Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
83
BUDOWA ONTOLOGICZNEJ BAZY WIEDZY W DZIEDZINIE
LITERATUROZNAWSTWA
MONIKA ZIEMBA, PAWEŁ ZIEMBA
Streszczenie
W artykule przedstawiono proces konstrukcji bazy wiedzy z dziedziny literaturo-
znawstwa. Baza w szczególno�ci zawiera wiedz� dotycz�c� wyst�powania zjawiska
muzyczno�ci w dramatach. Ma ona słu�y� pomoc� literaturoznawcom w trakcie ana-
lizy utworów literackich. W bazie zawarto: koncepty odnosz�ce si� do rodzajów
muzyczno�ci i jej cech oraz instancje reprezentuj�ce dramaty literackie i ich autorów.
Proces konstrukcji bazy wiedzy oparto na najcz��ciej stosowanych w literaturze me-
todykach NeOn i Methontology. Weryfikacja zbudowanej bazy wiedzy,
z zastosowaniem pyta� kompetencyjnych, wykazała, �e baza jest zbudowana popraw-
nie i dostarcza warto�ciowych informacji na temat wyst�powania muzyczno�ci
w utworach literackich.
Słowa kluczowe: ontologia, baza wiedzy, muzyczno�� w dramacie, literaturoznawstwo
Wprowadzenie
Wiedz� ogólnie definiuje si� jako zasób wiadomo�ci z jakiej� dziedziny, a jej natura powoduje,
�e jest ona trudna do uchwycenia i pełnego wykorzystania [1, s. 73]. Aktualnie jeste�my �wiadkami
dynamicznego rozwoju zarz�dzania wiedz� w ró�nych dziedzinach, pocz�wszy od nauk o zarz�dza-
niu, poprzez ró�norodne obszary zwi�zane z technologi�, biologi� i socjologi�, a sko�czywszy na
j�zykoznawstwie i literaturoznawstwie.
Post�p w rozwoju systemów informacyjnych sugeruje u�ycie ontologii jako podstawowego na-
rz�dzia do zarz�dzania wiedz� [2]. Wynika to z faktu, �e przedstawienie wiedzy z wykorzystaniem
ontologii, zapewnia jej formaln� i uporz�dkowan� reprezentacj� [3]. Formalna posta� ontologii daje
ramy dla skutecznego i wydajnego współdzielenia wiedzy oraz jej ponownego wykorzystania [4].
Dodatkowo, zastosowanie ontologii pozwala przeprowadza� wnioskowanie, wywodz�c now� wie-
dz� z tej, która została zapisana w ontologii pełni�cej rol� bazy wiedzy [5].
Celem niniejszego artykułu jest skonstruowanie bazy wiedzy z dziedziny literaturoznawstwa
dotycz�cej zagadnienia muzyczno�ci w dramatach literackich. Baza taka miałaby słu�y� pomoc� dla
literaturoznawców w zakresie analizy utworów literackich pod wzgl�dem wyst�powania w nich mu-
zyczno�ci. Przedstawienie bazy wiedzy w postaci ontologii pozwoli stworzy� model poj�ciowy
obja�niaj�cy struktur� poszczególnych rodzajów muzyczno�ci oraz uwzgl�dni� dzieła literackie,
w których wyst�puj� ró�ne rodzaje muzyczno�ci.
Artykuł zło�ony jest z trzech rozdziałów oraz podsumowania. W rozdziale pierwszym przed-
stawiono podstawowe informacje na temat ontologicznej reprezentacji wiedzy oraz zaczerpni�te
z literatury, przykłady zastosowa� ontologii do budowy baz wiedzy. Dokonano równie� analizy sto-
sowalno�ci, wykorzystywanego w ontologiach, podej�cia opartego na monotoniczno�ci do budowy
bazy wiedzy z zakresu literaturoznawstwa. Rozdział drugi zawiera omówienie algorytmu budowy
ontologicznej bazy wiedzy, który został zastosowany w badaniach przedstawionych w artykule.
Monika Ziemba, Paweł Ziemba
Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa
84
W rozdziale trzecim przedstawiono proces budowy ontologicznej bazy wiedzy w oparciu o sformu-
łowany algorytm budowy. W rozdziale tym zawarto tak�e weryfikacj� skonstruowanej bazy wiedzy
z zastosowaniem pyta� kompetencyjnych, kierowanych do ontologii.
1. Ontologia jako narz�dzie reprezentacji wiedzy
Poj�cie ontologii wywodzi si� z filozofii, gdzie oznacza ona nauk� o bycie [4]. Natomiast w li-
teraturze z dziedziny informatyki poj�cie to oznacza formaln� specyfikacj� konceptualizacji, która
mo�e uchwyci� wiedz� dziedzinow�, nadaj�c� si� do wielokrotnego u�ycia [6]. Formalizacja jest
niezb�dnym warunkiem tego, aby ontologia mogła by� rozumiana i wykonywana przez maszyn�[7], natomiast specyfikacja konceptualizacji oznacza, �e ontologia jest abstrakcyjnym modelem wy-
wiedzionym z realnego �wiata do reprezentowania wiedzy dziedzinowej [8].
Najcz��ciej ontologie w informatyce s� wykorzystywane do zapewnienia szeroko poj�tego do-
st�pu do zasobów wiedzy [9]. Ogólnie rzecz ujmuj�c, ich zastosowania obejmuj�: • komunikacj� – mi�dzy realizowanymi systemami obliczeniowymi, mi�dzy ludmi oraz
mi�dzy systemami i ludmi,
• wnioskowanie obliczeniowe – do wewn�trznej reprezentacji planów i planowania informa-
cji oraz w celu dokonywania analizy: wewn�trznej struktury, algorytmów oraz wej��i wyj�� realizowanych systemów,
• ponowne u�ycie i organizacj� wiedzy – dla strukturalizowanych lub organizowanych bi-
bliotek i repozytoriów informacji dziedzinowych [9][10].
Ontologie s� stosowane do reprezentacji wiedzy, a wi�c równie� do tworzenia baz wiedzy [11]
[12] [13] [14]. Zastosowanie ontologii do tworzenia baz wiedzy wynika z pewnej podstawowej ró�-nicy mi�dzy bazami wiedzy a bazami danych, ze wzgl�du na któr�, do tworzenia baz wiedzy, nie
mo�na zastosowa� schematów baz danych. Mianowicie: wydobywanie informacji z baz danych jest
działaniem algorytmicznym, podczas gdy to samo działanie realizowane w oparciu o bazy wiedzy
ma charakter wnioskowania logicznego [15] [16]. Ponadto najcz��ciej bazy danych s� niemonoto-
niczne, a bazy wiedzy charakteryzuj� si� monotoniczno�ci�. Oznacza to, �e nowe dane dodane do
bazy danych mog� zmieni� wnioski wysnuwane przez baz� (odpowied bazy na okre�lone zapyta-
nie). Z kolei nowa wiedza dodana do bazy wiedzy nie mo�e zmieni� uzyskiwanych z niej wniosków
[17, s. 241–249]. Inaczej rzecz ujmuj�c, bazy danych reprezentuj� „�wiat zamkni�ty”, w którym
wnioskowanie odbywa si� z zało�eniem, �e baza zawiera kompletny opis �wiata. Wobec tego, je�eli
nie da si� potwierdzi� prawdziwo�ci jakiego� faktu, jest on uznawany za fałszywy (jest to tzw. do-
mniemana negacja, ang. default negation, negation as failure). Z kolei bazy wiedzy najcz��ciej
reprezentuj� „�wiat otwarty”, w którym wnioskowanie odbywa si� z zało�eniem, �e baza zawiera
niekompletny opis �wiata. W zwi�zku z tym, je�eli jaki� fakt nie jest jawnie zaprzeczony, nie jest
on uznawany za fałsz. Ponadto niemo�no�� dowiedzenia prawdziwo�ci jakiego� faktu nie powoduje
uznania go za fałsz (jest to tzw. negacja klasyczna, ang. classical negation) [18].
Podej�cie oparte na monotoniczno�ci i klasycznej negacji znajduje zastosowanie w bazach wie-
dzy dotycz�cych literaturoznawstwa, gdy� dziedzina ta charakteryzuje si� wielo�ci� interpretacji.
Ka�dy utwór literacki mo�e by� interpretowany na ró�ne sposoby przez wielu badaczy i ka�dy
z nich mo�e dostrzec w utworze nowe elementy. Z kolei niedostrze�enie przez którego� z badaczy
jakiej� cechy utworu (w tym przypadku konkretnego elementu utworu zwi�zanego z muzyczno�ci�) nie oznacza, �e jej tam istotnie nie ma. Dlatego te� poprawne w tym przypadku jest zało�enie
o „�wiecie otwartym”.
Studies & Proceedings of Polish Association for Knowledge Management
Nr 83, 2017
85
2. Algorytm budowy ontologicznej bazy wiedzy
W budowie ontologicznych baz wiedzy stosowanych jest wiele metodyk [19], ró�ni�cych si�pod wzgl�dem stopnia formalizacji, przeznaczenia i szczegółowo�ci. Do najlepiej sformalizowa-
nych i najbardziej szczegółowych metodyk zaliczy� mo�na Methontology [20] i NeOn [21].
Methontology szczegółowo definiuje proces konceptualizacji, natomiast NeOn w du�ym stopniu
formalizuje zagadnienie specyfikacji bazy wiedzy [14]. W zwi�zku z tym autorski algorytm budowy
ontologicznej bazy wiedzy, dotycz�cej muzyczno�ci w dramatach literackich, oparto wła�nie na tych
metodykach. Algorytm przedstawiony jest na rysunku 1.
Rysunek 1. Algorytm budowy ontologicznej bazy wiedzy
�ródło: opracowanie własne.
Pierwszym etapem algorytmu jest specyfikacja, polegaj�ca na przygotowaniu dokumentu
ORSD (ang. Ontology Requirements Specification Document) [21] okre�laj�cego m.in. cel budowy
bazy wiedzy, j�zyk jej implementacji oraz pytania kompetencyjne, słu��ce do weryfikacji popraw-
no�ci działania bazy po zako�czeniu jej budowy. Drugi etap obejmuje zadania prowadz�ce do
konceptualizacji wiedzy, któr� ma obejmowa� baza. Kolejnym etapem jest formalizacja ontologicz-
nej bazy wiedzy na podstawie wykonanej wcze�niej konceptualizacji oraz jej implementacja
w wybranym j�zyku i z zastosowaniem odpowiedniego edytora ontologii. Ostatnim za� etapem bu-
dowy bazy wiedzy jest jej ocena, polegaj�ca na sprawdzeniu spójno�ci bazy z zastosowaniem
mechanizmu wnioskuj�cego i weryfikacji odpowiedzi bazy na pytania kompetencyjne, zdefinio-
wane w etapie specyfikacji.
Monika Ziemba, Paweł Ziemba
Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa
86
3. Budowa bazy wiedzy z dziedziny muzyczno�ci
Wiedza niezb�dna do zasilenia bazy została zaczerpni�ta przede wszystkim z publikacji [22].
Na wst�pie budowy bazy wiedzy opracowano dokument ORSD, przedstawiony w tabeli 1.
Tabela 1. Dokument ORSD specyfikuj�cy wymagania ontologicznej bazy wiedzy
1. Cel – konceptualizacja wiedzy z dziedziny muzyczno�ci utworów literackich
2. Zakres – baza wiedzy zawiera trzy rodzaje muzyczno�ci, cechy i podcechy ka�dego z tych rodzajów
oraz baz� utworów w których wyst�puj� poszczególne rodzaje muzyczno�ci
3. J�zyk implementacji – OWL 2 (ang. Ontology Web Language)
4. Uytkownicy – literaturoznawcy analizuj�cy utwory literackie
5. Zastosowania – analiza utworów literackich pod wzgl�dem wyst�powania w nich muzyczno�ci
6a.
Wymagania niefunkcjonalne -
NFR1. Nazwy klas i instancji rozpoczynaj� si� od wielkiej litery.
NFR2. Nazwy atrybutów i relacji składaj� si� z czasownika pisanego mał� liter� i rzeczownika pisa-
nego z du�ej litery, np. „maCeche”.
NFR3. W nazwach konceptów, relacji i atrybutów nie stosuje si� polskich liter.
NFR4. Zamiast spacji stosuje si� podkre�lenie (‘_’).
6b.
Wymagania funkcjonalne (pytania kompetencyjne) -
CQ1. Jakie cechy i podcechy nale�� do muzyczno�ci I rodzaju?
CQ2. Do jakiego rodzaju muzyczno�ci nale�y cecha „tempo”?
CQ3. Które utwory literackie maj� cechy muzyczno�ci II rodzaju?
CQ4. Jakie cechy i podcechy muzyczno�ci ma utwór „Czerwony marsz”?
CQ5. Kto jest autorem utworu „Czerwony marsz”?
CQ6. Jakie utwory Karola Huberta Roztworowskiego maj� cechy muzyczno�ci (s� uwzgl�dnione w
bazie)?
�ródło: opracowanie własne.
Pierwszym krokiem w etapie konceptualizacji wiedzy była budowa glosariusza terminów.
Jego fragment został przedstawiony w tabeli 2.
Tabela 2. Glosariusz terminów
Nazwa Opis Typ
Rodzaj muzyczno�ci Kategoria obejmuj�ca rodzaje muzyczno�ci Koncept
Muzyczno�� I I rodzaj muzyczno�ci - sfera brzmieniowa j�zyka Koncept / Instancja
Muzyczno�� II II rodzaj muzyczno�ci - tematyzacja muzyki Koncept / Instancja
Muzyczno�� III III rodzaj muzyczno�ci - wprowadzanie form i
technik muzycznych w obr�b tekstu (muzyczny
tekst literacki)
Koncept / Instancja
Cecha muzyczno�ci Kategoria obejmuj�ca cechy muzyczno�ci Koncept
Instrumentacja głoskowa Cecha muzyczno�ci I rodzaju Koncept / Instancja
Rytm Cecha muzyczno�ci I rodzaju Koncept / Instancja
Pauzy Cecha muzyczno�ci I rodzaju Koncept / Instancja
Tempo Cecha muzyczno�ci I rodzaju Koncept / Instancja
Intonacja Cecha muzyczno�ci I rodzaju Koncept / Instancja
Wtr�cenia Cecha muzyczno�ci I rodzaju Koncept / Instancja
Wielokropki Cecha muzyczno�ci I rodzaju Koncept / Instancja
Dynamika Cecha muzyczno�ci I rodzaju Koncept / Instancja
Studies & Proceedings of Polish Association for Knowledge Management
Nr 83, 2017
87
Nazwa Opis Typ
Cytat muzyczny Cecha muzyczno�ci II rodzaju Koncept / Instancja
Tytuł Cecha muzyczno�ci II rodzaju Koncept / Instancja
Kompozycja muzyczna Cecha muzyczno�ci II rodzaju Koncept
Fikcyjna Rodzaj kompozycji muzycznej Koncept / Instancja
Istniej�ca Rodzaj kompozycji muzycznej Koncept / Instancja
Wyst�puj�ca posta� Cecha muzyczno�ci II rodzaju Koncept
Kompozytor Rodzaj wyst�puj�cej postaci Koncept / Instancja
Artysta Rodzaj wyst�puj�cej postaci Koncept / Instancja
Muzyczne konotacje Cecha muzyczno�ci II rodzaju Koncept / Instancja
Historia muzyki Cecha muzyczno�ci II rodzaju Koncept / Instancja
Lejtmotywy Cecha muzyczno�ci III rodzaju Koncept / Instancja
Kontrapunkt Cecha muzyczno�ci III rodzaju Koncept / Instancja
Operowo�� Cecha muzyczno�ci III rodzaju Koncept / Instancja
Forma muzyczna Cecha muzyczno�ci III rodzaju Koncept
Fuga Rodzaj formy muzycznej Koncept / Instancja
Preludium Rodzaj formy muzycznej Koncept / Instancja
Uwertura Rodzaj formy muzycznej Koncept / Instancja
Pie�� Rodzaj formy muzycznej Koncept / Instancja
Utwór Kategoria obejmuj�ca utwory literackie Koncept
Judasz z Kariothu Utwór literacki Karola Huberta Rostworow-
skiego
Instancja
Muzyka wieczorem Utwór literacki Jarosława Iwaszkiewicza Instancja
Oktostychy Utwór literacki Jarosława Iwaszkiewicza Instancja
Straszne dzieci Utwór literacki Karola Huberta Rostworow-
skiego
Instancja
Czerwony marsz Utwór literacki Karola Huberta Rostworow-
skiego
Instancja
NiobeUtwór literacki Konstantego Ildefonsa Gałczy�-
skiego
Instancja
Doktor Faustus Utwór literacki Tomasza Manna Instancja
Sonata Utwór literacki Jana Augusta Kisielewskiego Instancja
Sonata Kreutzerowska Utwór literacki Lwa Tołstoja Instancja
Fuga �mierci Utwór literacki Paula Celana Instancja
Autor Kategoria obejmuj�ca autorów utworów literac-
kich
Koncept
Karol Hubert Rostworowski Autor utworów literackich Instancja
Jarosław Iwaszkiewicz Autor utworów literackich Instancja
Konstanty Ildefons Gałczy�ski Autor utworów literackich Instancja
Tomasz Mann Autor utworów literackich Instancja
Jan August Kisielewski Autor utworów literackich Instancja
Lew Tołstoj Autor utworów literackich Instancja
Paul Celan Autor utworów literackich Instancja
ma cech� (Rodzaj muzyczno�ci, Ce-
cha muzyczno�ci)
Rodzaj muzyczno�ci posiada dan� cech� mu-
zyczno�ciRelacja
jest cech� (Cecha muzyczno�ci, Ro-
dzaj muzyczno�ci)
Dana cecha muzyczno�ci jest okre�lonego ro-
dzaju
Relacja
ma autora (Utwór, Autor) Utwór literacki ma konkretnego autora Relacja
Monika Ziemba, Paweł Ziemba
Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa
88
Nazwa Opis Typ
jest autorem (Autor, Utwór) Autor jest twórc� danego utworu Relacja
zawiera cech� (Utwór, Cecha mu-
zyczno�ci)
Utwór literacki zawiera okre�lon� cech� mu-
zyczno�ciRelacja
zawarta w utworze (Cecha muzycz-
no�ci, Utwór)
Cecha muzyczno�ci zawarta jest w okre�lonym
utworzeRelacja
jest rodzaju (Utwór, Rodzaj muzycz-
no�ci)Utwór literacki jest okre�lonego rodzaju Relacja
�ródło: opracowanie własne.
Analizuj�c tabel� 2 mo�na zauwa�y�, �e konkretni autorzy i konkretne utwory s� reprezento-
wane w bazie wiedzy przez instancje konceptów „Autor” i „Utwór”. Wynika to z faktu, �e zarówno
autor, jak i utwór literacki nie s� poj�ciami abstrakcyjnymi, lecz dotycz� konkretnej osoby lub
dzieła. Z kolei dla cech i typów muzyczno�ci przyj�to zało�enie, �e s� to poj�cia abstrakcyjne, nie
odnosz�ce si� bezpo�rednio do realnie istniej�cych bytów. Dlatego s� one reprezentowane w postaci
konceptów. Jednak dana cecha lub rodzaj muzyczno�ci mo�e zmaterializowa� si� w konkretnym
utworze, st�d s� one dodatkowo uj�te w postaci instancji.
Nast�pnie zbudowano taksonomi� konceptów. Oddzielono w niej rodzaje muzyczno�ci od ich
cech. Wpłyn�ło to na wi�ksz� przejrzysto�� ontologii oraz pozwoliło zachowa� zgodno�� z koncep-
cjami �wiata otwartego i zamkni�tego. W literaturoznawstwie wyró�nia si� tylko trzy rodzaje
muzyczno�ci, ich zbiór jest wi�c domkni�ty (unia rozł�czna). Z kolei zbiór cech muzyczno�ci jest
otwarty i mog� by� do niego dodane nowe cechy, ale ka�da z nich jest inna od pozostałych (rozł�cz-
no��). Ponadto niektóre cechy mo�na podzieli� na podcechy. Taksonomi� konceptów zawiera
rysunek 2.
Rysunek 2. Taksonomia konceptów bazy wiedzy
�ródło: opracowanie własne.
Studies & Proceedings of Polish Association for Knowledge Management
Nr 83, 2017
89
W kolejnym kroku przygotowano słownik konceptów oraz definicje relacji binarnych. W arty-
kule nie został przedstawiony słownik konceptów, gdy� jest on bardzo zbli�ony do glosariusza
terminów zawartego w tabeli 2. Nale�y jednak wyja�ni�, �e w nazwach konceptów, instancji i relacji
uwzgl�dniono wymagania niefunkcjonalne podane na etapie specyfikacji bazy wiedzy (tabela 1).
Szczegółowe definicje relacji binarnych umieszczone s� w tabeli 3. Uwzgl�dniono tutaj relacje za-
chodz�ce pomi�dzy konceptami oraz pomi�dzy instancjami konceptów. Specyficzna jest relacja
„maCeche”, której dziedzin� oraz zasi�giem s� koncepty nale��ce do konceptu „Rodzaj _muzycz-
no�ci”. Relacj� t� mo�na okre�li� jako cz��ciowo zwrotn�, a w notacji Manchester j�zyka OWL jej
przykładowy zapis ma posta�: „maCeche only (Muzycznosc_I, Muzycznosc_I). Zapis ten oznacza
w istocie, �e „Muzycznosc_I” ma cechy, które nale�� tylko do tego rodzaju muzyczno�ci. Dzi�ki tej
relacji oraz odwrotnej do niej „jestCecha”, mechanizm wnioskuj�cy buduje relacj� subsumpcji po-
mi�dzy rodzajami i cechami muzyczno�ci.
Tabela 3. Definicje relacji binarnych
Nazwa relacji Koncept
ródłowy
Licz
no��Koncept
docelowyWła�ciwo�ci Uwagi
Relacja
odwrotna
jestCecha
[Cecha_muzycznosci]
dziedzina niezdefinio-
wana
np. Dynamika
N
[Rodzaj_muzycz-
nosci]
zasi�g niezdefinio-
wany
np. Muzycznosc_I
A, P K maCeche
maCeche
[Rodzaj_muzycznosci]
dziedzina niezdefinio-
wana
np. Muzycznosc_I
1
[Rodzaj_muzycz-
nosci]
zasi�g niezdefinio-
wany
np. Muzycznosc_I
A W jestCecha
jestAutorem Autor - Utwor A, P I maAutora
maAutora Utwor - Autor A, P I jestAutorem
zawieraCeche Utwor - Cecha_muzycznosci A, P I zawartaWUtwo-
rze
zawartaWUtwo-
rzeCecha_muzycznosci - Utwor A, P I zawieraCeche
jestRodzaju Utwor - Rodzaj_muzycz-
nosciA, P I -
N – kwantyfikacja egzystencjalna, 1 – kwantyfikacja uniwersalna, A – antysymetryczna, P -
przeciwzwrotna, K – definiowana jako warunek konieczny, W – definiowana jako warunek ko-
nieczny i wystarczaj�cy, I – stosowana do instancji
�ródło: opracowanie własne.
W bazie wiedzy zdefiniowano dodatkowo reguł�, okre�laj�c� rodzaj muzyczno�ci utworu za-
le�nie od jego cech. Wyra�enie (1) przedstawia t� reguł�:
Cecha_muzycznosci(?c) ^ Rodzaj_muzycznosci(?r) ^ Utwor(?u) ^ zawieraCeche(?u, ?c)
^ jestCecha(?c, ?r)-> jestRodzaju(?u, ?r) (1)
Monika Ziemba, Paweł Ziemba
Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa
90
Formalizacja i implementacja bazy wiedzy została przeprowadzona w j�zyku OWL2 [23], z za-
stosowaniem edytora Protege 5. Ekspresywno�� implementacji ontologicznej bazy wiedzy jest
zgodna z dialektem ALCRI logiki opisowej.
Ostatnim ju� etapem prac nad baz� wiedzy była jej ocena. Badanie z zastosowaniem mechani-
zmu wnioskuj�cego wykazało, �e baza wiedzy jest spójna. Ponadto zachowano w niej wymogi
niefunkcjonalne, zdefiniowane na etapie specyfikacji. Je�eli za� chodzi o odpowiedzi bazy wiedzy
na pytania kompetencyjne, to odpowiedzi te uzyskano za pomoc� narz�dzi DL Query oraz Onto-
Graf. DL Query pozwala kierowa� zapytania do bazy wiedzy z wykorzystaniem składni Manchester
OWL. Z kolei OntoGraf umo�liwia przegl�danie graficzne bazy wiedzy, a w szczególno�ci relacji
mi�dzy konceptami oraz ich instancjami. Na rysunku 3 przedstawiono, zapisan� w bazie wiedzy
(rysunek 3a), a tak�e okre�lon� przez mechanizm wnioskuj�cy (rysunek 3b), taksonomi� koncep-
tów. Analizuj�c rysunek 3b) mo�na tak�e okre�li� odpowied na pierwsze pytanie kompetencyjne,
tj. przynale�no�� poszczególnych cech muzyczno�ci do odpowiednich jej rodzajów, a w szczegól-
no�ci cech i podcech zawartych w muzyczno�ci I rodzaju.
Odpowied na pierwsze pytanie kompetencyjne, sformułowane w postaci zapytania DL Query,
zawarta jest na rysunku 4.
Rysunek 3. Zapisana w bazie wiedzy oraz wywnioskowana taksonomia konceptów
�ródło: opracowanie własne.
Studies & Proceedings of Polish Association for Knowledge Management
Nr 83, 2017
91
Rysunek 4. Odpowied� bazy wiedzy na pierwsze pytanie kompetencyjne
�ródło: opracowanie własne.
Na rysunku 5 przedstawiono odpowied bazy wiedzy na drugie pytanie kompetencyjne, doty-
cz�ce rodzaju muzyczno�ci, do którego nale�y cecha tempo. Odpowied t� przedstawiono dla
konceptów (rysunek 5a) i instancji (rysunek 5b).
Rysunek 6 zawiera odpowied bazy wiedzy na pytanie kompetencyjne dotycz�ce utworów li-
terackich, posiadaj�cych cechy muzyczno�ci II rodzaju.
Rysunek 5. Odpowied� bazy wiedzy na drugie pytanie kompetencyjne
�ródło: opracowanie własne.
Monika Ziemba, Paweł Ziemba
Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa
92
Rysunek 6. Odpowied� bazy wiedzy na trzecie pytanie kompetencyjne
�ródło: opracowanie własne.
Na rysunku 7 zaprezentowano odpowied bazy wiedzy na czwarte pytanie kompetencyjne, od-
nosz�ce si� do cech i podcech muzyczno�ci zawartych w utworze „Czerwony marsz”. Odpowiedt� przedstawiono w postaci odpowiedzi na zapytanie DL Query (rysunek 7a) i w postaci graficznej,
uzyskanej w narz�dziu OntoGraf (rysunek 7b).
Rysunek 8 przedstawia odpowied bazy na pytanie odnosz�ce si� do autorstwa utworu „Czer-
wony marsz”. Jest to zapytanie sformułowane w narz�dziu DLQuery, natomiast rysunek 7b
pokazuje odpowied na to pytanie kompetencyjne w postaci graficznej.
Odpowied bazy wiedzy na, ostatnie ju�, szóste pytanie kompetencyjne zaprezentowano na ry-
sunku 9. Pytanie dotyczyło w tym przypadku utworów Karola Huberta Rostworowskiego, które
zostały uwzgl�dnione w bazie wiedzy.
Rysunek 7. Odpowied� bazy wiedzy na czwarte pytanie kompetencyjne
�ródło: opracowanie własne.
Studies & Proceedings of Polish Association for Knowledge Management
Nr 83, 2017
93
Rysunek 8. Odpowied� bazy wiedzy na pi�te pytanie kompetencyjne
�ródło: opracowanie własne.
Rysunek 9. Odpowied� bazy wiedzy na szóste pytanie kompetencyjne
�ródło: opracowanie własne.
Przedstawione odpowiedzi na pytania kompetencyjne pozwalaj� stwierdzi�, �e baza wiedzy
spełnia wszystkie wymagania funkcjonalne, które zostały okre�lone na etapie specyfikacji.
4. Podsumowanie
Analizuj�c literatur� naukow� mo�na zaobserwowa� dynamiczny rozwój dziedziny zarz�dzania
wiedz�. Naturalne jest wykorzystanie baz wiedzy w takich obszarach jak zarz�dzanie organizacj�i produkcj�. Jednak mog� one znale� zastosowanie w ka�dej dziedzinie, w której wymagana jest
wiedza ekspercka, a wi�c równie� w szeroko rozumianej humanistyce.
W artykule przedstawiono proces konstrukcji bazy wiedzy z dziedziny literaturoznawstwa do-
tycz�cej zagadnienia muzyczno�ci w dramatach literackich. Baza ta ma słu�y� pomoc� dla
literaturoznawców podczas analizy utworów literackich pod wzgl�dem wyst�powania w nich zja-
wiska muzyczno�ci. W bazie wiedzy zawarto poj�cia zwi�zane z rodzajami oraz cechami
i podcechami muzyczno�ci oraz instancje reprezentuj�ce dramaty, a tak�e ich autorów. Proces kon-
strukcji bazy wiedzy został oparty na metodykach NeOn oraz Methontology, a poprawno��konstrukcji została zweryfikowana z zastosowaniem pyta� kompetencyjnych. Weryfikacja wyka-
zała, �e baza jest zbudowana poprawnie i mo�e ona dostarcza� warto�ciowych informacji na temat
Monika Ziemba, Paweł Ziemba
Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa
94
wyst�powania muzyczno�ci w utworach literackich, istotnie wspieraj�c literaturoznawców w bada-
niu utworów literackich i dostarczaj�c im niezb�dnej wiedzy ze wskazanej dziedziny. Naturalnym
kierunkiem dalszego rozwoju zbudowanej bazy wiedzy jest uzupełnienie i rozszerzenie jej o kolejne
utwory literackie, a tak�e dodanie kolejnych cech muzyczno�ci, aby stanowiła ona kompendium
w tym zakresie.
Bibliografia
[1] Mikuła B., Pietruszka-Ortyl A., Potocki A., Zarz�dzanie przedsi�biorstwem XXI wieku.
Wybrane koncepcje i metody, Difin, Warszawa 2002.
[2] Segev A., Gal A., Enhancing portability with multilingual ontology-based knowledge
management, Decision Support Systems, 45(3), 2008, 567–584.
[3] Haghighi P.D. i in., Development and evaluation of ontology for intelligent decision support
in medical emergency management for mass gatherings, Decision Support Systems, 54(2),
2013, 1192–1204.
[4] Guzman-Arenas A., Cuevas A.D., Knowledge accumulation through automatic merging of
ontologies, Expert Systems with Applications, 37(3), 2010, 1991–2005.
[5] Chen R.C. i in., A recommendation system based on domain ontology and SWRL for anti-
diabetic drugs selection, Expert Systems with Applications, 39(4), 2012, 3995–4006.
[6] Gruber T.R., A translation approach to portable ontology specifications, Knowledge
Acquisition, 5(2), 1993, 199–220.
[7] Zhu L., Yang Q., Chen W., Research on Ontology Integration Combined with Machine
Learning, Proceedings of the Second International Conference on Intelligent Computation
Technology and Automation, IEEE, vol. 1, 2009, 464–467.
[8] Ivanovi� M., Budimac Z., An overview of ontologies and data resources in medical domains,
Expert Systems with Applications, 41, 2014, 5158–5166.
[9] Hepp M., Ontologies: state of the art, business potential, and grand challenges, Computing
for Human Experience, 7, 2008, 3–22.
[10] Gruninger M., Lee J., Ontology Applications and Design, Communications of the ACM,
45(2), 2002, 39–41.
[11] Villanueva-Rosales N., Dumontier M., yOWL: An ontology-driven knowledge base for yeast
biologists, Journal of Biomedical Informatics, 41(5), 2008, 779–789.
[12] Saa R. i in., An ontology-driven decision support system for high-performance and cost-
optimized design of complex railway portal frames, Expert Systems with Applications,
39(10), 2012, 8784–8792.
[13] Shue L.Y., Chen C.W., Shiue W., The development of an ontology-based expert system for
corporate financial rating, Expert Systems with Applications, 36(2), 2009, 2130–2142.
[14] Ziemba P. i in., Construction and Restructuring of the Knowledge Repository of Website
Evaluation Methods, Information Technology for Management. Federated Conference on
Computer Science and Information Systems, ISM 2015 and AITM 2015, Lodz, Poland,
September 2015, Revised Selected Papers. Lecture Notes in Business Information
Processing, vol. 243. Springer, Switzerland 2016, 29–52.
[15] Ziemba P. i in., Integration of Domain Ontologies in the Repository of Website Evaluation
Methods, Proceedings of the Federated Conference on Computer Science and Information
Systems. Annals of Computer Science and Information Systems, vol. 5, 2015, 1585–1595.
Studies & Proceedings of Polish Association for Knowledge Management
Nr 83, 2017
95
[16] Ziemba P. i in., Knowledge Management in Website Quality Evaluation Domain,
Computational Collective Intelligence. ICCCI 2015, Part II. LNAI, vol. 9330, Springer,
Heidelberg 2015, 75–85.
[17] Goczyła K., Ontologie w systemach informatycznych, Exit, 2011.
[18] Martinez-Cruz C., Blanco I.J., Vila M.A., Ontologies versus relational databases: are they so
different? A comparison, Artificial Intelligence Review, 38(4), 2012, 271–290.
[19] W�tróbski J., Ziemba P., Analiza metodyk budowy ontologii zasobów internetowych,
Informatyka Ekonomiczna, 2, 2015, 60–73.
[20] Corcho O. i in., Building Legal Ontologies with METHONTOLOGY and WebODE, Lecture
Notes in Computer Science, 3369, 2005, 142–157.
[21] Villazon-Terrazas B. i in., A network of ontology networks for building e-employment
advanced systems, Expert Systems with Applications, 38(11), 2011, 13612–13624.
[22] Hejmej A., Muzyczno�� dzieła literackiego. Wydawnictwo Naukowe UMK, 2012.
[23] Ziemba P., Jankowski J., Wolski W., Dobór j�zyka reprezentacji wiedzy w ontologiach
dziedzinowych, Informatyka Ekonomiczna, 1, 2015, 84–100.
CONSTRUCTION OF AN ONTOLOGICAL KNOWLEDGE BASE IN THE AREA
OF LITERARY STUDIES
Summary
The paper presents the process of constructing of the knowledge base in the field
of literary studies. The knowledge base contains a knowledge about the occurrence of
musicalilty phenomena in literary dramas. It is intended to help literary scholars in
the analysis of literary works. The database contains: concepts relating to the types of
musicality and its characteristics, and instances representing literary dramas and
their authors. The process of constructing of the knowledge base was based on the
most commonly used NeOn and Methontology methodologies. Verification of the
knowledge base was performed using competence questions. It has shown that the
knowledge base is built correctly and provides valuable information about the occur-
rence of musicality in literary works.
Keywords: ontology, knowledge base, musicality in drama, literary science
Monika Ziemba
Instytut Polonistyki
Wydział Filologiczno-Historyczny
Akademia Pomorska w Słupsku
e-mail: [email protected]
Paweł Ziemba
Katedra Inteligentnych Systemów Wspomagania Decyzji
Wydział Techniczny
Akademia im. Jakuba z Parady�a w Gorzowie Wielkopolskim
e-mail: [email protected]