Michele FilanninoUniversità degli Studi di Bari “A.Moro”Dipartimento di Informatica

Research: http://www.di.uniba.it/~swap/Twitter: @bronko85

Working Capital - BarCampBari, 13 luglio 2010

/15

• 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.

Chi sonoInformazioni

2

/15

MotivazioniQuantità 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

“It’s not information overload.It’s filter failure”

Clay Shirky (al Web2.0 Expo del 2008)

/15

Information filteringMotori 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 presenteSemantica, 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

“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

/15

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 fuzzyLotfi 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 19659

/15

Il sistema softwareCapacità

• Interpreterà il linguaggio naturale (italiano ed inglese);

• Eliciterà i concetti ontologici presenti nel testo;

• Sarà facilmente integrabile in sistemi terzi.

10

/15

FunzionamentoInput, output

Testo semplice

Pagina social network

Pagina web

INPUT

Concetti ontologicipertinenti (anche nascosti)

Concetti ontologici significativi per il profilo

Concetti ontologici correlati(anche nascosti)

OUTPUT

11

/15

Scenario applicativoIntegrazione in un motore di ricerca classico

Query Query

Queryarricchita

Utente

<<

Motore diricerca

Documenti pertinentirestituiti

Documenti restituitida un sistema classico

12

/15

Scenario applicativoIntegrazione in un sistema di raccomandazioni

Profilo, Posizione

geografica, Data

Concettipertinenti

UtenteSistema di

raccomandazioni

Prodotti/servizi pertinentirestituiti

13

/15

• 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.

ProgettiIn corso...

14

/15

Grazie per l’attenzione

15