(Onto)WordNet

1. (Onto)WordNet „The OntoWordNet Project: extension and axiomatization of conceptual relations in WordNet“ A. Gangemi, R. Navigli, P. Velardi Vortrag: Frank Loebe

2. Überblick • WordNet • Ziele & Umfeld • Entwicklung & Aufbau • Anwendungen • WordNet & Ontologie • OntoWordNet • Ziele & Annahmen • Verknüpfung von Synsets • (Semi)automatische Axiomatisierung • Kritik & Zusammenfassung

3. WordNet: Ziele und Umfeld • definiert als „lexikalische Datenbank“ • Ziele • Wortsuche nach konzeptionellen statt alphabetischen Kriterien • Großversuch für relationale Semantik von Wörtern(im Gegensatz zu kompositionalen Ansätzen) • Ergebnis ist vergleichbar einer Kombination aus Wörterbuch und Thesaurus • Aufbau von Hand durch Lexikographen • Beginn 1985

4. WordNet: Aufbau • Hauptbestandteile • Synsets Bsp.: { motor vehicle, automotive vehicle } • konzeptuelle und lexikalische Relationen Bsp.: Hypernymie • ergänzt durch • BemerkungenBsp.: „a self-propelled wheeled vehicle that does not run on rails“ • Beschränkung auf Wörter der 4 offenen Wortklassen(Substantive, Adjektive, Verben, Adverben) • Statistiken (WordNet 1.5) •  91.600 Synsets,  75.400 Bemerkungen • 18% mehrdeutige Wörter, aber Häufigkeit ca. 83%

5. Beispiel: motor vehicle Ähnliche Worte Hypernyme entity self-propelled vehicle vehicle container self-propelled vehicle motor vehicle (used very rare, polysemy count 1) Meronyme Hyponyme engine bloodmobile airbrake car chassis go-kart brake system truck

6. WordNet Anwendungen • Semantische Annotation von Texten mit Synsets • Kombination taxonomischen Wissens mit probabilistischen Modellen • Information Retrieval • Konzeptuelle Modellierung(COLOR-X: OO-System mit WordNet-Anbindung) • Wissensverarbeitung mit WordNet-basierten Inferenzregeln

7. WordNet & Ontologie: Verbindungen • Viele Gemeinsamkeiten zwischen Semantik in der Linguistik und Ontologie • Konzeptuelle Relationen • Hypernymie / Hyponymie = Generalisierung / Spezialisierung • Meronymie / Holonymie = Teil-von- / hat-Teil-Beziehung • Lexikalische Relationen • Antonymie: Wörter mit gegensätzlicher Bedeutung Bsp.: Sieg und Niederlage, groß und klein • Synonymie: Wörter mit gleicher Bedeutung • Homonymie: Gleichklingende Wörter unterschiedlicher Bedeutung • Polysemie: Wörter mit mehreren Bedeutungen Bsp.: „big“ tritt in 15 Synsets auf

8. Entity Organism Animal Person Plant Object Artifact Natural Object Body Substance Food Abstraction Attribute Quantity Relation Communication Time Psychol. Feature Cognition Feeling Motivation Nat. Phenomenon Process Activity Event Group Location Possession Shape State WordNet & Ontologie: Top-Level

9. WordNet & Ontologie: Probleme • WordNet [Fellbaum, 1998] • keine Ausnahmen Bsp.: Pinguine fliegen nicht. • Subtypen von Hyponymie Bsp.: is-a-kind-of, is-used-as-a-kind-of • keine Unterscheidung von Eigennamen und Konzepten Bsp.: Bach und songwriter auf gleicher Ebene • keine „generischen“ Konzepte Bsp.: chair vs. furniture • weitere semantische Relationen sind nötig • DOLCE/OntoClean [Gangemi et al. 2003c] • Probleme 2), 3) von oben • keine Trennung von Objekt- und Metaebene Bsp.: Relation • versteckte Polysemie Bsp.: law als Dokument bzw. Regel • heterogene Generalitätsebenen Bsp.: car und blood-mobile

10. OntoWordNet: Ziel & Commitments • Ziel: Umwandlung von WordNet in eine formale Spezifikation • Commitments: • logisch: Synsets  Typen, formale Semantik für lexikalische Relationen • ontologisch: Trennung in Konzepte, Relationen, Individuen • kontextuell: Modularisierung nach Domänen, partiell geordnet • semiotisch: textorientierte Angabe von Präferenzen, Frequenzen, etc. • Fokus in [Gangemi et al. 2003a]: ontologische Commitments

11. OntoWordNet: Annahmen (A1) Hyperonymy beschreibt Synset-Subsumtion. (A2) Synsets sind Äquivalenzklassen von Bedeutungen. (A3) Bemerkungen als Axiomatisierungen. (A4) Bemerkungen sind konsistent mit Synsets. (A5) Assoziationen entsprechen konzeptuellen Relationen. (A6D) Extensionale Abgeschlossenheit von DOLCE. (A7D) Taxonomien unterhalb „manueller Verknüpfungen“ sind ontologisch konsistent.

12. OntoWordNet: Algorithmus • Wortart-Markierung und Entfernen irrelevanter Wörter • Disambiguierung der Wörter in den Synsets • Extraktion von Assoziationen • (semi-)automatische Interpretation der Assoziationen • Bsp.: • driver „the operator of a motor vehicle“ • operator „an agent that operates some apparatus or machine“ • motor vehicle „a self-propelled wheeled vehicle that does not run on rails“ • Disambiguierung von operator • driver – motor vehicle Assoziation  Agentive Co-Participation

13. Disambiguierungsalgorithmus (I) • Greedy Algorithmus mit Heuristiken • Input: • S (Synset) • P (Terme aus der Bemerkung von S sowie den Bemerkungen der direkten Hypernyme von S) • Output: • D (Menge disambiguierter Synsets) • Anfangsschritt: • D=S • Umordnung der eindeutigen Terme von P nach D

14. Disambiguierungsalgorithmus (II) • Iterationsschritt: • Pfadheuristik: Pfadmustersuche zwischen S´ und S´´ • Bsp. Hypernymy/Meronymy-Ketten: S´ @,# S´´ • Contextheuristik: (nur wenn keine Pfade gefunden) • gemeinsames semantisches Auftreten • auf Grundlage von 3 Korpora der Computerlinguistik • Disambiguierung erkannt, wenn mind. 2 Korporaergebnisse übereinstimmen • gemeinsame Domänenkennzeichen von Synsets • Umordnung der disambiguierten Terme von P nach D

15. Beispiellauf • Disambiguierung von „retrospective“ • Bemerkung: „an exhibition of a representative selection of an artist´s life work“ • Hypernym: „art exhibition“ • Bemerkung: „an exhibition of art objects (paintings or statues)“

16. Beispiel: Ausgangssituation • D enthält nur das „Ziel“-Synset • P enthält alle Wörter aus Bemerkungen zu D und „art exhibition“ D P retrospective statue artist exhibition object art painting life work representative selection

17. statue artist Eindeutige Wörter Beispiel: Anfangsschritt • Algorithmus: • Umordnen der eindeutigen Wörter nach P(erkennbar in WordNet) D P retrospective statue artist exhibition object art painting life work representative selection

18. statue artist 3 Hypernymie-Pfade:retrospective 2 exhibitionstatue 3 artstatue 6 object 1 Hyponymie-Pfad:art 2 painting exhibition object art painting Beispiel: Iterationen I & II • Algorithmus: • Pfadheuristik: Ausnutzung konzeptueller Links in WordNet • falls Pfade existieren, umordnen; sonst Kontextheuristik D P retrospective exhibition object art painting life work representative selection

19. (artist, life) ist bestimmtim LDC Corpus statue artist exhibition object art painting Beispiel: Iteration III • Algorithmus: • Kontextheuristik: Ausnutzung gemeinsamen Auftretens in Standardkorpora der Computerlinguistik D P retrospective life work representative selection life

20. Ergebnis zu „retrospective“ „an exhibition of a representative selection of an artist´s life work“

21. Experimentelle Ergebnisse I

22. Experimentelle Ergebnisse II • geringe Ergebnisrate, hohe Genauigkeit • höhere Genauigkeit bei Ergebnissen als die „wähle-die-erste-Variante“-Heuristik • weitere Analysen: • Substantive mit höherer Rate und Genauigkeit, da Substantive umfassender kommentiert • Verben problematisch in WordNet  Einbeziehung von FRAMENET geplant

23. Interpretation von Assoziationen I • Motivation • semantische Fundierung der gefundenen Assoziationen • Anforderungen • eine definierte Menge konzeptueller Relationen zwecks Wiederverwendbarkeit • formale Semantik • ausreichender Grad an Allgemeinheit und Flexibilität • Mittel zur Lösung • DOLCE bzw. DOLCE-Lite+ • Axiomatisierung reduziert auf Ausdrucksfähigkeit von Beschreibungslogiken • Erweiterungen generischer und domänenspezifischer Art

24. Interpretation von Assoziationen II • Ansatz: Assoziation zwischen (car, engine) kann übersetzt werden zu x.Car(x)  y. Engine(y)  Component(x, y) • Idee: • nutze Position von „car“ und „engine“ in WordNet(spezifischste Hypernyme, die zu DOLCE gehören) • inferiere spezifischste Relation zwischen diesen Hypernymen • benötigt: • Partition der Relationsdomänen • technische Vorarbeiten (Zuordnung DOLCE-WordNet, ...)

25. Interpretation von Assoziationen III • Partition der Relationsdomänen(Ausschnitt) • Ergebnis: Generisch 85,21% korrekte Axiome Tourismus 89,80% korrekte Axiome

26. Kritik • Ansatz: semi-automatisch ist manuell vorzuziehen • Grundannahmen richtig? • Bemerkungen sind für „Leser“ gedacht, die das Konzept bereits kennen. Hoher Unvollständigkeitsgrad. • Wie realistisch ist es, dass die Bemerkungen den Synsets und ihren Relationen entsprechen? • Axiom-Generierung zu naiv? • Ergebnisse positiv, aber wie findet man die wenigen falschen? • bestimmte Probleme durch Autoren anerkannt und beschrieben

27. Zusammenfassung • Linguistik und Ontologie ergänzen einander • Untersuchung verwandter Beziehungen und Problemez.B. Hyper/Hyponymie, Meronymie • WordNet ist eine interessante Ressource für beide Gebiete • (semi-)automatisches Verfahren zur Formalisierung von WordNet • konkreter Nutzen für Top-Level-Ontologien gezeigt • Ergebnisse sprechen für Weiterverfolgung automatischer Techniken

28. Literatur (Fellbaum 1998)Fellbaum, C. (ed) 1998.WordNet: An Electronic Lexical Database. Language, Speech and Communication Series. Cambridge (Mass.): MIT Press. (Gangemi et al. 2003a)Gangemi, A., Navigli, R., Velardi, P. 2003. The OntoWordNet Project: extension and axiomatization of conceptual relations in WordNet. In: Proceedings of the International Conference on Ontologies, Databases and Applications of Semantics (ODBASE 2003), Nov 3-7, Catania, Italy. S. 820-838. Lecture Notes in Computer Science, Bd. 2888. (Gangemi et al. 2003b)Gangemi, A., Navigli, R., Velardi, P. 2003. Axiomatizing WordNet Glosses in the OntoWordNet Project. [noch nicht erschienen] In: Workshop on Human Language Technology for the Semantic Web and Web Services, 2nd International Semantic Web Conference (ISWC2003). 20-23 Oct, Sanibel Island, Florida. Vorabdruck verfügbar unter: http://www.loa-cnr.it/Publications.html. (Gangemi et al. 2003c)Gangemi, A., Guarino N., Masolo C., Oltramari, A. 2003. Sweetening WordNet with DOLCE. AI Magazine 24(3):13-24. (WordNet)http://www.cogsci.princeton.edu/~wn/