Linked data parliamo di semantica del web

Linked Data - Parliamo di semantica del web
• Sottotitolo: Metodi e strumenti per hackerare
metadati e strutture dati delle p.a., e derivarne
le ontologie
• Riassumo i miei precedenti lavori, svolti per
alcune p.a., nella prossima slide
1

LM
Insert name and descr.
of tables & columns.
Infer physical constraints
Tag metadata by likeness
of entity-names inside in
names and descr. of
tables & columns
Integrated &
abstracted
E-R schema
repository
LD
«Universe»
(metadata)
Linked Data
(ddl.sql/RDF/OWL)
Infer vertical
Abstraction level
Entity-ierarchy
taxonomy
Reuse
Relationships
LMO
…
From LD (Linked Data) to LMO (Linked Metadata & Ontologies)

Cosa faremo
• Spiegazione dei metodi
• Esemplificazioni fatte sui tools. I tools che io
utilizzo sono oggetti abbastanza legacy, con
tecnologie non piu' adeguate (access, visual
basic). Puo' essere interessante impegnare le
persone su alcune parti dei miei lavori, ad
esempio:
– provare ad ottenere gli owl partendo dai file testuali
ottenuti dalle inferenze
– disegnare le owl
– fare ricerche con il bot telegram geontologie
3

Cosa faremo
• (continua)
• soffermarsi sulla visualizzazione topografica (dove risiedono
geograficamente le entita')
• fare query sul file ipaentitiesgeo usato dal bot, che contiene i
metadati delle ipa.
Pero' ritengo sia importante che io spieghi le cose che ho fatto ad
una platea ideale che possa, un domani, hackerare altre p.a.,
avendo metodi di riferimento e implementandoli magari con
tecnologie piu' attuali
4

In principio fu il repository
• https://drive.google.com/file/d/0B9eWAzJTqlg
Ucm9YZ1VCVUZGYUk/view
5

Repository fisico (rdbTOonto)
21

Repository fisico (creare modello)
22

Necessita’ di un repository logico
• Nel repository fisico inseriamo i metadati, le
loro descrizioni e le strutture dati, corredate di
constraints. Lo facciamo con tools come erwin.
Possiamo gia’, con tools come rdbtoonto,
reversare db relazionali (dati e metadati) e
convertirli in formati ontologici quali RDF. E’ gia’
molto, ma non basta. I concetti, le entita’, sono
chiamate in svariati nomi di tabelle fisiche. Gli
attributi concettuali sono chiamati in svariati
modi fisici. Servono metodi e tools per scovare
la conoscenza e metterla a fattor comune.
32

33
Le attivita’ di
recupero e integrazione della
conoscenza concettuale sui dati PA
Azioni di medio termine
Prof. Carlo Batini
Universita’ Bicocca - Milano

34
L’informazione negli schemi e’ nascosta ……
• DATA DIVISION.
• WORKING-STORAGE SECTION.
• 01 PERSONA.
• 05 UOMo.
• 10 COD-UOMO PIC X(5).
• 10 DESC-UOMO PIC X(80).
• 05 DONNA REDEFINESUOMO.
• 10 TIPO-RECORD PIC X.
• 10 COD-DONNA PIC 9(5).
• 10 DESC-DONNA PIC X(80).
• 01 AMMINISTRAZIONE.
• 05 REGIONE.
• 10 COD-REGIONE PIC X(3).
• 10 COD-DUMMY PIC X(6).
• 10 DES-REGIONE PIC X(80).
• 05 PROVINCIA REDEFINESREGIONE.
• 10 COD-PROVINCIA PIC X(3).
• 10 COD-DUMMY2 PIC X(3).
• 10 DES-PROVINCIA PIC X(80).
• 05 COMUNE REDEFINESREGIONE.
• 10 COD-COMUNE PIC X(3).
• 10 DES-COMUNE PIC X(80).
• 01 PERSONA-AMMINISTRAZIONE.
• 05 LEGAME.
• 10 COD-PERSONA PIC X(5).
• 10 COD-AMMIN PIC X(3).

35
Gli schemi sono non integrati ed eterogenei
Anagrafe
residenti
Anagrafe
assistiti
Anagrafe
soggetti
fiscali
Archivio
dipendenti
Archivio
cacciatori
Persona
Codice
progres-
sivo
Codice
fiscale
Codice
fiscale
Numero
tessera
sanitaria
Codice
interno

36
1. Il modello
Il modello Entita’ Relazione

37
Generalizzazione
Esempio di schema nel modello Entita’ Relazione
Persona
Codice
Cognome
UomoDonna
Comune
Codice
Nomenato
Provincia
Codice
Nome
in in
Le persone si dividono in donne e uomini.
Le persone sono descritte da codice e cognome
Le persone sono nate in Comuni, i Comuni sono
localizzati in Province e le Province in Regioni
Comuni, Province e Regioni hanno codice e nome
Regione
Codice
Nome
Entita’
Relazione
Attributo

38
Dal Cobol,
al modello
Entita’ Relazione
al linguaggio
naturale
Persona
Codice
Cognome
UomoDonna
Comune
Codice
Nomenato
Provincia
Codice
Nome
In in
Regione
Codice
Nome
• DATA DIVISION.
• WORKING-STORAGE SECTION.
• 01 PERSONA.
• 05 UOMo.
• 10 COD-UOMO PIC X(5).
• 10 DESC-UOMO PIC X(80).
• 05 DONNA REDEFINES UOMO.
• 10 TIPO-RECORD PIC X.
• 10 COD-DONNA PIC 9(5).
• 10 DESC-DONNA PIC X(80).
• 01 AMMINISTRAZIONE.
• 05 REGIONE.
• 10 COD-DUMMY PIC X(6).
• 10 DES-REGIONE PIC X(80).
• 05 PROVINCIA REDEFINES REGIONE.
• 10 COD-DUMMY2 PIC X(3).
• 10 DES-PROVINCIA PIC X(80).
• 05 COMUNE REDEFINES REGIONE.
• 10 COD-COMUNE PIC X(3).
• 10 DES-COMUNE PIC X(80).
• 01 PERSONA-AMMINISTRAZIONE.
• 05 LEGAME.
• 10 COD-PERSONA PIC X(5).
• 10 COD-AMMIN PIC X(3).
Le persone si dividono in donne e uomini.
Le persone sono descritte da codice e cognome
Le persone sono nate in Comuni, i Comuni sono
localizzati in Province e le Province in Regioni
Comuni, Province e Regioni hanno codice e nome

39
Me se io ho tanti schemi concettuali, come faccio a dar loro una
struttura? Non li posso certo integrare in un unico schema….

40
Due strumenti concettuali
• Integrazione, per “mettere
insieme” e “riconciliare”
• Astrazione, per “capire” e
“sintetizzare”

41
Integrazione (linguaggio naturale)
• Schema 1
• Lavoratori e loro organizzazioni
• Schema 2
• Lavoratori, loro citta’ di nascita e relativa area regionale
• Schema 3
• Organizzazioni e regioni dove sono localizzate
•Lavoratori, loro citta’ di nascita e relativa regione
•Lavoratori e loro organizzazioni, e, delle organizzazioni,
•regioni dove sono localizzate

42
L’integrazione: modello Entita’ Relazione
Lavoratore Citta’ Regione
Organizza
zione
lavora
nato
in
in
Lavoratore
Organizza
zione
Area
Organizza
zione
in
in
lavora
nato

43
L’astrazione (linguaggio naturale)
•Lavoratori, loro citta’ di nascita e relativa regione
•Lavoratori e loro organizzazioni, e delle organizzazioni
•Regioni dove sono localizzate
•Lavoratori, organizzazioni dove lavorano e riferimenti
•geografici di nascita e di localizzazione.

44
L’astrazione: modello Entita’ Relazione
Lavoratore
Riferimento
geografico
Organizza
zione
lavora
in
nato
Organizza
zione
lavora
in
nato in

45
Se le usiamo insieme: integrazione + astrazione
Lavoratore
Organizza
zione
Area
Organizza
zione
lavora
nato in in
Integrazione
Organizza
zione
in
in
in
nato
Lavoratore
Riferimento
geografico
Organizza
zione
Astrazione
in
in
nato

46
La struttura
di integrazione - astrazione
Integrazione –
Astrazione
Lavoratore
Riferimento
geografico
Organizza
zione
nato
in
lavora
Lavoratore
Organizza
zione
Regione
Organizza
zione
lavora
in innato

47
Le abbiamo usate iterativamente …… ottenendo il repository
Previdenza Giustizia Ambiente Salute

48
Schemi base e schemi astratti
Schemi astratti
Schemi base

49
… Facendo cio’ con basso utilizzo di risorse
• Se procediamo con una metodologia tradizionale
di reverse engineering sui 500 schemi PAP,
assumendo due settimane persona a schema, si
ha:
– Risorse con procedura tradizionale = 0,5 mesi
persona * 500 = 25 anni persona
• Dovevamo inventarci una metodologia
approssimata che ci permetta di ridurre l’uso
delle risorse di un ordine di grandezza

50
Repository PAC – struttura completa
TRASPORTI
COMUNICAZIONIPRODUZIONELAVOROCULTURAEDILIZIA
AMBIENTEISTRUZIONESANITA'SICUREZZAGIUSTIZIADIFESAAFFARI
ESTERI
ASSICURAZIO-
NE SOCIALE
CERTIFICA-
SCHEMA INTEGRATO DELLE BASI DI DATI DELLA PA DI 1° LIVELLO
SERVIZI
SERVIZI GENERALI SERVIZI DIRETTI
SERVIZI SOCIALI ED ECONOMICI
CATASTO
PREVIDENZA
RELAZIONIESTEREINITALIA
RELAZIONIITALIANEALL'ESTERO
ATTIVITA'GIURIDICA
CRIMINALITA'
SICUREZZAINTERNA
ASSISTENZA
SERVIZIOSANITARIO
ISTRUZIONE
AMBIENTE
BENICULTURALI
LAVORO
AZIENDEAGRICOLE
AZIENDEINDUSTRALI
TRASPORTI
SERVIZI SOCIALI SERVIZI ECONOMICI
TRASFERIMENTOFONDI
AENTILOCALIPERENTIPUIBBLICI
CAPITOLIDISPESA
STATISTICARISORSE DI
SUPPORTO
RISORSE
FINANZIARIE
RISORSE
STRUMENTALI E
IMMOBILIARI
RISORSE
UMANE
PROTOCOLLO
ORGANICOLLEGIALI
FISCO
DOGANE
RISORSE
STRUMENTI
AUTOMEZZI
BENIIMMOBILI
DIPENDENTI
FORMAZIONE
RAPPRESENTANZE
2/93
2/12
8/293
6/69
3/182
3/30
2/89
3/59
2/65
37/336
3/75
3/66
9/118
4/36
6/53
10/76
6/76
6/130
5/56
6/155
3/134
8/213
10/100
9/118
3/53
9/112
10/178

51
Lo schema piu’ astratto
Bene
Soggetto
Documento
Unità
organizzativa
Riferimento
territoriale

52
In sintesi
Pubblica Amministrazione
centrale
Pubblica Amministrazione
locale
Rappresentazione
concettuale
550 schemi
Rappresentazione
logico fisica
18.000 tabelle

53
Schemi descritti nel Repository
Soggetto
Bene Soggetto
Documento
Unità
organizzativa
Riferimento
territoriale
S. fisico S. giuridico

54
Soggetto fisico
pensionato
di guerra
invalidità civile
Ricorrente per
invalidità civile
casalinga
volontario
studente
straniero
con handicap
borsista
candidato
Segretario
comunale
assistito
tossicodipendente contribuente
utente anagrafe
tributaria
Contribuente
ufficio iva
appartenente
catasto
fisco
scuola
giustizia
affari esteri
lavoro
pensioni
Salute ed
assistenza
politica
vita
sociale
lavoratore
disoccupato
autonomo
dipendente
Alla ricerca di
nuova occupazione
Alla ricerca di
prima occupazione
detenuto
condannato
in attesa di giudizio
segnalato
Tossicodipendente
segnalato
straniero italiano
residente
all’estero
Richiedente
cittadinanza
Richiedente
visto
47
164
91
161
520
162
163
MI, MT, MD
3637
39
38
40
82
89
153
MF, MT
35
48
59
98
110
165
174
180
526
650
MGG, MI,
MIBCA ,
MT, MTN
MI, MS
6
16
63
72
80
600
66
81
99
18
27
73
5
90
132
142
MAE, MURST,
MPI
MAE, MGG,
MI
MAE, MI,
MLPS
MI
601
507602
190
2
4
53
54
71
74
88
101
104
105
160
171
603
653
654
663
52
92
111
170
7
9
10
11
12
20 24 25
45
51
55
64
65
68
87
93 96
97
108
120
131
137
173
501
506
515516
651
19
86
136
172
531
656
MAE, MF,
MGG, MI,
MIBCA, MLP,
MLPS, MT,
MTN, MCE,
MD, MURST
21
109
Schemi base e
Gerachie di generalizzazione
Caso Soggetto fisico

55
La gerarchia di soggetto
–soggetto fisico
•Lavoro
•lavoratore
–lavoratore autonomo
–dipendente pubblico
•disoccupato
•……
–soggetto giuridico
•impresa
•istituzione p.a.
•Istituzione sociale privata
•……

56
Utlizzeremo percio’ una conoscenza piu’ sintetica:
le gerarchie di generalizzazione
Schemi
logici
Schemi
concettuali
Pubblica
Amministrazione
Locale
Pubblica Amministrazione Centrale
Gerarchie di
Generalizzazione:
-Cittadino
-Impresa
-Organizzazione
-Documento
-Luogo
-Bene

57
Sintesi della metodologia
• Scopo della metodologia: semplificare il
compito del referente dati, utulizzando il
piu’ possibile strumenti automatici, a costo
di una certa approssimazione nelle scelte.
• Assunzione: ad un certo livello di
astrazione gli schemi della PAL Piemontese
sono “simili” a quelli della PA Centrale. Si
differenziano nei livelli di astrazione piu’
bassi.

58
Le fasi della metodologia
Fase
automatica
Schema
scheletro
Schema
finale
Fase
manuale
Referente dati
competente
sul dominio

Fase automatica: generazione entita’
• 1-GENERAZIONE ENTITA'
input:
a) le entita' delle ontologie
b) le tavole della base dati
output:
x) le tavole "pescate" dall'algoritmo
y) le entita' delle ontologie corrispondenti alle tavole pescate in x
   ALGORITMO:
         - PER OGNI ENTITA' DELLE ONTOLOGIE (LOOP)
               - PER OGNI TAVOLA DELLA BASE DATI
                     - SE C'E' ALMENO 1 ATTRIBUTO DELLA TAVOLA CHE SIA
"SOMIGLIANTE" AL NOME DELL'ENTITA' DELL'ONTOLOGIA
                                       - SCELGO L'ENTITA'
                     - ENDIF
               - END LOOP
         - END LOOP
   SOMIGLIANTE = LIKE "STRINGA" IN NOME E/O DESCRIZIONE
ATTRIBUTO

Passo 1: Generazione entita’
…..
Attributi e
Tabelle
Gerarchie
E1
PA
Piemontese
PA
Centrale

Generazione entita’
Ricerca per somiglianza
…..
Attributi e
Tabelle degli
Schemi logici
Gerarchie
E1
PA
Piemontese
PA
Centrale

Generazione entita’
passo finale
E1
E2
E3
Attributi e
Tabelle
E1
E2
E3
…..
PA
Centrale
PA
Piemontese

Generazione generalizzazioni
• 2-GENERAZIONE GENERALIZZAZIONI
input:
a) le entita' trovate in generazione entita'
b) le tavole trovate in generazione entita'
output:
x) le generalizzazioni delle entita'
y) le generalizzazioni delle tavole
algoritmo:
- osservando le generalizzazioni complete delle entita' delle ontologie,
riporto quelle presenti nelle entita' selezionate in generazione entita'
- per analogia, le tavole corrispondenti alle entita' "sposano" le medesime
generalizzazioni
Con un esempio astratto, se ho una ontologia completa
A
      B
            C
            D
      E

Generazione generalizzazioni
• se precedentemente ho selezionato A, B, D le
generalizzazioni trovate
saranno
A
      B
            D
Se avevamo corrispondenza tra A e TAV1, B e
TAV2, D e TAV4, avremo la
gerarchia di generalizzazione tavole:
TAV1
      TAV2
            TAV4

Generazione relazioni
• 3-GENERAZIONE RELAZIONI
input:
a) le entita' selezionate ai passi precedenti
output:
x) le relazioni tra le entita' selezionate
algoritmo:
- per ogni entita' delle ontolologie selezionata
(loop)
- cerco nei 500 schemi le entita' (dei 500
schemi)
- con riferimento all'esempio astratto di cui
sopra avremo ad

Generazione relazioni
•       - supponiamo di trovare
            A1-B4 (A-B)
            A7-B5 (A-B)
            B3-D9 (B-D)
            C8-C4 (C-C)
            C6-D2 (C-D)
            C1-E8 (C-E)
      - in casi di molteplicita' scelgo 1 sola relazione,
piu' o meno
arbitrariamente...
      - nell'esempio scegliero':
            A-B (una delle 2 relazioni trovate)
            B-D

Generazione attributi
• 4-GENERAZIONE ATTRIBUTI
input:
a) le entita' selezionate in passo 1
b) le tavole selezionate in passo 1
c) gli attributi delle tavole selezionate in passo 1 (vedasi algoritmo del
passo 1)
output:
x) per ciascuna entita' i suoi attributi
algoritmo:
importo IN ciascuna entita' gli attributi delle tavole corrispondenti
Con il solito esempio, se avevamo
A corrisponde a TAV1 (CAMPO1, CAMPO2)
B corrisponde a TAV2 (CAMPO3, CAMPO4)
D corrisponde a TAV4 (CAMPO5, CAMPO6)
l'output sara'
A (CAMPO1, CAMPO2)
B (CAMPO3, CAMPO4)
D (CAMPO5, CAMPO6)

Infer constraints
• 5-GENERAZIONE RELAZIONI (PASSO ADDITIVO FATTO SUI
CONSTRAINTS FISICI)
input:
a) le tavole pescate al punto 1 di generazione entita'
output:
x) le tavole selezionate unite dagli eventuali constraints, piu' eventuali
tavole che si frappongono per costituire il cammino dei constraints
algoritmo:
- con un tool (generalmente erwin) si effettuano sulla base dati operazioni
di "infer relationship" considerando:
      - chiavi primarie e chiavi straniere esistenti
      - indici univoci
      - somiglianza di nomi campi
- si derivano i constraints (relazioni fisiche)
Con un esempio, se avevamo individuato precedentemente le tavole TAV1, TAV2
e TAV4, il cammino relazionale fisico ottenuto dai constraints potrebbe
essere:
      TAV1-tav5-TAV4-TAV2 (tav5 viene introdotto perche' necessaria al
cammino per unire TAV1 e TAV4)

Verifica col referente dati
• 6-VERIFICA CON REFERENTE DATI
input:
a) tutto il materiale prodotto nei passi precedenti
b) le indicazioni del referente dati che in generale
saranno di 2 tipi:
- mi aspettavo venisse pescata ANCHE questa
tavola
- NON mi aspettavo venisse pescata quest'altra
tavola
output:
x) il modello dati con i concetti in piu' e/o in meno
verificati col
referente dati

70
Esempio simbolico
Schema
“automatico” Schema
dopo verifica referente

71
Scopi della sperimentazione
• Validare la metodologia
– Verificare la sua efficienza
– Verificare la sua precisione
– Valutare l’ efficacia

73
Risultati sulla efficienza: schemi base
Costo fisso: corso di 3 giorni/persona
Costo variabile per schema: 2 giorni/ persona:
- 30% per parte automatica
– 70% per parte con referente
• A tendere: 1 giorno/persona
• Rispetto ai 10 giorni per reverse
engineering

74
Precisione
• Due metriche:
• Correttezza rispetto allo schema “vero”,
cioe’ ottenuto dal referente con reverse.
– Misurata in modo approssimato come % di
oggetti introdotti/cancellati dal referente
rispetto agli oggetti prodotti nei passi
automatici
• Completezza rispetto allo schema “vero”
– Misurata come % di tavole “catturate”
rispetto al totale, escludendo tavole di tipo
operativo

75
Risultati sulla precisione
• Correttezza  80 %
– 30% di oggetti nel passo 4. relazioni da vincoli
• Completezza  50% delle tavole
“catturate”
– Causa: alcune gerarchie utilizzate inizialmente
sono povere: le stiamo arricchendo partendo
dai feedback del lavoro del referente

Spiegazioni pagina precedente
• Input file f1
– Colonne nomebasedati, nometavola, destavola,
nomecampo, descampo (des= descrizione)
• Input file f2
– Codice gerarchia (es. B = Bene) di appartenenza
– Livello nella gerarchia
– Nome dell’entita’ in gerarchia
– Criteri like di ricerca nei metadati

• Output file fa
– Nome entita’ in gerarchia
– Nome tavola pescata con like
– Des tavola pescata
– Nome campo pescato
– Des campo pescato

• Algoritmo:
– Per ogni occorrenza di f1
• Cerca like in occorrenza di f1 tutte le entita’ (di qualsiasi
livello) contenute in f2 (cerca in tutti i nomi e des di tavole e
campi di f1)
• Se like = yes ottieni occorrenza di fa

• Per ogni entita’ trovata ricostruisce la gerarchia
che la contiene
• Ad esempio se della gerarchia a-b-c trova solo c,
ricostruisce tutto l’albero per arrivare a c
ovvero a-b-c
• Se trova solo b, recupera a-b

• Dal file di input f3, che contiene le relazioni tra
le entita’, deriva le relazioni presenti
nell’inferenza
• Se aveva trovato like le entita’ A e B, e se tra A
e B c’e’ una relazione, la recupera (A.relaziona.B)

• Da’ una casa agli attributi
• Se aveva pescato l’entita’ a nella tavola t (nome o
des tavola), la tavola t viene considerata come
un’istanza dell’entita’ a
• Se aveva pescato l’entita’ a nel campo c di una
tavola (nome o des campo), l’entita’ a ospitera’ in
casa il campo c che diventa attributo dell’entita’
a

• Sfrutta i constraint (relazioni fisiche) presenti
tra le tavole pescate, permettendo cosi’ di
arricchire la knowledge base con nuovi concetti
inferiti dal basso
• L’infer constraint con criterio, considera i
constraints a distanza 1 dalla tavola pescata,
senza criterio considera tutte le distanze, quindi
recupera grappoli di tabelle relazionate a partire
da quella pescata

• La funzione sql traduce le entita’, le gerarchie, le
relazioni e gli attributi ricostruiti in uno pseudo
script ddl-sql e attiva un tool grafico che
visualizza il modello ottenuto (erwin)

• La piramide ha livelli intermedi, e gli schemi
intermedi sono ottenuti con algoritmi di somma
schemi dei livelli inferiori, con il seguente
criterio: se un’entita’ e’ presente in almeno 2
schemi tra quelli da sommare, allora sale al livello
superiore, altrimenti rimane al livello inferiore,
non fara’ parte dello schema somma

Catalogo agid
• Inferenze sul catalogo basi dati agid
95

Analogie con il catalogo basi dati e applicazioni di AgID
• Il catalogo db e app di AgID (agenzia per l’Italia
digitale) e’ una raccolta di metadati di databases
e applicazioni usate dalle pubbliche
amministrazioni:
– http://basidati.agid.gov.it/catalogo/
• Sono metadati testuali, la presenza di entita’
importanti per la p.a. va scovata
• Nei precedenti lavori, scovavo le entita’
cercandole per somiglianza nei nomi e descrizioni
di tavole e campi dei db
• Nel catalogo AgID per analogia le scoviamo nei
nomi e descrizioni di db e app 96

…continua la precedente
• La finalita’ di questo lavoro e’ di andare a pesca
di concetti, usando gerarchie di entita’ e
relazioni come fossero canne da pesca
• Inoltre si vuole dare un senso geografico alle
pubbliche amministrazioni, quindi sono state
mappate le p.a. con openstreetmap partendo dal
registro ipa:
– http://www.indicepa.it/public-services/opendata-
read-service.php?
dstype=FS&filename=amministrazioni.txt
97

• Il merge tra il registro ipa mappato e il catalogo
AgID ci permette di capire dove fisicamente
sono trattate le entita’ della p.a.
• Le quattro gerarchie della p.a. discendono da:
– Cosa
• Soggetto
• Bene
• Documento
• Geografia
– Luogo
– Territorio
– Urbanistica
98

• Le relazioni a livello piu’ alto sono di tipo «many
to many» tra:
– Soggetto e bene
– Soggetto e documento
– Soggetto e geografia
– Bene e documento
– Bene e geografia
– Documento e geografia
99

La ricerca per entita' e' fatta per somiglianza di
entita', prese da queste gerarchie di entita':
https://www.dropbox.com/s/eodk7k36m6ehn7y/F
2indent.txt?dl=0 ; nella pagina successiva un
frammento di una gerarchia
Le entita’ sono correlate tra loro a vari livelli di
astrazione
Le applicazioni sono considerate attributi dei db,
per convenzione
100

Dalla conoscenza taggata al disegno dei concetti
• Dai semilavorati ottenuti (gerarchie di entita’,
relazioni, attributi), l’amico Cristiano Longo ha
prodotto un web service che trasforma i
semilavorati in ontologie con sintassi OWL. Il
tutto descritto in questo articolo e
correlati:http://nelfuturo.com/ontologie-dei-
servizi-applicativi
• Con un tool free e’ possibile disegnare tali OWL,
per dare un senso grafico alle ontologie, e
renderle forse piu belle da
vedere: http://owlgred.lumii.lv/online_visualizati
on/wi3p
102

Un frammento di ontologia owl disegnata
103

Mapping delle entita’ nelle p.a.
• sono state mappate geograficamente le p.a.
taggate , per cui arrivando al singolo nodo di una
p.a., nei suoi metadati sono presenti anche le
entita’ taggate:
• http://osmele.elilan.com/_ont/ont2.html
104

Entita’ mappate nelle p.a. (ipa)
105

Entita’ geolocalizzate anche su telegram
infine Piersoft ha fatto un bot telegram che
visualizza i metadati delle p.a. mappate, tra cui le
entita’: https://web.telegram.org/#/im?
p=@geontobot
Per ricercare le PA, cliccare sulla graffetta (??) e
poi 'posizione', oppure digitare il nome del Comune,
oppure il nome entita' preceduto dal punto di
domanda, ad esempio:
?soggetto
106

Obiettivi futuri
• Per una pesca piu’ efficace dei concetti,
bisognerebbe sperimentare tali metodi e tools in
tutte le strutture dati delle pubbliche
amministrazioni, aumentando quindi il drill-down
a livello di nomi e descrizioni di tavole e campi, e
constraints che arricchiscano le relazioni gia’
note
108

Grazie
• Riccardo.maria.grosso@gmail.com
• Qui c’e’ tutto il mio lavoro sulle ontologie di cui mi
occupo da anni
• http://nelfuturo.com/autore/Riccardo-Grosso#
• Il tutto e’ dettagliatamente spiegato in questi articoli e
correlati:
– http://nelfuturo.com/estrazione-e-classificazione-della-
conoscenza-dai-metadati#
– http://nelfuturo.com/un-amico-risponde
• Skype riccardo.grosso
https://www.facebook.com/riccardo.grosso
https://twitter.com/riccardomgrosso
https://www.linkedin.com/in/riccardo-grosso-
7939b35?trk=hp-identity-name
109

Linked data parliamo di semantica del web

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Linked data parliamo di semantica del web

Semelhante a Linked data parliamo di semantica del web (20)

Mais de Riccardo Grosso

Mais de Riccardo Grosso (17)

Linked data parliamo di semantica del web