Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa · 2017. 8. 30. · Jzyk implementacji – OWL 2 (ang. Ontology Web Language) 4. U ytkownicy – literaturoznawcy

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.



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)?


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


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



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


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



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


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)



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



Nr 83, 2017

91

Rysunek 4. Odpowied� bazy wiedzy na pierwsze pytanie kompetencyjne


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




92

Rysunek 6. Odpowied� bazy wiedzy na trzecie pytanie kompetencyjne


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



Nr 83, 2017

93

Rysunek 8. Odpowied� bazy wiedzy na pi�te pytanie kompetencyjne


Rysunek 9. Odpowied� bazy wiedzy na szóste pytanie kompetencyjne


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



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.


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]

Documents

Budowa ontologicznej bazy wiedzy w dziedzinie literaturoznawstwa · 2017. 8. 30. · Jzyk implementacji – OWL 2 (ang. Ontology Web Language) 4. U ytkownicy – literaturoznawcy