Introduzione a Python
annuncio pubblicitario
Rappresentazione della conoscenza LORENZO DI SILVESTRO www.dmi.unict.it/~disilvestro [email protected] Cos’è? La rappresentazione della conoscenza (KR) è una branca dell’intelligenza artificiale Scopo: definire simboli e linguaggi per rendere la conoscenza comprensibili alle macchine Perché? per poter effettuare ragionamenti automatici Rappresentazione della conoscenza [email protected] Inferenza Processo con il quale da una proposizione considerata vera, si passa ad una seconda proposizione la cui verità è dedotta dal contenuto della prima Inferenza = trarre una conlcusione Inferenza != Conclusione Le leggi di una valida inferenza sono studiate in Logica Rappresentazione della conoscenza [email protected] Inferenza vs. Conclusione Se la premessa è vera, lo sarà anche l’inferenza La veridicità della premessa non garantisce dell’implicazione Rappresentazione della conoscenza la verità [email protected] Sillogismo I filosofi greci hanno definito una serie di sillogismi in tre parti che possono essere usati come “mattoni” per ragionamenti più complessi Sillogismo: argomento (o argomentazione) in cui una proposizione (la conclusione) è ricavabile da due o più proposizioni (premesse) Vari modelli, il più famoso è il sillogismo aristotelico Rappresentazione della conoscenza [email protected] Sillogismo aristotelico Il più famoso: 1. Tutti gli uomini sono mortali 2. Socrate è un uomo 3. Quindi, Socrate è mortale Le premesse sono VERE, l’inferenza è VALIDA, quindi la conclusione è VERA Rappresentazione della conoscenza [email protected] Inferenza non valida Inferenza non valida: 1. Tutti gli X sono Y 2. Z è Y 3. Quindi, Z è X Esempio: 1. Tutte le mele sono frutti 2. Le pere sono frutti 3. Quindi, le pere sono mele Le premesse sono VERE, l’inferenza è NON VALIDA, quindi la conclusione è FALSA Rappresentazione della conoscenza [email protected] Conclusione FALSA da inferenza VALIDA Inferenza valida: 1. Tutti gli italiani sono anfibi 2. Sean Connery è italiano 3. Quindi, Sean Connery è anfibio Le premesse sono FALSE, l’inferenza è VALIDA, quindi la conclusione è FALSA Rappresentazione della conoscenza [email protected] Conclusione VERA da premesse FALSE Inferenza valida: 1. Tutti i computer sono attori 2. Sean Connery è un computer 3. Quindi, Sean Connery è attore Le premesse sono FALSE, l’inferenza è VALIDA, in questo caso due false premesse implicano una conclusione VERA Il ragionamento è ERRATO Rappresentazione della conoscenza [email protected] Ragionamento automatico FATTI CODIFICA RAPPRESENTAZIONI RAGIONAMENTO RIFERIMENTO Una rappresentazione è un simbolo o un segno che “codifica” un oggetto o un evento creando una corrispondenza fra strutture interne ed esterne all’agente cognitivo Rappresentazione della conoscenza [email protected] Buona rappresentazione Evidenziare oggetti e relazioni importanti. Fornire visioni complessive efficaci. Sopprimere dettagli irrilevanti. Consentire generalizzazioni. Non soltanto entità isolate (tokens) ma tipi (types) di entità simili Essere comprensibile, completa, concisa. Rappresentazione della conoscenza [email protected] Buona rappresentazione (2) Consentire una facile ed efficace manipolabilità della conoscenza. Essere utilizzabile anche se la conoscenza è incompleta. Essere computabile. Avere potenza espressiva. Essere flessibile ed estensibile. Rappresentazione della conoscenza [email protected] Compromessi Ovviamente è molto difficile, se non impossibile, tener conto di tutti questi principi. Ad esempio, esiste un trade-off fra l’espressività del formalismo di rappresentazione e la complessità del meccanismo inferenziale. Il linguaggio naturale è un esempio di formalismo massimamente espressivo ma che proprio per questo motivo permette di generare espressioni vaghe ed imprecise e persino di omettere informazione. Rappresentazione della conoscenza [email protected] Problemi classici dell’IA Il frame problem (tradotto come problema del contorno o del contesto) Il problema della ramificazione Il problema della qualificazione Rappresentazione della conoscenza [email protected] Frame problem Nonostante sia possibile specificare tutti i fatti che cambiano in una situazione come conseguenza di una azione (ad esempio di un robot), è invece impossibile specificare tutti quelli che non cambiano, che sono peraltro verosimilmente molto più numerosi. Non è spesso possibile enumerare tutte le proprietà che non cambiano Rappresentazione della conoscenza [email protected] Problema della ramificazione Consiste nello stabilire quali siano gli effetti indiretti di una certa azione. Ad esempio, se si acquista del pane una conseguenza diretta consiste nel fatto che successivamente si possiede del pane. Esistono tuttavia molte conseguenze indirette, come ad esempio il fatto che si possiede meno denaro; inferire tali conseguenze indirette può essere molto rilevante, specialmente dato il fatto che non tutte possono essere desiderate o desiderabili. Rappresentazione della conoscenza [email protected] Problema della quantificazione Consiste nello stabilire a quali condizioni un’azione abbia successo. Ad esempio, il successo dell’azione di acquistare il pane dipende da un grande numero di fattori, come ad esempio trovare il negozio aperto e possedere denaro, ma alcuni di essi possono essere difficilmente prevedibili o esplicitabili, come nel caso di ostacoli improvvisi come un terremoto. Rappresentazione della conoscenza [email protected] Problemi della KR Problema della località o della rilevanza Problema della generalità Problema della vaghezza Problema dell’incertezza Problema dell’ancoramento dei simboli (symbol grounding problem) Rappresentazione della conoscenza [email protected] Località / Rilevanza Fortemente correlato al frame problem Consiste nella difficoltà di descrivere tutta e sola la conoscenza rilevante nel risolvere un problema. Teoricamente infatti per risolvere qualsiasi problema ciascuna conoscenza potrebbe essere utile, mentre ovviamente il formalismo deve consentire di processare tutta e sola la conoscenza rilevante, focalizzandosi dunque su di un sottoinsieme dell’informazione potenzialmente disponibile. Rappresentazione della conoscenza [email protected] Generalità Qualunque definizione o assiomatizzazione si scelga per un concetto o per un principio, essa non coprirà tutti i casi possibili. Le conoscenze umane sono altamente contestuali e cercare di catturare tutti gli aspetti di un concetto con una singola definizione è una impresa vana Rappresentazione della conoscenza [email protected] Vaghezza Si riferisce alla difficoltà di stabilire dei confini netti per i concetti; Russell chiama questo aspetto “penombra”. Zadeh nel 1975 ha sviluppato un “logica della vaghezza”, la logica fuzzy, proprio per rispondere a questo tipo di problemi. Ambiguità: molti significati, appartenenti a differenti campi di riferimento, possono essere associati alla stessa forma fonetica (es. “pesca”) Rappresentazione della conoscenza [email protected] Incertezza La conoscenza è incerta in molti sensi: Il suo valore di verità può essere graduato (e non discreto) o probabile (e non certo) oppure può essere approssimata o incompleta, ad esempio perché alcune conoscenze possono non essere disponibili al momento Rappresentazione della conoscenza [email protected] Ancoramento dei simboli Se i concetti rimandano solo ad altri concetti, o i simboli ad altri simboli c’è il rischio di generare una circolarità. Per evitare la circolarità essi devono essere ancorati ad entità che non siano esse stesse dei simboli, ovvero direttamente al mondo. Rappresentazione della conoscenza [email protected] Valutazione l’adeguatezza epistemologica, ovvero la capacità di rappresentare tutti gli aspetti del problema in esame; l’adeguatezza euristica, ovvero l’efficienza nei tempi di processamento. Va notato che è presente un trade-off fra adeguatezza inferenziale (quello che è possibile inferire dato il formalismo) ed efficienza inferenziale (rapidità di inferenza). Rappresentazione della conoscenza [email protected] Valutazione (2) l’adeguatezza inferenziale, ovvero la capacità di ottenere nuove strutture a partire dalla manipolazione di quelle preesistenti; l’efficienza inferenziale, ovvero la capacità di adattare le strategie di ricerca a seconda della nuova informazione che viene acquisita; l’efficienza di acquisizione, ovvero la possibilità di inserire nuova informazione, sia per mezzo di operatori umani, sia per mezzo di tecniche di apprendimento automatico. Rappresentazione della conoscenza [email protected] Forme di ragionamento Ragionamento formale consiste nel manipolare strutture dati per dedurne di nuove, a fronte di specifiche regole di inferenza. Ragionamento procedurale usa la simulazione per rispondere a domande e risolvere problemi. Ragionamento per analogia consiste nell’applicare la sua conoscenza in casi simili al caso in esame. Rappresentazione della conoscenza [email protected] Forme di ragionamento (2) Generalizzazione ed astrazione consiste nel generalizzare a regola un fatto/evento che si ripete sempre con le stesse modalità anche se in diverse contestualizzazioni. Ragionamento di meta-livello consiste nell’usare la conoscenza sia di ciò che il sistema sa, che dell’importanza di certi fatti. Rappresentazione della conoscenza [email protected] Linguaggi di rappresentazione In linea generale, i linguaggi di rappresentazione della conoscenza forniscono sia una serie di costrutti per definire la sintassi del dominio di interesse (le regole sulle quali costruire delle asserzioni accettabili), sia una serie di operatori (quantificatori, operatori modali, etc.) che permettano di dare un significato, un valore di verità alle asserzioni rispetto al modello di riferimento. Rappresentazione della conoscenza [email protected] Base di conoscenza Attraverso il linguaggio scelto si andranno ad effettuare una serie di asserzioni sul mondo, che andranno insieme a costituire una Base di Conoscenza (KB Knowledge Base). È inoltre importante che il linguaggio scelto per fare le asserzioni sia anche in grado di operare sulla KB per estrarre nuova conoscenza e per aggiungerne di nuova. Rappresentazione della conoscenza [email protected] Approccio dell’IA Approcci di tipo logico Calcolo proposizionale Contiene(bicchiere, acqua) AND sopra(bicchiere, tavolo) Calcolo dei predicati (o logica del primo ordine) ∀x(città(x) AND vicina_al(mare, x) ⇒ calda(x)) Programmazione logica PROLOG ∀(x) (mortale(x) & razionale(x) ⇒ uomo(x)) uomo(Socrate) in una rappresentazione equivalente in PROLOG: uomo(X):- mortale(X), razionale(X). uomo(Socrate). Rappresentazione della conoscenza [email protected] Approccio nel Semantic Web I linguaggi a cui siamo interessati in ingegneria ontologica sono quelli che permettono la definizione di ontologie e basi di conoscenza, il ragionamento su di esse e la loro interrogazione. Lo sviluppo dei linguaggi formali attualmente utlizzati in ingegneria ontologica è avvenuto attraverso due linee evolutive che si sono incontrate alcuni anni fa: il semantic web e la knowledge representation. Rappresentazione della conoscenza [email protected] Approccio nel Semantic Web (2) Inizialmente: XML per la sintassi generale; RDF per la codifica della conoscenza XML permette la definizione di un qualsiasi linguaggio di annotazione mediante la creazione di elementi appropriati. Schemi XML e i DTD (Document Type Definition) possono rappresentare ontologie, ma hanno due difetti: ampio margine di arbitrarietà al modellatore e nessuna distinzione tra diverse “primitive” (classi, relazioni, istanze, etc.). Rappresentazione della conoscenza [email protected] Semantic Web Rappresentazione della conoscenza [email protected] Semantic Web Cake Rappresentazione della conoscenza [email protected] Unicode, URI e XML Unicode: standard internazionale per la definizione di una rappresentazione univoca dei caratteri URI: stringa che identifica univocamente una risorsa XML: standard de facto per la condivisione di documenti sul web Rappresentazione della conoscenza [email protected] XML Meno oneroso il lavoro di un parser per l’individuazione di relazioni tra entità Facilita la pubblicazione sul l’esportazione in diversi formati web e Interoperabilità tra banche dati Rappresentazione della conoscenza [email protected] Namespace, XML Schema, XML Query Namespaces: serve a qualificare e disambiguare tag e attributi in un documento XML mediante degli URI, rendendoli quindi univoci sul web. XML Schema: serve a definire la struttura di un documento XML. Oggi il W3C consiglia di adottarlo al posto della DTD stessa, essendo una tecnica più recente ed avanzata. XML Query: è un linguaggio di query concepito per essere applicabile a qualsiasi sorta di documento XML e si basa sull'utilizzo di XPath per la specificazione di percorsi all'interno di documenti. XQuery ha funzionalità che consentono di poter attingere da fonti di dati multiple per la ricerca, per filtrare i documenti o riunire i contenuti di interesse. Rappresentazione della conoscenza [email protected] RDF Il Resource Description Framework (RDF) è lo strumento base proposto da W3C per la codifica, lo scambio e il riutilizzo di metadati strutturati e consente l'interoperabilità tra applicazioni che si scambiano informazioni sul Web. È costituito da due componenti: RDF Model and Syntax: espone la struttura del modello RDF, e descrive una possibile sintassi. RDF Schema: espone la sintassi per definire schemi e vocabolari per i metadati. Rappresentazione della conoscenza [email protected] RDF (2) L'unità base per rappresentare un'informazione in RDF è lo statement. Uno statement è una tripla del tipo Soggetto – Predicato – Oggetto il soggetto è una risorsa il predicato è una proprietà l'oggetto è un valore (e quindi anche un URI che punta ad un'altra risorsa) Rappresentazione della conoscenza [email protected] Rappresentazione RDF Un modello RDF è rappresentabile da un grafo orientato sui cui nodi ci sono risorse o tipi primitivi e i cui archi rappresentano le proprietà. Un grafo RDF è rappresentato fisicamente mediante una serializzazione: RDF/XML: documento RDF è serializzato in un file XML. N-Triples: serializzazione del grafo come un insieme di triple soggetto - predicato - oggetto. Notation3: serializzazione del grafo descrivendo, una per volta, una risorsa e tutte le sue proprietà. Rappresentazione della conoscenza [email protected] Esempio RDF Lezione PR/28.10.2011 Lorenzo Di Silvestro Rappresentazione della conoscenza [email protected] Esempio RDF Lezione PR/26.10.2011 DSLLNZ28F12C594J Lorenzo Di Silvestro [email protected] Rappresentazione della conoscenza Catania [email protected] RDF/XML RDF/XML è una delle serializzazioni riconosciute ufficialmente e dotata di una specifica Recommendation della W3C, oltre ad essere una delle più utilizzate. Ogni documento RDF/XML inizia con l’intestazione che specifica la versione XML del documento e la codifica utilizzata. L’intestazione è poi seguita dalle dichiarazioni dei prefissi da utilizzare nel documento e quindi i namespace collegati. Gli elementi di RDF sono descritti nel documento http://www.w3.org/1999/02/22-rdf-syntax-ns# che è un vocabolario fornito da W3C per descrivere risorse. Rappresentazione della conoscenza [email protected] RDF/XML (2) Ogni risorsa è identificata da una URI sia essa una URN, ed in questo caso la risorsa descritta non è deferenziabile o una URL (deferenziabile). Ogni risorsa è descritta dal tag “<rdf:Description> </rdf:Description>” dove rdf rappresenta il prefisso per il dizionario RDF Le URI delle risorse vengono indicate specificando l‟attributo “about” del nodo. Rappresentazione della conoscenza [email protected] Esempio <rdf:Description rdf:about="http://www.rdfvoc.it/director/#WesAnderson "> <rdf:type rdf:resource="http://www.rdfvoc.it/art/director”/> </rdf:Description> <rdf:Seq rdf:ID=“movies"> (oppure Bag o Alt) <rdf:li rdf:resource="http://www.rdfvoc.it/movie#darjeeling_li mited"/> <rdf:li rdf:resource="http://www.rdfvoc.it/movie#fantastic_m r_fox"/> </rdf:Seq> Rappresentazione della conoscenza [email protected] Entity <?xml version="1.0"?> <!DOCTYPE rdf:RDF [ <!ENTITY movie "http://www.rdfvoc.it/movie#"> ]> <rdf:Seq rdf:ID=“movies"> (oppure Bag o Alt) <rdf:li rdf:resource=“&movie;darjeeling_li mited"/> <rdf:li rdf:resource=“&movie;fantastic_m r_fox"/> </rdf:Seq> Rappresentazione della conoscenza [email protected] Proprietà RDF <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdfsyntax-ns#" xmlns:dir="http://description.org/schema/"> <rdf:Description about="http://www.imdb.com/Hotel_Cevalier/"> <dir:director>Wes_Anderson</dir:director> </rdf:Description> </rdf:RDF> Rappresentazione della conoscenza [email protected] Proprietà Il data model RDF permette di definire un modello semplice per descrivere le relazioni tra le risorse, in termini di proprietà identificate da un nome e relativi valori. Tuttavia, RDF data model non fornisce nessun meccanismo per dichiarare queste proprietà, né per definire le relazioni tra queste proprietà ed altre risorse. Rappresentazione della conoscenza [email protected] RDF Schema RDF Schema permette di definire dei vocabolari, quindi l’ insieme delle proprietà semantiche individuato da una particolare comunità. RDFSchema permette di definire significato, caratteristiche e relazioni di un insieme di proprietà, compresi eventuali vincoli sul dominio e sui valori delle singole proprietà. Inoltre, implementando il concetto (transitivo) di classe e sottoclasse,consente di definire gerarchie di classi. Rappresentazione della conoscenza [email protected] Classi RDF Classi: Ogni risorsa descritta in RDF è istanza della classe rdfs:Resource. Le sottoclassi di rdfs:Resource sono: rdfs:Literal - Rappresenta un letterale, una stringa di testo. rdfs:Property - Rappresenta le proprietà. rdf:Class - Una classe dei linguaggi object-oriented. Rappresentazione della conoscenza [email protected] Proprietà RDF Proprietà: rdf:type - Indica che una risorsa è del tipo della classe che viene specificata. rdfs:subClassOf - Indica la relazione classe/sottoclasse fra due classi. L'ereditarietà può essere multipla. rdfs:subPropertyOf - Indica che una proprietà è specializzazione di un'altra. rdfs:seeAlso - Specifica che la risorsa è anche descritta in altre parti. rdfs:isDefinedBy - Indica la risorsa "soggetto dell'asserzione" ovvero chi ha fatto l'asserzione. Rappresentazione della conoscenza [email protected] Vincoli RDF Vincoli: rdfs:range (codominio) - È utilizzato come proprietà di una risorsa; indica le classi che faranno parte di una asserzione con la proprietà. rdfs:domain(dominio) - Indica la classe a cui può essere applicata la proprietà. Rappresentazione della conoscenza [email protected] Proprietà - esempio <rdf:Description rdf:ID="Animale"> <rdf:type rdf:resource="http://www.w3.org/2000/01 /rdf-schema#Class"/> </rdf:Description> <rdf:Description rdf:ID="gatto"> <rdf:type rdf:resource="http://www.w3.org/2000/01 /rdf-schema#Class"/> <rdfs:subClassOf rdf:resource="#Animale"/> </rdf:Description> Rappresentazione della conoscenza [email protected] Oltre RDFS Nonostante RDFS sia in grado di raggiungere un elevato livello di espressività, il linguaggio è carente di alcuni strumenti necessari per rappresentare schemi e vocabolari più complessi. In conseguenza di ciò, il W3C ha promosso la standardizzazione di Ontology Web Language che presenta una maggiore espressività rispetto a RDFS. Rappresentazione della conoscenza [email protected] Organizzazione della conoscenza KOS Knolowdge Organization System Ontologie Thesauri Tassonomie Rappresentazione della conoscenza Schemi di classificazione [email protected] Relazioni in un thesaurus BT sta per Broader Term ed indica un termine generale, ovvero posto gerarchicamente più in alto NT sta per Narrower Term ed indica un più specifico, ovvero posto gerarchicamente più in basso RT sta per Releated Term ed indica un termine collegato Rappresentazione della conoscenza [email protected] SKOS Simple Knowledge Organization System Labels: preferred label: usate come descrittore alternative labels: sinonimi, abbreviazioni, acronimi hidden labels: usate internamente dal sistema Rappresentazione della conoscenza [email protected] Etichette e URI Sia i concetti che gli schemi concettuali sono identificati utilizzando URI. Il concetto può essere etichettato in una qualsiasi lingua e può essere correlato a più etichette, ma per ogni lingua solo una etichetta può essere segnata come etichetta preferita (prefLabel). Le restanti etichette sono note come etichette alternative (altLabel). Inoltre possono essere definite anche delle etichette nascoste (hiddenLabel) in modo da poter assegnare ad un concetto delle etichette non visibili dagli utenti ma che vengono utilizzate nella ricerca e nei processi di indicizzazione. Rappresentazione della conoscenza [email protected] Relazioni semantiche Broader e Narrower Sono relazioni inverse Non sono transitive! Ma lo sono broaderTransitive narrowerTransitive Related Proprietà simmetrica Non transitiva Rappresentazione della conoscenza [email protected] Skos Rappresentazione della conoscenza [email protected] Skos Rappresentazione della conoscenza [email protected] OWL Ontology Web Language (OWL) è un linguaggio di markup per rappresentare esplicitamente significato e semantica di termini con vocabolari e relazioni tra gli stessi. Lo scopo di OWL è descrivere delle basi di conoscenza, effettuare delle deduzioni su di esse e integrarle con i contenuti delle pagine web. La rappresentazione dei termini e delle relative relazioni è chiamata ontologia. Rappresentazione della conoscenza [email protected] Ontologia Rappresentazione formale, condivisa ed esplicita di una concettualizzazione di un dominio di interesse. Teoria assiomatica del primo ordine esprimibile in una logica descrittiva. Applicate nel campo dell'intelligenza artificiale, nella rappresentazione e condivisione della conoscenza. Ragionamento deduttivo, classificazione, tecniche di problem solving Rappresentazione della conoscenza [email protected] Esempio OWL-DL Class(MangiatoreNotturnoDiNutella complete Persona restriction(partecipaA someValuesFrom(intersectionOf Spuntino restriction(haPartecipante someValuesFrom(Nutella)) restriction(haData cardinality=1(xsd:Date)) restriction(haPeriodo oneOf(notte)))) Rappresentazione della conoscenza [email protected] Esempio OWL-DL (2) Letteralmente, la definizione dei mangiatori notturni di nutella si interpreta come segue: un mangiatore notturno di nutella equivale (“complete”) a una persona che (“restriction”) partecipa ad almeno uno (“someValuesFrom”) spuntino a cui (“intersectionOf ”) partecipa almeno una (“someValuesFrom”) quantità di nutella a una certa data specifica (“cardinality=1”), esclusivamente (“oneOf ”) di notte. Rappresentazione della conoscenza [email protected] Esempio OWL-DL (3) Adesso possiamo costruire la nostra base di conoscenza: Individual(4_12_2004 type(xsd:Date)) Individual(spuntino_notte_4-12-2004 type(Spuntino) value(haPartecipante nutella_150g_codiceBarattolo_xxx) value(haPartecipante Giovanni) value(haData 4_12_2004) value(haPeriodo notte)) Individual(Giovanni type(MangiatoreNotturnoDiNutella) value(partecipaA spuntino_notte_4-12-2004)) Rappresentazione della conoscenza [email protected] Linked Data L'obiettivo del progetto Linking Open Data del W3C è di estendere il Web pubblicando diversi open dataset come RDF sul Web e impostando link RDF tra i dati da differenti risorse. Nell'Ottobre del 2007, i dataset contenevano più di due miliardi di triple RDF, collegate da più di due milioni di link RDF. Da Maggio 2009 sono cresciuti a 4,2 miliardi di triple RDF, collegate da circa 142 milioni di link RDF. Esiste anche una visualizzazione interattiva dei dati attraverso cui è possibile navigare. Rappresentazione della conoscenza [email protected] Rappresentazione della conoscenza [email protected] Tassonomie L’induzione di tassonomie da testi è oggetto di notevole interesse, tale processo prevede lo sviluppo di sistemi finalizzati all’inferenza di regole e assiomi da testo. L’apprendimento automatico procede attraverso l’utilizzo di metodologie per l’acquisizione di conoscenza alle quali corrispondono algoritmi di complessità crescente, il cui stato dell’arte è lontano dall’avere trovato una soluzione definitiva. Rappresentazione della conoscenza [email protected] Fasi dell’induzione automatica Estrazione automatica di terminologia Riconoscimento dei sinonimi, in genere effettuato utilizzando la misura distribuzionale (Dagan, 2000) della similitudine Popolazione della base di conoscenza per cui è possibile utilizzare tecnologie basate su bootstrap da esempi (Fleischman e Hovy, 2002) o metodolgie basate sul riconoscimento della similitudine distribuzionale (Cimiano e Völker, 2005) Sviluppo di sistemi finalizzati all’inferenza di regole e assiomi da testo Rappresentazione della conoscenza [email protected] Problematiche Questo campo è stato ancora scarsamente esplorato, ma sta divenendo oggetto di crescente interesse in letteratura, in quanto l’acquisizione di regole di inferenza è certamente un aspetto fondamentale legato al riconoscimento dell’implicazione nel testo (Dagan et al., 2005) L’identificazione di tali proprietà è di importanza cruciale per attivare processi di ragionamento automatico Rappresentazione della conoscenza [email protected]
