equivalente en OWL de un MC, a partir de la definición de una sintaxis basada en un lenguaje restringido para estos últimos y convirtiéndolos en una forma de representación semi-formal. El vocabulario utilizado en la definición de las CPE es bastante general. Hacer un listado completo de todas las posibles combinaciones de palabrasenlace válidas a ser utilizadas en cada una de las categorías, representaría un trabajo bastante arduo, engorroso y complejo dada la riqueza del lenguaje. En esta propuesta el número de palabras-enlace definidas es reducido debido a que el objetivo principal es comprobar como de esa manera se puede obtener una formalización en el MC sin perder su flexibilidad. Lo ideal sería que para cada en cada dominio de aplicación de este modelo, se definan las diferentes palabras-enlace más utilizadas y se incorporaran a las CPE que les corresponda, para lo cual ya están las bases creadas. La flexibilidad de esta propuesta es mucho mayor que otras propuestas en las cuales se cuenta con un menor número de palabras-enlace a utilizar, y no tienen las condiciones creadas para su enriquecimiento. En este sentido, la incorporación a nuestra propuesta de EWN, ha beneficiado mucho a mantener esta flexibilidad, necesaria en el proceso de construcción del MC y a su vez en el desarrollo de ontologías. Ejemplo Para una mayor comprensión del método descrito, se describe un ejemplo a continuación, en el que también se puede apreciar el resultado que puede ser obtenido. Fig. 8 Mapa Conceptual sobre el concepto de Vasos Sanguíneos. 24 Se inicia el método con la Preparación Inicial, en la que se identifican cada uno de los sentidos correctos de los conceptos representados utilizando EWN. Tabla 2. Datos obtenidos de EWN Concepto Synset (sentido) Dominio Vasos Sanguíneos vaso_sanguíneo_1 Anatomía arteria_1 Anatomía Arteria_2 Transporte Arteria_3 Sociología Arteria Arteria_4 Astronomía vena_1 Anatomía Vena vena_2 Geología Aorta aorta_1 Anatomía Muscular muscular_1 Anatomía Sangre_1 Anatomía Sangre_2 Psicología Sangre Sangre_3 Factotum 5 Tabular_1 Factotum Tabular Tabular_2 Geometría En el caso de “Fibrosa”, no fue encontrado en EWN por lo tanto se mantiene ese término para los próximos pasos. Identificados todos los synset, se pueden descubrir los primeros conceptos ya desambiguados, que son aquellos que solo tengan un sentido conformando la Lista de Conceptos ya desambiguados. En esta lista se incluyen: Vasos_Sanguíneos, Muscular y Aorta, quedando por desambiguar el resto. El próximo paso sería desambiguar el concepto-principal pero en este caso ya ha sido desambiguado. Es identificado el Domino “Anatomía” como el más predominante, encontrando un 75 % de los conceptos algún sentido o synset en ese dominio y en este caso particular coincidiendo también con el del concepto-principal “Vasos Sanguíneos”. De este análisis se infiere que el Dominio del contexto en el que se expresa este MC es el de “Anatomía”. Después de desambiguado el concepto-principal, y teniendo el dominio, se inicia otra fase del WSD recorriendo a lo ancho todos los conceptos del MC. Teniendo en cuenta ese domino, son desambiguado los conceptos Arteria, Vena, y Sangre, cada uno de ellos con los sentidos correspondientes al Domino “Anatomía”. El sentido “Fibrosa” debe ser identificado con el el proceso de Desambiguación por Contexto . Se ha obtenido después de estos procesos de WSD una lista con todos los conceptos con los sentidos de cada uno asociados. Ahora se inicia el proceso de obtención de los tipos de relación de cada una de las proposiciones que conforma el MC. Si se observa bien esta representación podemos identificar con claridad que las palabras-enlace utilizadas coinciden en su gran mayorías con las que se han incluido en la CPE definidas, por lo que para una evaluación “cruzada” del método se analizarán solo los resultados que se obtienen de la aplicación de EWN para el caso de los tipos de relación de subclase, propiedades directas, así como instancia. Comenzando por “Vasos Sanguíneos”, se ha obtenido que dentro de las relaciones de hyponyn (Hiponímia en español) se han encontrado los synset: “arteria_1” y “vena_1”, El OWL generado por este método es el siguiente: 5 Persona de plena confianza de otra y que en nombre de esta despacha sus principales negocios. Persona que desempeña en una casa o dependencia todos los menesteres. (www.rae.es) 31 [Gruber, 93] Gruber T., “Toward Principles for the Design of Ontologies used for Knowledge Sharing”, Formal Ontology in Conceptual Analysis and Knowledge representation, Guarino y Poli Ed., Kluwer Academic Publishers, 1993. [Jacobson y Otros, 00] Jacobson, I.; Booch, G. y Rumbaugh, J.; “El Proceso Unificado de Desarrollo de software”, Addison-Wesley, 2000. [Hayes, Reichherzer y Saavedra, 03] Hayes P., Reichherzer T. y Saavedra R., “A Collaborative Developmente Environment for Ontologies”, Semantic Integration Workshop, Sanibel Island, Octubre 2003, URL: http://sunsite.informatik.rwthaachen.de/Publications/CEUR-WS//Vol-82/SI_demo_05.pdf [Hayes, Eskrindge, Reichherzer y Saavedra, 04] Hayes P., Eskritdge, Reichherzer T. y Saavedra R., “A Framework for Constructing Web Ontologies using Concept Maps”, DALM Meeting, Mayo 2004, URL: http://www.daml.org/meetings/2004/05/pi/pdf/IHMC_DAML_PI_2004.jb.pdf. [Hayes, 04] Hayes Pat, “Institute for Human & Machine Cognition (IHMC) Newsletter”, Vol 2, No. 1, pp. 10, 2004, URL: http://www.ihmc.us/newsletters/IHMCNewsMarch04.pdf [Kietz, Maedche y Volz, 00] Kietz J-U, Maedche A. y Volz R., “A Method for Semi-Automatic Ontology Acquisition from a Corporete Intranet”, 12th International Conference on Knowledge Engineering and Knowledge Management. Workshop on Ontologies and Texts, Octubre 2000. URL: http://www.irit.fr/ACTIVITES/EQ_SMI/GRACQ/WSEKAW2000/PAPERS/Maedche.pdf [Kornilakis y otros, 04] Kornilakis H., Grigoriadou M., Papanokolaou K. y Gouli E., “Using WordNet Support Interactive Concept Map Contruction”, Proceeding in 4th IEEE International Conference on Advanced Learning Technologies (ICALT2004), Agosto-Septiembre, Finland 2004, pp. 600-604. URL: http://hermes.di.uoa.gr/lab/cvs/papers/gouli/kgpg-ICALT-2004.pdf [Kremer, 94] Kremer R., “Concept Mapping: Informal to Formal”, Proceeding of the International Conference on Conceptual Structures, University of Maryland, 1994, URL: http://pages.cpsc.ucalgary.ca/~kremer/papers/ICCS94.html [Kremer, 97] Kremer R., “Constraint Graphs: A Concept Map Meta-Language”, Ph. Doctor, The Cralgary University, 1997. [Ksiezyk, 00] Ksiezyk R., “Answer is just a question [of matching Topic Maps]”, Proceeding in XML Europe 2000, Paris, France, 2000, URL: http://www.gca.org/papers/xmleurope2000/papers/s22-03.html [Lacher y Decker, 01] Lacher M. y Decker S, “On the integration of Topic Maps and RDF”, International Semantic Web Working Symposium, Stanford University, California, USA, Jul- Ago 2001, URL: http://www.semanticweb.org/SWWS/program/full/paper53.pdf [Le Grand y Soto, 00] Le Grand B. y Soto M., “Information Management – Topic Maps Visualization”, Proceeding in XML Europe 2000, Paris, France, 2000 URL: http://www.gca.org/papers/xmleurope2000/papers/s29-03.html [Lassila y McGuinness, 01] Lassila O. y McGuinness D., “The Role of Frame-Based Representation on the Semantic Web”, Electronic Transactions on Artificial Intelligence (ETAI) Journal: area The Semantic Web, 2001, URL: http://www.ida.liu.se/ext/epa/ej/etai/2001/018/01018-etaibody.pdf 32 [Marius, 03] Marius L., “Living with Topic Maps and RDF”, Material publicado en el sitio Ontopia, 2003, URF: http://www.ontopia.net/topicmaps/materials/tmrdf.html [Magnini y otros, 02] Magnini B., Strapparava, C y Glifio A., “The Role of Domain Information in Word Sense Disambiguation”, Natural Language Engineering, Cambridge University Press, pp. 359–373, 2002. [McGuinness y Harmelen, 04] McGuinness D. y Harmelen F., “OWL Web Ontology Language Overview”, W3C Consortium, Febrero 2004, URL: http://www.w3.org/TR/owlfeatures/. [Minsky, 75] Minsky M., “A Framework for Representing Knowledge”, The Psychology of Computer Vision, McGraw-Hill, pp. 211-277, 1975 [Moreno, 00] Moreno A., “Diseño e Implementación de un Lexicón Computacional para Lexicografía y Traducción Automática”, Estudios de la Lingüística Española, Vol. 9, 2000, URL: http://elies.rediris.es/elies9/4-3-2.htm#4.3.2.1 [Newcomb y otros, 03] Newcomb S. y otros, “Topic Maps Model (TMM)”, Proyecto Topic Maps, ISO/IEC JTC 1/SC34 N0393, Marzo 2003, URL: http://www.isotopicmaps.org/tmmm/TMMM-2.30/TMMM-2.30.html [Novak y Gowin, 84] Novak, J.D. y Gowin, D.B. “Learning how to learn”, Cambridge University Press, 1984. [Pease y Niles, 02] Pease A. y Niles I., “IEEE Standard Upper Ontologies: A Progress Report”, The Knowledge Engineering Review, Vol. 17, Publicación 1, pp. 65-70, 2002. [Pérez, 02] Pérez M., “Explotación de los córpora textuales informatizados para la creación de bases de datos terminológicas basadas en el conocimiento”. Estudios de Lingüística Española, V. 18, 2002, URL: http://elies.rediris.es/elies18/523.html [Pepper, 02] Pepper S., “Ten Theses on Topic Maps and RDF”, Material publicado en el sitio Ontopia, 2002, URL: http://www.ontopia.net/topicmaps/materials/rdf.html [Pons y otros, 03] Pons, A., Rafael Berlanga Llavori, Ruiz-Shulcloper, J., “Un nuevo método de desambiguación del sentido de las palabras usando WordNet”, X Conferencia de la Asociación Española para la Inteligencia Artificial. San Sebastián, U. País Vasco, 2003, URL: http://www3.uji.es/~berlanga/Chronology/caepia03_pons.pdf [Pooloth y Natarajan, 05] Pooloth K. y Natarajan S., “Selective Ontology Viewer”, 8th Internacional Protégé Conference, Madrid, España, Jul 18-21, 2005, URL: http://protege.stanford.edu/conference/2005/submissions/abstracts/accepted-abstract- pooloth.pdf [Quillian, 68] Quillian R., “Semantic memory”, Semantic information processing, M. Minsky (Ed.), Cambridge, MA: MIT Press, p. 227–270, 1968. [Quillian, 85] Quillian R., “Word Concepts: A Theory and Simulation of Some Basic Semantic Capabilities”, Readings in Knowledge Representation, Brachaman y Levesque Ed., Morgan Kaufmann Publishers, Inc., San Mateo, California, 1985. 33 [Schank, 75] Schank R., “The Primitive ACTs of Conceptual Dependency”, Proceedings of the 1975 workshop on Theoretical issues in natural language processing, Cambridge, Massachussets, pp. 34 – 37, 1975, URL: http://acl.ldc.upenn.edu/T/T75/T75-2008.pdf [Sigel, 03] Sigel A., “XML Topic Maps in Knowledge Organization”, Topic Map in Knowledge Organization, Addison Wesley, Boston, 2003, URL: http://kpeer.wim.unikoeln.de/~sigel/veroeff/TUEindhoven2004/FINAL/Eindhoven2004Abstract .pdf [Smith, Welty y McGuinness, 04] Smith M., Welty Ch., McGuinness D., “OWL Web Ontology Language Guide”, W3C Consortium, Febrero 2004, URL: http://www.w3c.org/TR/owl-guide/ [Sowa, 02] Sowa J., “Semantic Networks”, Sitio personal de John Sowa, 2002,URL: http://www.jfsowa.com/pubs/semnet.htm [Sowa, 05] Sowa J., “Conceptual Graph”, Sitio Personal, Consulta 2005, URL: http://www.jfsowa.com/cg/index.htm [Sombatsrisomboon, Matsuo e Ishizuka, 02] Sombatsrisomboon R., Matsuo Y y Ishizuka M, “Acquisition of Hypernyms and Hyponyms from the WWW”, URL: http://www.miv.t.utokyo.ac.jp/papers/ratchai-AM2003.pdf [Storey y otros, 01] Storey y otros, “Jambalaya: Interactive visualization to enhance ontology authoring and knowledge acquisition in Protégé”, Workshop on Interactive Tools for Knowledge Capture, K-CAP-2001, Victoria, Canada, 2001, URL: http://www.isi.edu/~blythe/kcap-interaction/papers/storey.pdf [Socorro y Otros, 05] Socorro R., Simón A., Valdés R., Fernández F., Leyva E., Rosete A., Moreno M., Pina J., “Las ontologías en la representación del conocimiento”, Memorias del VIII Congreso de Nuevas Tecnologías y Aplicaciones Informáticas. XI Convención Informática, Cuba, 2005. [Tariq y otros, 03] Tariq M., M“Experiment in Ontology Construction from Specialist Texts” The Semantic Web and Language Technology, Its Potential and Practicalities, EUROLAN 2003, Agosto 2003, URL: http://www.racai.ro/EUROLAN- 2003/html/workshop/TariqManumaisupat/TariqManumaisupat.pdf [Vatant, 03] Vatant B., “Ontology driven Topic Maps”, XML Europe 2004, URL: http://www.idealliance.org/europe/04/call/xmlpapers/03-03-03.91/.03-03-03.html [van Assem y Otros, 04] van Assem y Otros, “A Method for Converting Thesauri to RDF/OWL”, S.A. Mcliraith et al. (Eds.): ISWC 2004, LNCS 3298, Springer-Verland, pp. 17-31, 2004. [Valente y otros, 04] Valente J. y otros, “Linking Phrases in Concept Maps: A Study on The Nature of Inclusivity”, First International Conference on Concept Mapping, Pamplona-España, Septiembre 2004, URL: http://cmc.ihmc.us/papers/cmc2004-242.pdf [Vossen, 97] Vossen P., “EuroWordNet: a multilingual database for information retriveral”, Proceeding of the DELOS Workshop on Cross-Language Information Retrieval. Zurich, Switzerland, March, 5-7 1997. URL: http://www.ercim.org/publication/wsproceedings/DELOS3/Vossen.pdf 34 11. Otra Bibliografía Consultada 1. Champin P-A., “RDF Tutorial”, Université Claude Bernard Lyon 1, Francia, Abril 2001, URL : http://www710.univ-lyon1.fr/~champin/rdf-tutorial/rdf-tutorial.pdf 2. Brickley D. y Guha R.V., “Resource Description Framework (RDF). Schema Specification 1.0”, Word Wide Web Consortium, 2000, URL: http://www.w3.org/TR/2000/CR-rdf-schema-20000327/ 3. Rajaraman K., Tan Ah-H., “Knowledge Discovery from Text: A Concept Frame Graph Approach”, Proceedings of the 11th International Conference on Information and Knowledge Management, McLean, Virginia, USA, November 2002 URL: http://delivery.acm.org/10.1145/590000/584914/p669-rajaraman.pdf 4. David J. y Hafele S., “ISO/IEC 13250, Topic Maps” 2da Edición, 2002, URL: http://www.y12.doe.gov/sgml/sc34/document/0322_files/iso13250-2nd-ed-v2.pdf 5. “Knowledge Modeling and Sharring”, Institute for Human & Machine Cognition (IHMC), Newsletter, Vol 1, No. 3, pp. 3, 2003, URL: http://www.ihmc.us/newsletters/IHMCNewsLetterDec03.pdf 6. Edson F. y otros, “A new approach to meaningful assessment using Concept Maps: Ontologies and Genetic Algorithms”, First International Conference on Concept Mapping, Pamplona-España, Septiembre 2004, URL: http://cmc.ihmc.us/papers/cmc2004-238.pdf 7. Guarino N. y Giaretta P., “Ontologies and knowledge bases”. En Mars, N.J.I. (ed.): Towards Very Large Knowledge Bases. IOS Press, Amsterdam, 1995, pp. 25–32, 2004 URL: http://www.loa-cnr.it/Papers/KBKS95.pdf 8. Albertuz F., “Sintaxis, Semántica y Clases de Verbos: clasificación verbal en el proyecto ADESSE”, URL: http://webs.uvigo.es/adesse/textos/Albertuz-CLG6.pdf 9. Climent S., Rodríguez O. y Gonzalo J., “Definition of the links subsets for nouns of the EuroWordNet project”, Deliverable D005, WP3.1, EuroWordNet, LE2-4003, Agosto 2005, URL: http://ixa.si.ehu.es/Ixa/Produktuak/1022161929/EuroWN%20izenen%20diseinua 10. Niles I. y Pease A., “Towards a Standard Upper Ontology”, Proceedings of the international conference on Formal Ontology in Information Systems, Vol. 2001, pp. 2 – 9, 2001, URL: http://coli.lili.unibielefeld.de/~felix/lehre/ws04_05/ontologischeRessourcen/addLiterature/niles-und- pease01.pdf 11. Kremer R., “Toward a Multi-User, Programmable Web Concept Mapping “Shell” to Hamdle Multiple Formalisms”, Knowledge Acquisition Workshop, KAW'96, Canadá, Nov. 1996, URL: http://ksi.cpsc.ucalgary.ca/KAW/KAW96/kremer/kremer.html 35 Anexos Mapa Conceptual sobre “Vasos Sanguíneos” y el OWL generado por Protégé a partir de su representación como una ontología según los criterios definidos. 36 Tabla 2. Significado de palabras-enlace. Palabra de enlace Real Academia Española (http://www.rae.es/) El Mundo Diccionarios (http://www.elmundo.es/diccionarios/) tiene_parte_a (del origen en “parte”) Porción indeterminada de un todo. Porción indeterminada de un todo, por ejemplo: una parte de la casa; una parte del cuerpo tiene_dependencia_a (del origen en la forma verbal “dependencia”) Relación de origen o conexión. Sección o colectividad subordinada a un poder. Estar conexo o condicionado por algo para existir o tener lugar. Estar subordinado a algo. Subordinación incluye (del origen e infinitivo “incluir”) Poner algo dentro de otra cosa o dentro de sus límites. Dicho de una cosa: Contener a otra, o llevarla implícita. Contener una cosa a otra o llevarla implícita. agrupa (del origen e infinitivo “agrupar”) Constituir una agrupación Reunir en grupo elementos con características comunes Constituir una agrupación se_compone_de (del origen en “compone”) Formar de varias cosas en una, juntándolas y colocándolas con cierto modo y orden. Constituir, formar, dar ser a un cuerpo o agregado de varias cosas o personas. Formar una cosa juntando y ordenando varias. Constituir un cuerpo de varias cosas comprende_a (del origen en “comprende” e infinitivo “comprender”) Contener, incluir en sí algo. Contener, incluir en sí alguna cosa puede_ser (del origen e infinitivo “poder”) Este término proviene del verbo ser por lo que significa una manera de expresar que un tipo es parte del tiene (del origen e infinitivo “tener”) y su sinónimo posee (del origen e infinitivo “poseer”) Contener o comprender en sí. Tener, poseer una cosa ejerce (del origen e infinitivo “ejercer”) Hacer uso de un derecho, capacidad o virtud. Hacer uso de una virtud, facultad o derecho Representa (del origen e infinitivo “representar”) Hacer presente algo con palabras o figuras que la imaginación retiene. Hacer presente algo en la imaginación con palabras o figuras. Sustituir a otra persona o a una entidad