Michele Filannino

Università degli Studi di Bari “A.Moro”

Dipartimento di Informatica
Research: http://www.di.uniba.it/~swap/ Working Capital - BarCamp
Twitter: @bronko85 Bari, 13 luglio 2010
Chi sono
Informazioni

• Età: 24 anni;
• Laureato in Informatica e tecnologie per la
produzione del software in meno di 3 anni, cum
laude;
• Laureando magistrale in Informatica;
• Membro del SWAP Research Group (Semantic
Web Access & Personalization);
• Blogger per melablog.it.

2 /15
Motivazioni
Quantità di dati in Internet

155 milioni di siti web

5 milioni di Tb* di dati
Un uomo impiegherebbe 57000 anni per leggerli.
1,8 miliardi di utenti (crescita esponenziale)

* Google ne ha indicizzato solo lo 0,004% ;)

Dati forniti da Eric Shmidt, CEO di Google, durante una conferenza del 2005 | Fonte: SoftPedia 3 /15
“It’s not information overload.
It’s filter failure”
Clay Shirky (al Web2.0 Expo del 2008)
Information filtering
Motori di ricerca

• non differenziano i risultati in base agli utenti;

• richiedono all’utente una parziale
conoscenza dei documenti cercati;
• offrono risultati errati o banali* poiché non

comprendono il linguaggio naturale.

* L. Iaquinta, M. de Gemmis, P. Lops, G. Semeraro, M. Filannino, and P. Molino. Introducing Serendipity in a Content-based Recommender System. In
F. Xhafa, F. Herrera, A. Abraham, M. Koppen, and J. M. Benitez, editors, Proceedings of the Eighth International Conference on Hybrid Intelligent
Systems HIS-2008 , pages 168-173. IEEE Computer Society Press, Los Alamitos, California, 2008. ISBN 978-0-7695-3326-1. 5 /15
Il presente
Semantica, Web3.0, etc...

• Ontologie -> Logiche descrittive;

• Realizzazione from scratch molto onerosa;

• Utilizzo limitato a domini molto specifici;

• bassa precisione, risultati poco
pertinenti, complessità computazionale
elevata.

6 /15
“Nella misura in cui le leggi della matematica si riferiscono alla realtà non sono certe.
E nella misura in cui sono certe, non si riferiscono alla realtà.”

Albert Einstein
Idea
!

• Utilizzare logica fuzzy per restituire

risultati più intelligenti.
• Ridimensionare l’uso di algoritmi basati su
logica classica;
• Rifiutare di formalizzare i meccanismi sottesi al
linguaggio naturale umano;

8 /15
Logica fuzzy
Lotfi Zadeh, 1965*

• Logica del ragionamento

approssimato;

• Esprime incertezza;

• Estende la classica teoria

degli insiemi;
• Consente di profilare le
interpretazioni degli utenti.
• Fuzzy-relazioni tra concetti
ontologici
L. A. Zadeh. Fuzzy sets. Information and Control, 8(3):338–353, June 1965
9 /15
Il sistema software
Capacità

• Interpreterà il linguaggio
naturale (italiano ed inglese);

• Eliciterà i concetti

ontologici presenti nel

testo;

• Sarà facilmente integrabile in

sistemi terzi.

10 /15
Funzionamento
Input, output

INPUT OUTPUT

Concetti ontologici
Testo semplice pertinenti (anche nascosti)

Concetti ontologici
Pagina social network significativi per il profilo

Concetti ontologici correlati

Pagina web (anche nascosti)

11 /15
Scenario applicativo
Integrazione in un motore di ricerca classico

Query
arricchita

Query Query
Motore di
Utente ricerca

<<
Documenti pertinenti Documenti restituiti
restituiti da un sistema classico
12 /15
Scenario applicativo
Integrazione in un sistema di raccomandazioni

Concetti
pertinenti

Profilo,
Sistema di Posizione
Utente raccomandazioni geografica,
Data

Prodotti/servizi pertinenti
restituiti
13 /15
Progetti
In corso...

• Studio sui concetti di gradualità e vaghezza

nella ingegneria della conoscenza;

• Membro del progetto SWOP (Semantic

Web-service Opened Platform);

• Realizzazione di un algoritmo per il calcolo

della similarità semantica tra frasi (SAWA);

• Sogno di diventare un ricercatore.

14 /15
Grazie per l’attenzione
15 /15