Aprimorando a visualização e composição de regras SWRL na WEB

5/16/2018 Aprimorando a visualiza o e composi o de regras SWRL na WEB - slidepdf.com

http://slidepdf.com/reader/full/aprimorando-a-visualizacao-e-composicao-de-regras-swrl-n

Aprimorando a visualização e composição de regras SWRL na Web

ADRIANO RÍVOLLI DA SILVA1 DILVAN DE ABREU MOREIRA1

1ICMC/USP - Instituto de Ciências Matemáticas e de Computação / Universidade de São PauloAv. Trabalhador Sancarlense, 400 – São Carlos – SP

{rivolli,dilvan}@gmail.com

Resumo. A Web Semântica tem como meta fazer com que os conteúdos disponibilizados na Web tenhamsignificado não apenas para pessoas, mas também que possam ser processados por máquinas. Essa meta estásendo realizada com o desenvolvimento e uso de ontologias para criar dados anotados semanticamente. Entreas distintas formas de anotação semântica, a Semantic Web Rule Language (SWRL) torna possível criaranotações no formato de regras que combinam regras com conceitos definidos em ontologias, especificadasem Web Ontology Language (OWL), para representar conhecimento sobre dados por meio de afirmaçõescondicionais. Todavia, à medida que o número dessas regras crescem, seus desenvolvedores podem enfrentardificuldades para gerenciá-las adequadamente. Um grande conjunto de regras torna-se difícil de entender epropício a erros, principalmente quando usado e mantido de forma colaborativa. Neste trabalho é apresentado

um conjunto de soluções para aprimorar o uso e gerenciamento de regras SWRL, que compreendem odesenvolvimento de novas representações visuais, técnicas de classificação de regras e ferramenta de detecçãode erros. Essas soluções resultaram no SWRL Editor, uma ferramenta Web de visualização e composição deregras que roda como um plug-in para o Web Protégé. Como estudo de caso, foi utilizada a AutismPhenologue Rules, uma ontologia para caracterizar fenótipos de autismo, para exemplificar um conjuntogrande e complexo de regras SWRL. A partir desse estudo, uma nova representação visual específica para asregras dessa ontologia foi elaborada, permitindo que um especialista em autismo, sem grandes conhecimentoscomputacionais, seja capaz de ver e editar regras sem ter de se preocupar com a sintaxe da linguagem SWRL.Os resultados obtidos indicam que o SWRL Editor é uma ferramenta clara e intuitiva, contribuindo para ummelhor entendimento, criação e gerenciamento de regras SWRL.

Palavras-chaves: Regras SWRL; Editor de regras; Composição de regras; Visualização de regras;Anotação de dados; Web Semântica.

1 Introdução

A Web Semântica busca fazer com que os conteúdosdisponibilizados na Web tenham significado não apenaspara as pessoas, mas também que possam ser processadospor máquinas (Berners-Lee, Hendler e Lassila, 2001).Para tanto, utiliza ontologias na representação doconhecimento e possibilita a geração de dados anotadossemanticamente. Entre as distintas formas da anotaçãosemântica, a Semantic Web Rule Language (SWRL)possibilita criar anotações no formato de regras, utilizandoos conceitos definidos na Web Ontology Language

(OWL), representando, organizando e compartilhando oconhecimento de um domínio específico por meio deafirmações condicionais (Horrocks et al., 2004).

Todavia, à medida que os conjuntos de regrascrescem, os desenvolvedores podem enfrentardificuldades para gerenciá-los adequadamente. Umsistema com um grande número de regras torna-se difícil

de entender e propício a erros, principalmente quando émantido por mais de uma pessoa ou possui regrascomplexas (Hassanpour, O’Connor e Das, 2009). Assim,os desenvolvedores precisam de ferramentas para criar,visualizar e gerenciar regras, que possibilitemprincipalmente:

1) Aquisição do conhecimento sem inconsistências,ambiguidade e regras duplicadas;

2) Visualização de regras e conjunto de regras deforma a facilitar o entendimento e conhecimento dasmesmas.

Tais requisitos motivaram a investigação edesenvolvimento de representações visuais para abstrairos detalhes da sintaxe da linguagem SWRL e técnicaspara acrescentar ou melhorar os recursos disponíveis paragerenciamento de regras.

Desta forma, o objetivo central deste trabalho édesenvolver soluções que aprimorem o processo de



visualização e composição de regras SWRL. Em especial,permitir que especialistas do domínio biomédico, queutilizam o conjunto de regras Autism Phenologue Rules,sejam capazes de visualizar e escrever regras (com omínimo de conhecimento técnico adicional), sem se

deparar com os detalhes técnicos da sintaxe da linguagemSWRL. Para atingir esse objetivo, foram explorados 4aspectos do trabalho com regras SWRL.

O primeiro aspecto explorado é a visualização deregras SWRL, ou seja, como apresentar regras e conjuntosde regras de maneira a facilitar seu entendimento emanutenção. O segundo aspecto explorado é acomposição das regras SWRL, para permitir que osdesenvolvedores tenham um controle maior sobre o que éproduzido. O terceiro aspecto explorado é a colaboraçãoentre os usuários. O objetivo aqui é permitir odesenvolvimento colaborativo e paralelo das regrasSWRL. O quarto, e final, aspecto é um estudo de caso. Oobjetivo foi conduzir um estudo aplicando as técnicasdesenvolvidas às regras da ontologia Autism Phenologue

Rules para identificar os padrões, problemas ecaracterísticas desse conjunto de regras.

Para a concretização dos objetivos foram realizadosos seguintes passos:

1) Investigação de estudos relacionados a ontologias,anotações, regras e suas interfaces, buscando abstraçõesadequadas para o uso em aplicações de regras SWRL;

2) Desenvolvimento de uma ferramenta baseada naWeb para a produção, manutenção e gerenciamento deregras SWRL, aplicando e validando as soluçõesdesenvolvidas;

3) Estudo de caso usando as regras e os especialistasno domínio do autismo, que permitiram gerar uma novarepresentação visual aprimorando o uso da ferramentapara este domínio;

2 Contexto Teórico

A Web Semântica, uma extensão da Web atual, éuma representação capaz de associar significadosexplícitos aos conteúdos dos documentos disponíveis naInternet, sendo que sua principal meta é possibilitar queprogramas processem e interpretem automaticamenteesses documentos (Berners-Lee, Hendler e Lassila, 2001).Para Berners-Lee, a Web Semântica deve possibilitar quecomputadores sejam capazes de acessar dadosestruturados e de definir regras de inferências,transformando grandes volumes de dados em informação.A tarefa de associar significados aos dados é possível pelouso de ontologias.

O termo ontologia é emprestado da filosofia eempregado na ciência da informação e em inteligênciaartificial. Ontologia pode ser definida como umaespecificação explícita da conceituação de um domínio,visando uma classificação padronizada e formal por meio

de um vocabulário controlado que representasemanticamente e exatamente os termos de um domínioespecífico e seus relacionamentos (Gruber, 1993).

A linguagem de ontologia OWL é destinada para osque desejam grande expressividade na descrição dosobjetos e seus relacionamentos. Em 2004, passou a ser opadrão recomendado pelo W3C, para representar ecompartilhar ontologias na Web (Smith, Welty eMcGuinness, 2004).

Além disso, é possível aumentar a expressividade deOWL com o uso de regras SWRL e assim realizaranotações semânticas como asserções, uma vez que, com

o seu uso cria-se afirmações condicionais que permitem ainferência de novos conhecimentos sobre os indivíduos.SWRL é uma expressiva linguagem de regras quecombina cláusulas Horn com conceitos definidos emOWL e pode ser usada para aumentar a capacidade deinferência sobre os indivíduos em uma base deconhecimento em OWL (Horrocks et al., 2004)

Regras em SWRL são compostas de duas partes: oantecedente (body) e o consequente (head ). Cada regra éuma implicação entre o antecedente e o consequente, quepode ser entendida como: quando as condições doantecedente são verdadeiras, então as condições doconsequente também são verdadeiras. Ambas as partes

consistem em uma conjunção de zero ou mais átomos, nãopermitindo disjunções ou negação.

Os átomos, por sua vez, são formados por umpredicado e um ou mais argumentos (cuja quantidade etipo são determinados pelo tipo do predicado econsequentemente pelo tipo do átomo). A especificaçãoW3C define seis tipos de átomos (Hassanpour, O'Connore Das, 2010), apresentados na Tabela 1.

Desta forma, átomos podem se referir a:

1) indivíduos;

2) valores;

3) variáveis para indivíduos;4) variáveis para valores;

Variáveis são tratadas como quantificadoresuniversais e possuem o escopo limitado à regra a qualpertence. Apenas variáveis que ocorrem no antecedentepodem ocorrer no consequente.



Tabela 1 – Tipos de Átomos SWRL

Tipo de átomo Descrição

Class

O predicado corresponde a uma classedefinida na ontologia e recebe umindivíduo1 como argumento.

Object propertyO predicado corresponde a umapropriedade definida na ontologia e recebedois indivíduos como argumentos e osrelaciona entre si.

Data valued property

O predicado corresponde a umapropriedade definida na ontologia e recebedois argumentos: um indivíduo e um valor2 relacionando-os.

Data range

O predicado corresponde a um tipo dedado definido na ontologia e recebe umvalor como argumento.

Same/different

O predicado corresponde ao termo“sameAs” ou “differentFrom” e recebedois indivíduos como argumentosdefinindo que estes são iguais ou diferentesrespectivamente.

Built-in

O predicado corresponde a um conjunto defunções pré-definidas (comparações,funções matemáticas, lógicas, ...) oudefinida pelo usuário que recebe um oumais argumentos e retorna verdadeiroquando estes satisfazem o predicado.

Embora as regras SWRL possam ser representadasem mais de um formato, o formato de leitura humano éadotado neste trabalho. Neste formato, a seta (→) é usadapara separar antecedente e consequente, o acentocircunflexo (^) representa a conjunção entre os átomos e osinal de interrogação (?) distingue as variáveis dos nomesde indivíduos. Usando esta sintaxe e os conceitosapresentados anteriormente, uma regra que define que o

irmão do pai de um indivíduo é o seu tio é ilustrada naFigura 1.

Figura 1 - Exemplo de regra SWRL e suas partes

1 Na Tabela 1 o termo indivíduo é empregado para representarindivíduos ou variáveis para indivíduos

2 O termo valor neste caso é uma livre tradução de data value erepresenta um dado de um tipo primitivo definido na ontologia (Ex:inteiro, real, string). Na Tabela 1 o termo valor é empregado pararepresentar valores constantes ou variáveis para valores

3 Trabalhos Relacionados

O SWRL Tab (SWRLTab, 2011) é um plug-in para oeditor de ontologias Protégé, sua principal finalidade épermitir a edição e gerenciamento de regras SWRL. Asregras são apresentadas no formato tabular, sendo possível

editá-las em um editor textual integrado. A ferramentarealiza a identificação dos erros sintáticos conforme aespecificação SWRL (Horrocks et al., 2004), e valida ocorreto uso dos termos da ontologia. Além disso, umconjunto de APIs é disponibilizado permitindo, porexemplo, a inferência das regras e realização de testes(SWRLTab, 2011). Por outro lado, a ferramenta nãopossui nenhum tipo de recurso relacionado à organizaçãodas regras.

O Axiomé (Hassanpour, O’Connor e Das, 2009)também é um plug-in para o Protégé e faz uso das APIsdisponibilizadas pela ferramenta SWRL Tab. Sob a

perspectiva do usuário o Axiomé amplia a quantidade derecursos voltados à organização e visualização das regras,além de disponibilizar a edição das regras por meio detemplates gerados com base na estrutura das regras. Asprincipais técnicas que a ferramenta agrega são:Agrupamento automático das regras; Gráficos devisualização e dependências das regras; Paráfrases emregras (uma explicação textual da regra geradadinamicamente); e Template para edição e aquisição deregras. Atualmente, a ferramenta está sendo migrada paraa versão Web do Protégé e recursos semânticos estãosendo agregada a mesma (Hassanpour, O'Connore Das,2010).

A ferramenta ACE View (Kaljurand, 2008) é umeditor de regras e ontologias que utiliza o Attempto

Controlled English (ACE) que pode ser usado para criar,visualizar e editar axiomas OWL e regras SWRL. O ACEé uma linguagem natural controlada, formada por umsubconjunto da língua inglesa, destinada à representaçãodo conhecimento. Embora se assemelhe muito àlinguagem natural escrita, é uma linguagem formal que permite dois tipos de mapeamento: ACE → OWL/SWRL

e OWL → ACE. Também desenvolvida como um plug-indo editor de ontologias Protégé, o ACE View utiliza umparadigma diferente de interação diferente das demais

ferramentas de regras SWRL ao utilizar apenas alinguagem natural para permitir a criação de regras econceitos da ontologia. As sentenças descritas em ACEcorrespondem a axiomas OWL ou regras SWRL e aspalavras correspondem a conceitos e propriedades dalinguagem OWL.



Além das ferramentas SWRL, existe um grandenúmero de técnicas e ferramentas relacionadas à criaçãode regras de negócio, que podem apontar a direção para oaprimoramento e criação de novas técnicas relacionadas aregras SWRL (Rivollli, Orlando e Moreira, 2011).

Embora os avanços das ferramentas e os estudosrelacionados a criação de regras de negócio, ainda nãoestejam consolidados (Zacharias, 2008), o estágio atual deseu desenvolvimento está muito a frente se comparado aregras semânticas.

A análise destas ferramentas mostra as distintasformas de interação do usuário com as regras, como porexemplo: tabelas e árvores de decisão, templates paraedição de regras, linguagem natural, diagramas paravisualização e editores integrados que utilizam técnicas deagrupamento, sugestão de termos, detecção e correção deerros.

4 Aprimorando o uso de Regras SWRL

Foi desenvolvido um conjunto de soluções paraaprimorar o uso de regras SWRL, que foram integradas auma ferramenta Web para o gerenciamento de regrasSWRL.

4.1 Representação Lógica das regras

As regras SWRL são armazenadas no formato OWLcomo parte da própria ontologia em que são criadas. Asregras e suas partes, são representadas internamente pelaferramenta Protégé como indivíduos que pertencem a umaou mais classes e possuem propriedades que os

relacionam entre si, como pode ser visto na especificaçãoW3C (Horrocks et al., 2004), nas seções XML Concrete

Syntax e RDF Concrete Syntax. Além disso, asferramentas SWRL Tab e Axiomé são muito acopladas aoProtégé. Com isso, uma API para regras SWRL passou aser desenvolvida para ser independente de uma ferramentaespecífica.

Nessa API, as regras são representadas de um modomais próximo ao modelo lógico utilizado pelosdesenvolvedores de regras. Na Figura 2 são apresentadasas principais classes e seus relacionamentos utilizados narepresentação das regras em SWRL.

A partir deste modelo foi desenvolvido umprocedimento automático para extração de informações ecaracterísticas do conjunto de regras que oferece umavisão completa das mesmas. As principais característicasextraídas foram: quantidade; média; mínimo e máximo;distribuição e frequência referentes aos átomos, tipos deátomo, predicados, argumentos e tipos de argumentos. É

possível analisar estas informações observando apenas oantecedente, o consequente, ou ambos.

Figura 2 - Principais classes do modelo lógicodesenvolvido

Além disso, a API possui um módulo de integraçãodo modelo com as APIs do Protégé versões 3 (OWLversão 1) e 4 (OWL versão 2) para obtenção dos conceitosdefinidos na ontologia e suas regras. Isso permitiu odesenvolvimento de um plug-in para esta ferramenta.

4.2 Representações visuais

Foram elaboradas duas representações visuais paraabstrair as regras SWRL denominadas de SWRL Highlight e Visualização Hierárquica, apresentadas naFigura 3.

Enquanto a representação visual SWRL highlight exibe a regra agregando cores aos átomos e argumentos de

acordo com seu tipo a Visualização Hierárquica abstrai asintaxe da regra apresentando-a de modo hierárquicoconforme o significado e tipo dos átomos. Ambas asrepresentações, ao mesmo tempo em que tornam a regramais clara para apresentação, enriquecem com cores esímbolos o seu significado.

Figura 3 - Representações visuais para regrasSWRL. A) SWRL Highlight; B) Visualização

Hierárquica.



4.3 Similaridade entre regras

Mensurar um fator que determina o quanto duasregras são similares ou diferentes se mostrou uma opçãocapaz de auxiliar na visualização, organização e noprocesso de composição de regras. Além disso, a maneira

como foi desenvolvido o algoritmo de similaridadepermite identificar padrões nas regras.

O primeiro passo do algoritmo consiste na elaboraçãode uma matriz de características, com as linhascorrespondendo às regras e as colunas correspondendo aosátomos. Para cara linha/coluna é atribuído o número deocorrências do átomo na regra. Essa matriz decaracterísticas permite algumas variações. Ao invés deutilizar a regra como um todo, pode ser utilizado apenas oantecedente ou consequente. Além disso, os argumentospodem ser descartados utilizando apenas os predicados. Apartir da matriz de características obtida, é possível

determinar a distância entre duas regras P e Q quaisquerpela expressão:

Onde: P = [p1, p2, ..., pn] e Q = [q1, q2, ..., qn] são osvetores de características das regras P e Q,respectivamente.

A fórmula da distância Euclidiana, utilizada para ocálculo da similaridade, fornece a distância entre doispontos em um plano n-dimensional (Salzberg, 1991). Comisso, quando duas regras possuem exatamente os mesmosátomos o resultado obtido pela aplicação da fórmula ézero, e as regras são consideradas idênticas. Desta forma,quanto maior a distância obtida, maior é a diferença entreas regras e consequentemente menor a similaridade entreelas.

4.4 Agrupamento de Regras

O agrupamento automático das regras SWRL a partirde sua estrutura (Hassanpour, O’Connor e Das, 2009), fazcom que os grupos gerados contenham regras cujossignificados não tenham ligação entre si, uma vez que o

agrupamento é realizado pela quantidade e tipos deátomos que as regras possuem. Na busca de gerar gruposde regras significativos sob a perspectiva do usuário, ofator de similaridade foi considerado juntamente com aaplicação do método de clusterização K-means (Jain,Murty e Flynn, 1999).

O K-means é o mais simples e mais utilizadoalgoritmo que aplica o critério de erro quadrático.Classificado como um algoritmo divisível faz com que osgrupos sejam obtidos em partições simples, sem umaestrutura hierárquica por exemplo. Isso faz com que possa

ser aplicado em pequenos e grandes conjuntos de dados,mas precisa que o número de grupos seja pré-definido,fato que pode se tornar um problema. O método nãorequer intervenção e supervisão humana (nãosupervisionado) e os dados iniciais não precisam ser pré-classificados.

O algoritmo utilizado para o agrupamento das regrasa partir da similaridade pode ser descrito em cinco passos:

1. Selecionar k regras aleatórias, que serãoutilizadas como centro dos grupos;

2. Calcular a similaridade entre cada regra e oscentroides;

3. Agrupar cada regra com o centroide mais similar;4. Calcular os novos centroides para os k grupos;5. Voltar ao passo 2 até que haja convergência, ou

seja, nenhum grupo sofra alterações e oscentroides sejam mantidos.

4.5 Detecção de Erros

Ferramentas capazes de identificar e corrigir errossão um dos mais importantes requisitos apontados pelosdesenvolvedores de regras (Zacharias, 2008). Destamaneira, integrar estes recursos na API se mostrouessencial para aprimorar o processo de composição deregras e diminuir o número de erros.

A partir da especificação SWRL, foi definida umalista com os possíveis erros que os desenvolvedores deregras podem cometer durante o processo de composiçãode regras. Além disso, é proposta uma classificação deescopo e tipo para os erros.

A classificação de escopo compreende:

1) Regra;

2) Átomo;

3) Argumento.

A classificação de tipo compreende:

1) Aviso;

2) Erro léxico;3) Erro sintático;

4) Erro semântico.

A listagem conta ainda com as informações dedescrição para correção e mensagem formatada para o



usuário. A detecção de erros semânticos não foi alvo dessetrabalho.

4.6 SWRL Editor

A ferramenta SWRL Editor integra as representações

visuais, técnicas desenvolvidas e as demaisfuncionalidades previstas neste trabalho. Ela foidesenvolvida como um plug-in da ferramenta WebProtégé. A arquitetura baseada em plug-ins é uma dasprincipais funcionalidades do Protégé, pois essemecanismo de extensão permite que novasfuncionalidades sejam adicionadas gradativamente, o quetornou o Protégé uma sólida plataforma para odesenvolvimento de tecnologias semânticas (Tudorache,Vendetti e Noy, 2008). Os plug-ins tornam possívelutilizar novas bibliotecas e permitem a adição de novasabas (tabs) contendo um ou mais componentesreutilizáveis ( portlets) na ferramenta Web Protégé.

O SWRL Editor passou a ser desenvolvido após ainvestigação das ferramentas de regras e a implementaçãoda SWRL Editor API com as técnicas e recursosanteriormente apresentados. Optou-se primeiramente pelodesenvolvimento de protótipos de baixa fidelidade, demodo a facilitar a captação de novos requisitos e permitira simulação de diversos cenários de uso. Foram utilizadasas tecnologias Java e Google Web Toolkit (GWT) naconstrução do plug-in que representa a ferramenta econsiste em uma aba e dois componentes reutilizáveis: (1) Rule Properties; e (2) Rule Panel.

A portlet Rule Properties é subdividida em View,

Composer, Information e Options. As duas primeirasativam respectivamente os modos de visualização ecomposição no Rule Panel e exibem funções para filtraras regras, quando no modo View, e para compor regrasquando no modo Composer . O painel Information exibeas informações geradas sobre o conjunto de regras e oOptions deverá conter opções para customização daferramenta.

Uma das telas da ferramenta SWRL Editor éapresentada na Figura 4. A mesma encontra-se disponívelem http://biomac.icmc.usp.br:8080/SWRLEditor/.

5 Estudo de Caso: Autism Phenologue Rules Nesta seção, os resultados obtidos durante o

desenvolvimento do estudo de caso usando as regras daontologia Autism Phenologue Rules, versão 3.4.4 demarço de 2010. A partir desse estudo, foi possível proporuma nova representação visual que atende especialmenteas regras dessa ontologia e abstrai os detalhes da

linguagem SWRL, priorizando os conceitos utilizados nasanotações.

A escolha da Autism Phenologue Rules para esteestudo de caso é motivada pelos seguintes fatores:

1) A ontologia possui um grande número de regrasSWRL;

2) As regras são grandes, ou seja, possuem diversosátomos tanto no antecedente quanto no consequente;

3) Temos contato direto com os desenvolvedores dasregras e pesquisadores do autismo (através do BMIR);

O autismo é uma série de transtornos complexos nodesenvolvimento mental, caracterizados por deficiênciassociais, dificuldades de comunicação e padrões restritos,

repetitivos e estereotipados de comportamento (Frith eHill, 2003). Sua escolha para o projeto Phenologue sedeve ao fato da não identificação dos genes responsáveispela doença, além de estudos recentes demonstrarem ocrescimento da ocorrência em casos de autismo napopulação (Tu et al., 2008).

O projeto Phenologue, coordenado pelo professorAmar Das (Stanford University), tem por objetivo buscarcolaborativamente adquirir, gerenciar, e inferir novasinformações a cerca de fenótipos do autismo a partir dedados experimentais e resultados publicados na literatura(Hassanpour, O'Connor e Das, 2010). O projeto envolveespecialistas em autismo e informática da universidade e

do National Database for Autism Research (NDAR), queé também um repositório de dados de pesquisasdesenvolvido pelo National Institutes of Health (NIH)para apoiar e acelerar o avanço da pesquisa sobre Autism

Spectrum Disorders (ASD) (NDAR, 2010). Dentro desteprojeto, está sendo elaborada e criada a ontologia Autism

Phenologue Rules. Esta ontologia estende ontologias

Figura 4 – Tela da ferramenta SWRL Editor



disponíveis na OBO Foundry e sua criação ocorreu pormeio de uma revisão sistemática da literatura paraidentificar termos do domínio e relacionamentosrelevantes para fenótipos de autismo (Tu et al., 2008).

Para realizar a categorização dos fenótipos de

autismo foi utilizada a linguagem SWRL, de modo que, acada caracterização os pesquisadores criam regras paradescrevê-lo. A colaboração com os envolvidos no projetoPhenologue contribuiu na definição dos requisitos eanálise dos resultados obtidos. Eles também tiveramacesso a ferramenta para utilização no desenvolvimentode novas regras e manutenção das regras atuais.

5.1 Conjunto de regras

Foi feita uma análise das principais características doconjunto de regras, utilizado a SWRL Editor API, com oobjetivo de conhecer em detalhes as regras. Na Tabela 2

são apresentadas as informações pertinentes as 156 regraspresentes na ontologia.

Tabela 2 – Visão Geral das regras do autismo

Informação Total Antecedente Consequente

Número de regras 156 - -

Número de átomos 2137 994 1143

Número de predicadosdistintos

155 147 9

Média de átomos pornúmero de regras

13 6 7

Mín. e máx. número deátomos por regra

[10,20] [5,15] [5,8]

Número de argumentos 3886 1877 2009

Média de argumentos pornúmero de regras

24 12 12

Mín. e máx.número deargumentos por regra

[18,46] [9,37] [9,14]

O grande número de átomos presente nas regrascontrasta com a quantidade de predicados utilizados. Issorevela que embora a média de átomos por regra sejagrande (13 no total, 6 no antecedente e 7 no consequente),se comparado com outros conjuntos, os predicados serepetem com certa frequência nas regras. Tal observação éacentuada quando observado apenas os consequentes dasregras, pois todas as regras utilizam apenas 9 predicadosdistintos como consequentes. A menor regra possui 10átomos (distribuídos igualmente entre antecedente econsequente) e a maior regra 20 átomos, com oconsequente tendo no máximo 8 átomos.

5.2 Representação visual das regras do autismo

As representações visuais desenvolvidas neste trabalhotêm por objetivo facilitar e ampliar o entendimento dasregras. Enquanto a visualização SWRL Highlight melhoraa disposição dos átomos e enriquece a visualização com

cores, a visualização hierárquica oculta alguns detalhes dasintaxe e, além de cores, agrega símbolos para cada tipode átomo.

Pelo fato de as regras do autismo apresentarem umaestrutura homogênea e uma quantidade significativa deátomos, o ganho é ainda maior. Visualmente, as regras sãomais bem apresentadas, o que permite ao observadoridentificar, de maneira objetiva, os padrões que a regrapossui, principalmente quando a visualização hierárquicaé usada.

Durante a exploração das regras nas visualizaçõesSWRL highlight e hierárquica foram identificados padrões

de estruturas nas regras que possibilitaram desenvolveruma representação especifica para este conjunto,denominada de visualização do autismo. Inicialmente, foipossível identificar que todas as regras compartilhavamdeterminados átomos, sendo que apenas uma pequenaparte (alguns predicados ou argumentos) é que distinguemcada uma das regras.

Quanto à parte comum das regras, foramidentificadas poucas variações de estrutura, após aidentificação dessas estruturas, foi percebido que algunsátomos do antecedente estão ligados a átomos doconsequente por meio de variáveis, ou seja, se referem aomesmo argumento. Tal padrão foi observado em todas asestruturas comuns identificadas.

Dessa forma, após identificar as estruturas comuns eum padrão entre essas estruturas e partes específicas dasregras, foi elaborada uma representação visual capaz derepresentar adequadamente e objetivamente as estruturas epadrões encontrados para este conjunto de regras. NaFigura 5 é apresenta a representação do autismo para umadas regras do conjunto.



5.3 Similaridade entre as regras

O fator de similaridade entre duas regras, gerado pelaSWRL Editor API, é utilizado na ferramenta em quatromomentos distintos:

1) Durante a visualização das regras, quando é

possível visualizar as regras similares a uma determinadaregra;

2) Na formação dos grupos, quando esse fator éutilizado pelo algoritmo de agrupamento;

3) Durante a composição das regras, quando épossível visualizar as regras similares e reutilizar osátomos dessas regras;

4) Durante a detecção de erros, quando se utiliza asimilaridade para detectar regras ou partes da regrarepetidas;

Com o objetivo de ter uma noção geral das distânciasentre as regras, foi feito o cálculo da distância entre todos

os pares de regras (12090 pares, para um total de 156regras). Foram observados o menor e o maior grau desimilaridade, além da moda e do número de grausdistintos que ocorreram em cada situação.

5.4 Agrupamento

A técnica de agrupamento desenvolvida neste trabalhofoi empregada com o objetivo de agrupar as regras deacordo com a similaridade ao invés da estrutura de regras(os tipos de átomos que a regra possui), utilizado pelaferramenta Axiomé. O algoritmo escolhido para realizar oagrupamento foi o K-means (Jain, Murty e Flynn, 1999),

pela sua simplicidade (a facilidade de implementação).Como desvantagens, pode-se citar: o fato de ele não serdeterminístico3; a necessidade de se definir o número deagrupamentos a serem obtidos; e a necessidade de seexecutar o algoritmo novamente no caso de modificação

3 O não determinismo faz com que o algoritmo possa gerarresultados distintos para o mesmo conjunto de regras.

ou adição de um novo elemento (no nosso caso, umaregra) exige o reagrupamento.

Para avaliar a abordagem apresentada neste trabalho,foi feito um estudo comparativo entre os agrupamentosgerados com a ferramenta Axiomé e com a abordagem

apresentada para o conjunto de regras Autism Phenologue Rules.

O uso da estrutura da regra para realizar oagrupamento, agrega pouco valor para o entendimento dasmesmas, pois o fator determinante para o agrupamentosão os tipos dos átomos utilizados ao invés dos própriosátomos. No caso específico do autismo, o fato das regrasserem muito parecidas entre si (possuírem muitospredicados em comum) contribuiu para que os grupos compoucas regras possuam regras similares. Por exemplo,duas regras idênticas são classificadas no mesmo grupo(pois possuem a mesma estrutura), entretanto se é

acrescentado um novo átomo a uma dessas regras, essapassa a pertencer a um novo grupo.

Diferentemente da abordagem utilizada pelaferramenta Axiomé, ao considerar o grau de similaridadena realização dos agrupamentos, o esperado é que osgrupos contenham regras similares independentemente daestrutura, logo, utilizando o cenário do exemplo anterior ométodo desenvolvido classificará as duas regras nomesmo grupo mesmo após a modificação.

5.5 Detecção de erros

A detecção de erros é realizada após cada modificaçãoem uma regra, durante a realização da tarefa decomposição de regras. Na ocorrência de algum problema,um aviso é apresentado ao desenvolvedor para que elepossa corrigi-lo, caso contrário, uma mensagem desucesso é apresentada no painel de apresentação dosproblemas, sem interferir na interação do usuário.

Como parte do estudo de caso, o algoritmo dedetecção de erros foi aplicado para todas as regras da Autism Phenologue Rules com a finalidade de identificarpossíveis regras com erros. Após a aplicação desse teste,foram encontrados os seguintes problemas:

1. 5 pares de regras com o antecedente idêntico;

2. 10 pares de regras com o consequente idêntico;3. Duas regras repetidas;4. Todas as regras acusaram o erro, no qual as

variáveis ?date e ?qv aparecem como variáveisde dois tipos distintos na mesma regra;

Embora os 3 primeiros não sejam propriamente erros,mas avisos, e possivelmente não acarretam problemas na

Figura 5 – Representação visual do autismo



interpretação do conjunto de regras, tais situações podemnão ser desejáveis, e, nesse caso, poderiam ter sidoevitadas.

O fato de algumas regras possuírem o mesmoantecedente ou o mesmo consequente pode ser proposital,

pois a primeira possibilidade pode simplificar oconsequente4 e a segunda supre a falta do operador lógico“OR” no antecedente, que não é suportado pela sintaxe dalinguagem SWRL5. Entretanto, esses avisos podem alertaro desenvolvedor e evitar possíveis equívocos por partedele.

Tais regras e combinações foram analisadasmanualmente, possibilitando realizar as seguintesconstatações:

As regras duplicadas apareceram no antecedentee consequente;

Os demais pares de regras com antecedente

idêntico apresentaram pequenas diferenças noconsequente, o que pareceu ter ocorridointencionalmente. Em um dos pares o diferencialforam os valores dos predicados 'is

derived from' e autism-

core:subject_has_quality_or_disp

osition, e nos demais apenas o predicado'is derived from'.

Com consequente idêntico, as regras com oprefixo ConcludeDelayedPhrases apresentarama seguinte diferença: ?phraseage > 36 e?phraseage > 33, com isso é possívelafirmar que a segunda engloba a primeira,tornando-a desnecessária. O mesmo ocorreucom as regras cujo prefixo éConcludeNotDelayedPhrases porém, nessecaso, a diferença foi: ?phraseage <= 36 e?phraseage <= 33, e, assim, pode-se dizerque a primeira torna a segunda desnecessária.Todavia, as regras ConcludeDelayedPhrases eConcludeNotDelayedPhrases sãocomplementares (geram resultados disjuntos) enão poderiam sofrer intersecção como estáocorrendo. Caso o valor da variável?phraseage seja igual a 35 e todas as demais

condições do antecedente sejam satisfeitas a

4 Suponha que as expressões A → B e A → C são válidas, entãoa expressão A → B ^ C é equivalente.

5 Suponha que as expressões A → C e B → C são válidas, entãoa expressão A ˇ B → C é equivalente.

regra classificaria o indivíduo em ambos oscasos.

As regras com o prefixoConcludeSavantNegative eConcludeSavantPositive apresentaram o

mesmo cenário descrito anteriormente. Os demais pares de regras com consequente

idêntico apresentaram átomos adicionais noantecedente e/ou átomos repetidos com valoresdiferentes. Neste caso, não é possível afirmar seessas ocorrências foram desejáveis ou não.

Generalizando, o problema de regras duplicadas émais crítico que os outros dois, uma vez que aredundância, nesse contexto, não oferece nenhumavantagem para o desenvolvedor. O motivo da ocorrênciadesse erro, segundo os responsáveis (do BMIR), se dápelo fato das regras serem desenvolvidascolaborativamente. A hipótese da duplicação das regras

por um erro6 de um usuário foi descartada porque asregras possuem nomes que atendem o padrãoestabelecido.

Tais identificações também foram realizadas duranteos testes de analise de similaridade, pois, algumas dasverificações do algoritmo de detecção de erros utilizam oresultado do método de similaridade. Ao utilizar aferramenta SWRL Editor esses problemas poderiam serevitados uma vez que o usuário é alertado quandointencionalmente ou casualmente os gera. Diferente dosdemais tipos de erros os avisos não desabilitam o botãosalvar e, consequentemente, não impedem que as regras

possam ser salvas.O erro em que a mesma variável aparece relacionada

a dois tipos distintos na mesma regra (I-Object e D-Object) eram desconhecidos pelos desenvolvedoresbiomédicos, que até o momento, estão usando as regrasexclusivamente para modelar o domínio de conhecimento.A ferramenta usada por eles, a SWRL Tab do Protégé, nãoidentificou o erro, todavia, em tempo de execução amáquina de inferência JESS (usada pelo Protégé paraexecutar regras SWRL) não executaria as regras comoesperado, o que alertaria sobre a existência de algumproblema. Mesmo assim, a detecção durante odesenvolvimento é o mais apropriado ao permitir aidentificação e correção imediata dos erros.

6 As ferramentas SWRL Tab e Axiomé possuem a opção deduplicar uma regra.



6 Conclusões

A linguagem SWRL permite aumentar aexpressividade das ontologias definidas em OWL, pormeio de afirmações condicionais (regras), proporcionandoa inferência de novos conhecimentos sobre indivíduos da

ontologia. Embora a sintaxe da linguagem SWRL sejasimples para profissionais da computação, o mesmo não éválido para especialistas de outros domínios, no caso destetrabalho, pesquisadores biomédicos envolvidos no projetoPhenologue. Isso é verdade principalmente quando osconjuntos de regras usados se tornam grandes ecomplexos, aí mesmo desenvolvedores da área decomputação tem dificuldades em gerenciá-lasadequadamente.

As soluções desenvolvidas e apresentadas nodecorrer deste trabalho, tiveram como principal objetivocontribuir para a melhoria da visualização e composição

de regras SWRL, ao gerar representações visuais paraestas regras, permitir a identificação de regras similares, oagrupamento a partir da similaridade e refinamentos nadetecção de erros. Tais soluções foram integradas aferramenta Web SWRL Editor, desenvolvida como umplug-in do Web Protégé, disponível emhttp://biomac.icmc.usp.br:8080/SWRLEditor/.

6.1 Contribuições

O objetivo central deste trabalho foi desenvolversoluções que aprimorassem o processo de visualização ecomposição de regras SWRL. Especialmente para uso dospesquisadores do projeto Phenologue. Para atingir esse

objetivo, foram explorados 4 aspectos do trabalho comregras SWRL, para cada um deles apresentamos ascontribuições desse trabalho.

Com relação a visualização das regras, os objetivoseram o desenvolvimento de representações visuais queabstraiam a sintaxe da linguagem SWRL; de um métodode agrupamento que considere a similaridade das regras; ea geração de informações automáticas, que forneçam umavisão geral e especifica, de regras e de conjunto de regras.

As contribuições neste aspecto são:

1) Lista de interfaces e recursos utilizados nasferramentas de regras – a partir do levantamento dasferramentas de regras, foi possível identificar e analisar asdistintas formas de interação do usuário com as regras.Assim, as ferramentas, interfaces e recursos ilustram ocenário atual de desenvolvimento das ferramentas deregras, especialmente as que suportam a linguagemSWRL. As interfaces identificadas compreendem: tabelase árvores de decisão; diagrama gráfico; editor de texto;

formulários e templates; interface interativa; e linguagemnatural. Além disso, recursos como segmentação deregras, representações visuais, agrupamento, componentesde sugestão e ícones complementam e enriquecem asinterfaces e, por consequência, as mais diversas formas de

interação;2) Representações visuais das regras SWRL – foram

elaboradas três representações para abstrair as regrasSWRL: SWRL Highlight , visualização hierárquica; e,visualização do autismo. Enquanto as duas primeiras sãogenéricas e podem ser empregadas para representarqualquer regra SWRL, a visualização do autismo éespecífica para as regras da ontologia Autism PhenologueRules e oculta detalhes técnicos da linguagem SWRL semperda de significado. Tais representações são destinadasprimeiramente para simplificar a visualização, contudo,podem ser também empregadas para auxiliar nacomposição das regras. Além disso, ao mesmo tempo emque simplifica a apresentação da regra, apresentainformações adicionais sobre os tipos dos átomos.

3) Agrupamento de regras por meio da similaridadeentre regras SWRL – com o objetivo de mensurar oquanto duas regras são similares (ou diferentes) a técnicadesenvolvida utiliza a ocorrência dos átomos/predicadosdas regras para o cálculo do fator de similaridade. Comisso, quanto menor o valor obtido mais as regras sãosimilares, de modo que, o valor 0 (zero) indica regrasidênticas. Foram apresentadas variações da técnica com ointuito de atender a um maior número de cenários de uso.Uma das aplicações dessa estratégia consiste no

agrupamento das regras a partir da similaridade entre elas(o uso de similaridade no agrupamento se mostrou maisadequado do que a utilização da estrutura da regra);

Com relação a composição das regras, os nossosobjetivos eram a elaboração de uma lista com os possíveiserros (classificados em escopo e tipo) que osdesenvolvedores estão sujeitos e implementação de ummecanismo que faça a detecção desses erros.

As contribuições neste aspecto são:

1) Elaboração de uma lista categorizada de erros emregras SWRL – foi elaborada uma lista de erros divididaem quatro categorias: (1) avisos; (2) erros léxicos; (3)

erros sintáticos; e (4) erros semânticos. Para a elaboraçãoda lista, foram considerados os estudos realizados e aobservação das ferramentas de regras, sem deixar deatender a especificação da linguagem SWRL.

2) Organização e detecção de erros em conjuntos deregras SWRL – a partir da lista com os possíveis erros queos desenvolvedores de regras podem cometer, o



mecanismo de detecção de erros foi desenvolvido. Apenasos erros classificados no tipo semântico não sãosuportados.

Quanto a colaboração entre os usuários, o objetivoera permitir o desenvolvimento colaborativo e paralelo

das regras SWRL. Para isso, foi desenvolvida umaferramenta Web, como um plug-in do Web Protégé. Acontribuição neste aspecto é:

1) Ferramenta SWRL Editor – o SWRL Editorintegra um conjunto de soluções para aprimorar avisualização e composição de regras SWRL. Embora nãoesteja ainda totalmente completa, é possível utilizar osprincipais recursos propostos neste trabalho. O grandediferencial do SWRL Editor em relação às ferramentasSWRL Tab, Axiomé e ACE View são o fato dele estardisponível na Web, seu mecanismo de busca de regras, adetecção de erros e as representações visuais que ele usa.

Por fim, o estudo de caso teve por objetivo conduzirum estudo aplicando as técnicas desenvolvidas às regrasda ontologia Autism Phenologue Rules para identificar ospadrões, problemas e características desse conjunto deregras. Com isso, podemos validar algumas das técnicasempregadas e contribuir com os pesquisadores biomédicosenvolvidos em seu desenvolvimento. A contribuição nesteaspecto é:

1) Melhoramento do conjunto de regras SWRL daontologia Autism Phenologue Rules – a API e ferramentadesenvolvida permitiram analisar as regras dessaontologia. A análise parte da observação de informaçõescomo a quantidade, média e distribuição dos átomos,predicados e argumentos no antecedente, consequente ouambos. Em seguida, as representações visuais foramobservadas permitindo encontrar os padrões que esteconjunto de regras possui. As técnicas de análise desimilaridade, agrupamento e detecção de erros foramaplicadas a essas regras e revelaram alguns problemassobre as mesmas. Destaca-se ainda que, após a conduçãodeste estudo de caso, houve um melhoramento desseconjunto de regras, pois: (1) problemas foramsolucionados; (2) os desenvolvedores se motivaram asimplificar as regras; e (3) uma nova versão do conjuntode regras foi desenvolvida.

6.2 Trabalhos futuros

Como trabalhos futuros, podem ser consideradas aslimitações e restrições encontradas no desenvolvimentodeste trabalho. Podem ser listados como trabalhos futuros:

Uma avaliação de usabilidade nas interfaces daferramenta SWRL Editor e assim validar

quantitativamente e qualitativamente os recursosdesenvolvidos e o impacto que esses causam na interaçãocom o usuário. De modo especial, realizar um estudocomparativo entre o uso das ferramentas de regras SWRLe identificar as melhores estratégias para visualização e

composição das anotações.O suporte à linguagem natural se mostra um

importante recurso para a melhoria do uso da ferramenta,uma vez que esse tipo de interface é a mais natural parausuários não técnicos em computação. Para tanto, pode-seutilizar a linguagem ACE.

A implementação de todos os recursos previstos naferramenta SWRL Editor para completar a visualizaçãodas regras e do conjunto de regras, a árvore de decisãopode ser aplicada e tem grande potencial para cumprir esteobjetivo. Na composição foi previsto a sugestão determos, contudo, alguns desenvolvedores consultados

revelaram que o recurso de auto completar vem a ser maisatrativo que a sugestão. Por fim, a customização daferramenta se mostra um importante recurso para torná-lafamiliar aos usuários.

A detecção de erros semânticos, para tanto édesejável ter suporte semântico na análise de similaridadee na detecção de erros. Para tanto, no primeiro caso amatriz de características pode ser alterada para considerarinformações semântica adicionais sobre os predicadosdisponíveis na ontologia: como hierarquia das classes ecaracterísticas das propriedades (transitividade,propriedades inversas, domínios, faixa de valores, etc). Nadetecção de erros, além de considerar as informações

adicionais disponíveis na ontologia, é necessário recorrera uma máquina de inferência para identificar possíveisequivalências e inconsistências lógicas.

O agrupamento hierárquico de regras, pois, oemprego de outro algoritmo que se baseie na similaridade,porém que utilize uma estrutura hierárquica e sejadeterminístico, é sugerido. Com isso, os grupos podem sermelhores distribuídos e a reaplicação do método não geranovos grupos.

E por fim, a elaboração de uma metodologia genéricaformal que utiliza as técnicas propostas neste trabalho: aanálise do conjunto de regras se mostrou completa o

bastante para ser generalizada em um modelo de análise eestudo de regras SWRL. O resultado das técnicas desimilaridade somado ao conjunto de informaçõesdisponibilizado pela ferramenta possibilita tambémclassificar os conjuntos, por exemplo, emhomogêneo/heterogêneo e simétrico/assimétrico.



References

A. K. Jain, M. N. Murty, P. J. Flynn,”Data clustering: A

review”, ACM Computer Survey, 1999, New York, NY,USA, v. 31, n. 3, p. 264-323. doi: 10.1145/331499.331.

A. Rivolli, J. P. Orlando, D. A. Moreira, “An Analysis of Rules-Based Systems to Improve SWRL Tools”, ICEIS

2011: International Conference on Enterprise Information

Systems, 2011, Beijing, China, p. 191-194.

I. Horrocks, P. F. Pastel-Schneider, H. Boley, S.Tabet, B. Grosof, M. Dean, “SWRL: A Semantic Web Rule

Language Combining OWL and RuleML”, W3C. 2004.Disponível em: http://www.w3.org/Submission/SWRL/,acesso em Jan. 2010.

K. Kaljurand, “ACE View – an ontology and rule editor based on Attempto Controlled English”, In: Proceedings

of the Fifth OWLED Workshop on OWL: Experiences andDirections (OWLED 2008), 2008, v. 432, p. 1-12. doi:10.5167/uzh-8822.

M. K. Smith, C. Welty, D. L. Mcguinness (Editors),“OWL Web Ontology Language Guide”, W3C, 2004.Disponível em: http://www.w3.org/TR/owl-guide/, acessoem Nov. 2008.

Ndar, “Frequently Asked Questions”, 2010.Disponível em: http://ndar.nih.gov/ndarpublicweb/faq.go,acesso em Fev. 2011.

S. Hassanpour, M. J. O’Connor, A. K. Das, “VisualizingLogical Dependencies in SWRL Rule Bases”, The

International RuleML Symposium on Rule Interchange

and Applications, 2010, Washington, DC, p. 259-272.

S. Hassanpour, M. J. O’Connor, A. K. Das,”Exploration of SWRL Rule Bases through Visualization,

Paraphrasing, and Categorization of Rules”, In:Proceedings of the 2009 International Symposium on Rule

Interchange and Applications (RuleML 2009), 2009, LasVegas, Nevada, p. 246 – 261. doi: 10.1007/978-3-642-04985-9_23.

S. Salzberg, “Distance Metrics for Instance-BasedLearning”, In: Proceedings of ISMIS'916th International

Symposium, 1991, v. 542, p. 399-408. doi: 10.1007/3-540-54563-8_103.

S. Tu, L. Tennakoon, M. J. O’connor, R. Shankar, A. K.

Das, “Using an integrated ontology and information

model for querying and reasoning about phenotypes: thecase of autism”, In: Proceedings of the American Medical

Informatics Association, 2008, Washington, DC, v. 6, p.727 – 731.

SWRLTab, “SWRL Tab”, 2011, Disponível em:

http://protege.cim3.net/cgi-bin/wiki.pl?SWRLTab, acessoem Dez. 2010.

T. Berners-Lee, J. Hendler, O. Lassila, “TheSemantic Web”, Scientific American, 2001, p. 34 – 43.Disponível em:http://www.scientificamerican.com/article.cfm?id=the-semantic-web, acesso em Out. 2009.

T. R. Gruber, “A translation approach to portable

ontology specifications”, Knowl. Acquis, 1993, London,UK, v. 5, n. 2, p. 199-220. doi: 10.1006/knac.1993.1008.

T. Tudorache, J. Vendetti, N. F. Noy, “Web-Protégé: ALightweight OWL Ontology Editor for the Web”, In:

OWLED 2008: OWL: Experiences and Directions, 2008,Karlsruhe, Germany. doi: 10.1.1.142.8568.

U. Frith, E. L. Hill, “ Autism: Mind and Brain”, Oxford

University Press, 2003.

V. Zacharias, “Development and verification of rule based

systems – a survey of developers”, In: Rule

Representation, Interchange and Reasoning on the Web:

International Symposium, 2008, Orlando, Florida, USA, v.5321, p. 6-16. doi:10.1007/978-3-540-88808-6_4.

Aprimorando a visualização e composição de regras SWRL na WEB

Documents

Transcript of Aprimorando a visualização e composição de regras SWRL na WEB