Documenti non strutturati sul Web e Semantica

1. Documenti non strutturati sul Web e Semantica Dott. Matteo Palmonari palmonari@disco.unimib.it

2. Semantica nelle basi di dati relazionali • La semantica di una base di dati è definita in accordo con la struttura relazionale (algebra relazionale) ed è determinata, relativamente ai suoi elementi costitutivi (valori, tuple, relazioni), sostanzialmente da: • Livello dello schema: • schema logico • definisce la macro-organizzazione della rappresentazione di un dominio • vincoli di integrità • definiscono vincoli relazionali di dettaglio tra specifici oggetti e fatti rappresentati • Livello delle istanze: • insieme delle istanze • costituisce l‘insieme di oggetti e fatti effettivamente rappresentati come veri nella bas di dati Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

3. Semantica, Schemi e Istanze • Lo schema di una base di dati definisce le regole generali cui deve aderire ciascun insieme di istanze (per essere considerato valido); è in questi termini che lo schema costituisce una parte fondamentale della semantica di una base di dati • Tali regole (ad esempio i vincoli di integrità) • supportano l‘interrogazione delle basi di dati (verifica della sussistenza o non sussistenza di alcuni fatti nella base di dati) • permettono di controllare la validità dello schema • non permettono di dedurre nuove conoscenze Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

4. Query nel modello relazionale • Il linguaggio di interrogazione piùdiffuso per le basi di dati è SQL (Structured Query Language) • Ragionamento piuttosto debole Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

5. SQL Query Example • SQL (base/select) • Principio: soddisfazione/correttezza • Meccanismo/semantica: algebra relazionale Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

6. Esempi di altri data model Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

7. The Object-Oriented Data Model Objects/id Attributes Methods Classes Class Hierachies Alla base di JAVA/C++ etc Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

8. Object-Oriented Schema (Example) Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

9. Cosa succede nel Web? • Ci sono ancora schemi e istanze? • Che tipo di interrogazioni si possono fare? • Che tipo di ragionamenti si possono fare? Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

10. Web page (Web 1.0) Rielaborato da Atzeni et al., Basi di Dati, Mc-Graw Hill

11. Information Retrieval The information retrieval system has to deal with the following tasks…

12. Micro-Introduction to Information Retrieval & Search Engines Slides and material from Karl Aberer EPFL-IC, Laboratoire de systèmes d'informations répartis

13. Information Retrieval – Document Model • Generating structured representations of information items: this process is called feature extraction and can include simple tasks, such as extracting words from a text as well as complex methods, e.g. for image or video analysis.

14. Information Retrieval – Query Model • Generating structured representations of information needs: often this task is solved by providing users with a query language and leave the formulation of structured queries to them. This is the case for example for simple keyword based query languages, as used in Web search engines. Some information retrieval systems also support the user in the query formulation, e.g. through visual interfaces.

15. Information Retrieval – Matching Model • Matching of information needs with information items: this is the algorithmic task of computing similarity of information items and information need and constitutes the heart of the information retrieval model. Similarity of the structured representations is used to model relevance of information for users. As a result a selection of relevant information items or a ranked result can be presented to the user.

16. Information Retrieval - Efficiency Since information retrieval systems deal usually with large information collections and/or large user communities, the efficiency of an information retrieval system is crucial. This imposes fundamental constraints on the retrieval model. Retrieval models that would capture relevance very well, but are computationally prohibitively expensive are not suitable for an information retrieval system.

17. Text Retrieval (search engines) The currently most popular information retrieval systems are Web search engines. To a large degree, they are text retrieval system, since they exploit only the textual content of Web documents for retrieval. However, more recently Web search engines also start to exploit link information and even image information (e.g. Google’s page Rank). The three tasks of a Web search engine for retrieval are:

18. Text Retrieval (search engines) • extracting the textual features, which are the words or terms that occur in the documents. We assume that the web search engine has already collected the documents from the Web using a Web crawler.

19. Text Retrieval (search engines) • support the formulation of textual queries. This is usually done by allowing the entry of keywords through Web forms.

20. Text Retrieval (search engines) • computing the similarity of documents with the query and producing from that a ranked result. Here Web search engines use standard text retrieval methods, such as Boolean retrieval and vector space retrieval.

21. The Retrieval Model • Determines • the structure of the document representation • the structure of the query representation • the similarity matching function• • Relevance • determined by the similarity matching function • should reflect right topic, user needs, authority, recency • no objective measure• • Quality of a retrieval model depends on how well it matches user needs ! • Comparison to database querying • correct evaluation of a class of query language expressions • can be used to implement a retrieval model

22. The Retrieval Model • The heart of an information retrieval system is its retrieval model. The model is used to capture the meaning of documents and queries, and determine from that the relevance of documents with respect to queries. Although there exist a number of intuitive notions of what determines relevance one must keep clearly in mind that it is not an objective measure. The quality of a retrieval system can principally only be determined through the degree of satisfaction of its users. This is fundamentally different to database querying, where there exists a formally verifiable criterion for the task to be performed: whether a result set retrieved from a database matches the conditions specified in a query.

23. The Vector Space Model

24. Example

25. The document model • the structure of the document representation • Term-document matrix

26. Example Vector-Space Retrieval

27. IntroductionWhat does Google “understand”? • Understanding that • [page1] links [page2]  page2 is interesting • Google is able to rank results! • “The heart of our software is PageRank™, a system for ranking web pages […] (that) relies on the uniquely democratic nature of the web by using its vast link structure as an indicator of an individual page's value.” http://www.google.com/technology/

28. Pagine Web: query model • Principio: “rilevanza” (documenti rilevanti) • Meccanismo/semantica: • Contenuto: indicizzazione (feature extraction): keywords + testo • Provenienza: pageRank • … • Meccanismi sintattici e basati su criteri di trust

29. Directories File system Web

30. Directories Web

31. Directories Blogs by topics

32. Directories: query model • Principio: “appartenenza alla directory” (correttezza) • Meccanismo/semantica: • Contenuto: documenti appartenenti alle categorie / relazione di contenimento tra categorie • Meccanismi di organizzazione gerarchica delle informazioni

33. Metadata / Tag / Folksonomies • Metadati: dati che descrivono altri dati/documenti • E.g. creatore, autore, ultima modifica etc. • E.g. contenuto, caratteristiche, etc • Sistemi di metadati Attributo-Valore • E.g. creatore: Matteo Palmonari • Spesso sistematizzati in standard o standard di fatto • E.g. Dublincore (metadati generici) • http://dublincore.org/ • E.g. MPEG-7 (audio/video) • http://mpeg.chiariglione.org/standards/mpeg-7/mpeg-7.htm • Sistemi di tag • E.g. Viaggi, Malesia, Mare

34. Metadata / Attribute-Value File system Music

35. Metadata / Attribute-Value File system / Images

36. Metadata / Attribute-Value Web / Images

37. Metadata & Search Web / Images

38. Metadata & Search Web / Images / Search: ‘where=malaysia’

39. Folksonomies • Tagging systems • Tags (sort of concepts) associatedwith pieces of information • E.g. blog posts, videos, pictures

40. Folksonomies & Search Tag Clouds

41. Folksonomies Blogs

42. Folksonomies • Tagging systems • Tags (sort of concepts) associated wit pieces of information • E.g. blog posts, videos, pictures • Semantic weaknesses: • the ambiguity of tags, for one tag may refer to several concepts ; • the variability of the spelling, for several tags may refer to the same concept; • the lack of explicit representations of the knowledge contained in folksonomies, ambiguous relations between the piece of information and the tag; • the difficulties to deal with tags from different languages.

43. Folksonomies: query model • Principio: “rilevanza”/”correttezza” • Meccanismo/semantica: • Associazione tag: • Per una query con un tag T, si trovano tutti I documenti relativi a T (annotati con T, annotati con tags simili a T etc…) • Costruzione collaborativa dei sistemi di tag (tag cloud) • Semantic Ambigua

44. Schema vs Schemaless • Uno schema per un insieme di dati specifica vincoli di carattere generale tra i dati • Tali vincoli organizzano in dati strutture • I dati organizzati in strutture per mezzo di schemi si dicono dati strutturati (esempio: dati delle basi di dati relazionali) • La struttura fornisce una chiave interpretativa per i dati • La struttura può essere utilizzata per definire interrogazioni corrette rispetto al modello in oggetto

45. Schema vs Schemaless • Esprimere vincoli su dati ha un costo: • Costo di creazione • Costo di mantenimento • Costo di gestione • Costo in termini di efficienza delle procedure di interrogazione

46. Schema vs Schemaless • Sistemi di metadati quali i sistemi di tag (annotazione) suppliscono alla mancanza di schema associando informazioni aggiuntive ai dati • Tali informazioni possono supportare le procedure di interrogazione fornendo diverse dimensioni di ricerca e rendendole più precise • La semantica di tali dati resta tuttavia più ambigua e, in generale, imprecisa

47. Schema vs Schemaless • Come associare semantica in modo meno ambiguo sul Web? • Annotazione dei contenuti sul Web con tecniche più sofisticate (XML, RDF, Ontologie)

48. Esami Studente Voto Lode Corso 32 01 30 e lode 02 276545 787643 03 276545 739430 24 04 27 e lode Intensione/Estensione • Nei dati strutturati è possibile individuare due aspetti delle informazioni e conoscenze rappresentate: • Intensione: vincoli generali di dominio • Estensione: dati, istanze di oggetti che soddisfano determinati vincoli Parte Intensionale  Parte Estensionale  Estensione del concetto “voto di studente”

49. Intensione/Estensione Linguaggi formali per rappresentare la conoscenza: Cosa rappresentare? Concetti  Predicati unari P(x) Relazioni  Predicati binari, ternari ... R(x,y), R(x,y,z) Linguaggio (L) inferenza Semantica (M) Semantica standard su base insiemistica: Concetti  Insiemi Relazioni  Insiemi di n-uple Conoscenza sulla realtà Rappresentazione ESTENSIONALE! Statica...

50. Intensione/Estensione Linguaggi formali per rappresentare la conoscenza: Cosa rappresentare? Concetti  Predicati unari P(x) Relazioni  Predicati binari, terziari ... R(x,y), R(x,y,z) Linguaggio (L) Semantica (M) Semantica standard su base insiemistica: Concetti  Insiemi Relazioni  Insiemi di n-uple Conoscenza Rappresentazione ESTENSIONALE! Statica...