Taxonomien und Ontologien - Fakultät für Mathematik und Informatik ...

Seminar Web 2.0 und autonomes Datenbank Tuning
SS 2009
schriftliche Ausarbeitung zum Thema
Taxonomien und Ontologien
Veranstalter: Prof. Dr. K. Küspert, G. Rabinovitch, D. Wiese
Fakultät für Mathematik und Informatik
Friedrich-Schiller-Universität Jena
Verfasser: Alexander Weiß
fastidias[at]googlemail.com
Betreuer: G. Rabinovitch

Inhaltsverzeichnis
1 Einleitung.........................................................................................................................................1
1.1 Motivation von semantischen Modellen......................................................................1
1.2 Semantische Modelle...................................................................................................2
1.3 Aufbau der Arbeit........................................................................................................3
2 Taxonomien......................................................................................................................................4
2.1 Definition.....................................................................................................................4
2.2 Beispiele......................................................................................................................4
3 Ontologien .......................................................................................................................................6
3.1 Definition.....................................................................................................................6
3.2 Elemente......................................................................................................................7
3.3 Beispiel........................................................................................................................7
3.4 Beschreibungslogik......................................................................................................9
3.5 Kategorisierung..........................................................................................................10
3.6. Ontologie Sprachen .................................................................................................12
3.6.1 RDF........................................................................................................................12
3.6.2 RDF Schema...........................................................................................................13
3.6.3 OWL.......................................................................................................................15
4 Zusammenfassung.........................................................................................................................16
Literatur............................................................................................................................................17
i

1 Einleitung
1.1 Motivation von semantischen Modellen
Die Expansion des Internets schreitet immer weiter voran und die Datenmenge, die für den Nutzer
zur Verfügung gestellt wird, nimmt ständig zu, sodass es für den einzelnen Nutzer immer
schwieriger wird, das für ihn relevante Wissen herauszufiltern. Zur Veranschaulichung können wir
uns einfach folgende Situation vorstellen. Ein Biologielehrer möchte einen Vortrag über die Tiere
Nordamerikas machen. Der Vortrag ist soweit fertig, nur fehlt ihm noch ein Bild von einem Puma.
Heutzutage wird wohl jeder, der in dieser Situation ist, bei Google oder diversen anderen
Suchmaschinen nach entsprechenden Bildern suchen. Suchmaschinen helfen einem, die enormen
Daten zu durchforsten, indem sie die Seiten(oder auch Bilder) im Netz nach Schlagwörtern,
Worthäufigkeiten und Verlinkungen anderer Seiten indizieren und darauf aufbauend nach einem
bestimmten Rating diese Seiten anzeigen. Das Problem hierbei sieht man sofort, gibt man bei
Google Puma ein, so erscheinen nur in der Minderheit Bilder von dem „Tier“ Puma. Auf den
meisten Bildern der rund 4 Mio. Resultate sind Firmenlogos und Panzer zu sehen. Alle diese Bilder
werden erst durch bestimmte Zusatzbegriffe wie Firma, Panzer oder Tier signifikant beschrieben.
Diese Informationen könnte man aber auch als Metadaten speichern. Die Daten würden dabei also
mit Semantischen Informationen angereichert. Ontologien liefern die semantische Struktur für das
semantic Web, dessen Ziel es ist Informationen im WWW so zu formalisieren, dass die
Informationen nicht mehr nur als Daten sondern mit ihrer Semantik, als Wissen repräsentiert sind.
Ontologien legen fest, von welcher Klasse die Daten und Beziehungen zwischen den Metadaten
sein können. Hätte man also ein Netz aus ineinander verwobenen Ontologien so würden anfragen
an Suchmaschinen nicht mehr einfach durch eine unzusammenhängende Folge von Stichwörtern,
sondern z.B. in einer grafischen oder SQL-ähnlichen konzept- bzw. inhaltsbasierten Anfragesprache
gestellt werden. Dies ermöglicht auch komplexere Anfragen z.B. nach semantischen Verbindungen
in einer intuitiven Weise zu stellen. Das semantic Web kann man also nach Daten und nach Wissen
abfragen.
1

1.2 Semantische Modelle
Semantische Modelle zur Wissensrepräsentation, insbesondere Ontologien, erlauben eine formale
und interpretierbare Repräsentation von Wissen für Menschen und Maschinen. Diese Modelle der
Wissensrepräsentation werden in den verschiedensten Wissenschaftsdisziplinen eingesetzt. Die
Mächtigkeit bzw. semantische Reichhaltigkeit der Ansätze nimmt wie in Abbildung1 gezeigt zu.
Abb. 1: Semantische Modelle, Quelle [2]
Der Glossar ist eine Liste von Begriffe mit einer natürlichsprachigen Beschreibung der jeweiligen
Begriffe.
Die Taxonomie ist eine Hierarchie von Begriffen, welche zum Beispiel aus einem Glossar stammen
könnten.
Thesaurus ist eine Spezialisierung oder Erweiterung des Glossars. Es kommen 3 neue Relationen
hinzu. Mit diesen kann man die vorgegeben Begriffe in Beziehung setzten. Die 3 Relationen sind
die Äquivalenz (für Synonyme), die Taxonomie (für Unter- Oberbegriffe) und die Assoziation (für
verwandte Begriffe).
2

Topic Maps ist ein abstraktes Modell zur Formulierung von Wissensstrukturen. Sie wurden vor
allem entwickelt um eine bessere Navigation und Suche in Internetressourcen und den Austausch
von Metadaten zu ermöglichen. Zur Veranschaulichung hilft Abbildung 2. Die Themen (Topics)
können Konzepte, Personen, Länder, Organisationen etc. sein. Diese sind miteinander verknüpft
(associations) und haben jeweils bestimmte occcurrences, welche die Themen mit bestimmten
Daten im WWW verbinden.
Abb. 2: Topic Maps Konzept, Quelle [3]
Eine Ontologie ist eine explizite Spezifikation einer Konzeptualisierung. Was dies genau bedeutet
werden wir später noch klären.
1.3 Aufbau der Arbeit
Kommen wir kurz zum Aufbau der Arbeit. Zuerst werden wir Taxonomien definieren und uns ein
paar Beispiele anschauen, um die Bedeutung der Taxonomien zu verstehen. Danach wenden wir uns
dem Hauptthema zu und untersuchen die Ontologien. Dabei werden wir uns eine mögliche
Definition betrachten, sowie ein paar Beispiele. Daraufhin werde ich auf die Beschreibungslogik in
Ontologien näher eingehen und zeigen wie man Ontologien kategorisieren kann. Anschließend
folgen dann die momentan W3C vorgeschlagenen Sprachen zur Modellierung von Ontologien. Dort
werden wir auch jeweils ein kleines Beispiel behandeln. Abschließend folgt eine Zusammenfassung
der Arbeit, wo unter anderem auch auf aktuelle Probleme eingegangen wird.
3

2 Taxonomien
2.1 Definition
Der Begriff Taxonomie stammt nicht aus der Informatik und wird formal wie folgt definiert. [14]
“Taxonomy is the practice and science of classification. The word finds its roots in the Greek τάξις,
taxis (meaning 'order', 'arrangement') and νόμος, nomos ('law' or 'science').”
Das Wort bedeutet also soviel wie science of classifcation. Wir versuchen also unsere bekannten
Gegenstände der Welt zu klassifizieren. Damit ist die Taxonomie nichts anderes als eine Hierarchie
von Begriffen. Die vermutlich älteste Hierarchie ist der Versuch Flora und Fauna zu ordnen.
Allerdings treten hier auch schon die ersten Probleme auf, da man nicht alles eindeutig
klassifizieren kann, zum Beispiel den Lebensraum, der nicht immer eindeutig ist. In der Informatik
wird der Begriff noch mit zusätzlichen Forderungen beladen. So darf jeder Klasse nur eine
Oberklasse zugeordnet werden, sodass die resultierende Form der Taxonomie einer Baumstruktur
entspricht. Dabei enthalten die Elemente an der Wurzel eher allgemeine Informationen. Zu den
Blättern hin werden die Informationen dann immer spezifischer.
2.2 Beispiele
Ein einfaches Beispiel für eine Taxonomie in der Informatik wäre die Windows Ordnerstruktur,
aber auch Abbildung 2 zeigt eine Taxonomie. Die dort leicht abgewandelte „Blooms Taxonomy“,
welche in den 50er Jahren entwickelt wurde, beschreibt das Lernverhalten. In unserem Beispiel
beschreibt sie das Lernverhalten mit den Mitteln des Web 2.0. Die Taxonomie besteht aus den 6
Begriffen remembering, understanding, applying, analysing, evaluating und creating. Das Lernen
besteht, laut Bloom, aus diesen Phasen.
Abb. 3: Web 2.0 Blooms Taxonomy, Quelle [1]
4

Zuerst muss man sich das Wissen notieren, heutzutage mit solchen Mitteln wie zum Beispiel
YouTube. Anschließend kann man das Notierte verstehen, indem man zum Beispiel Blogs liest. Da
man nun das Notierte verstanden hat, kann man es auch anwenden indem man selber z.B. Blogs
postet. Erst danach ist man in der Lage mit verschiedenen Rating Systemen andere Arbeiten zu
bewerten. Nachdem man diese Phasen durchlaufen hat, kann man in der Lage sein selber z.B. Wikis
zu erstellen. Bei dieser Taxonomie würde zu jedem Element höchsten ein anderes Element
untergeordnet sein. Eine etwas komplexere Taxonomie wäre zum Beispiel die in Abbildung 4
gezeigte.
Abb. 4: Datentypen von DB2, Quelle [11]
Bei diesem Beispiel erkennt man leichter, dass es eine Hierarchie ist. Wir haben die Wurzel, welche
unsere built in data types, also mitgelieferten Datentypen, darstellt. Diese Datentypen können
external data, dateline,strings oder signed numeric sein. Signed Numeric gliedert sich wiederum
auf in exact und approximate und so weiter. Schön sieht man hier auch die angesprochene
Baumstruktur.
5

3 Ontologien
3.1 Definition
Ursprünglich kommt der Begriff Ontologie aus der Philosophie und wurde im 17. Jahrhundert
geprägt. Die Definition des Begriffes Ontologie ist wie folgt [14] :
“Ontology (from the Greek ὄν, genitive ὄντος: of being and -λογία: science, study, theory) is the
philosophical study of the nature of being, existence or reality in general, as well as of the basic
categories of being and their relations.”
Was wir daraus entnehmen können, ist dass das Wort Ontologie in der Philosophie soviel bedeutet
wie Lehre des Seins. Da wir uns allerdings mit dem Begriff in der Informatik beschäftigen wollen,
folgt nun eine der wohl kürzesten Antworten auf die Frage [8]:
Was ist eine Ontologie in der Informatik?
“An ontology is an explicit specification of a conceptualization”
Diese Antwort gab Tom Gruber 1992. Zugegeben kann man erst einmal nicht sehr viel mit dieser
Antwort anfangen. Deshalb sollten wir versuchen diesen Satz zu verstehen indem wir die Begriffe
erklären. Zuerst sollten wir klären was eine Konzeptualisierung ist? Eine Konzeptualisierung ist
eine abstrakte Sicht auf Teile unserer Welt. Eine Spezifikation dagegen ist eine präzise
Beschreibung eines Modells, also unserer Konzeptualisierung. Was bedeutet nun explicit? Explicit
bedeutet „nur“, dass diese Beschreibung eines Modells, mithilfe einer Sprache oder Symbolen
erfolgen muss. Der Satz sagt also, eine Ontologie ist eine präzise Beschreibung einer abstrakten
Sicht auf Teile unserer Welt mittels einer Sprache. Da dies auch noch sehr formal klingt soll an
späterer Stelle eine Beispiel für Klarheit sorgen. Allerdings definieren wir vorher noch die
Elemente, welche in solch einer Ontologie vorkommen, um in dem Beispiel damit zu arbeiten.
6

3.2 Elemente
Eine Ontologie besteht aus 5 Elementen [13] :
1. Begriffe:
2. Instanzen:
3. Attribute:
• Abstrakte Ausrücke, welche in Taxonomien organisiert sind
• Konkrete Ausprägung von Begriffen
• Relationen unterschiedlichen Typs von vordefinierten Datentypen, welche Begriffe
4. Relationen:
5. Axiome:
3.3 Beispiel
charakterisieren
• Stellen Beziehungen zwischen zwei oder mehreren nicht hierarchischen Begriffen
dar
• Regeln ohne Beweis, die in der Domäne immer gültig sind
Kommen wir nun zu einem Beispiel, um uns das ganze besser vorstellen zu können. In Abbildung
5 haben wir eine Beispiel- Ontologie gegeben. Wir hatten ja bereits gesagt, dass eine Ontologie
einen Wissensbereich (knowledge domain) beschreibt. In unserem Beispiel ist der Teil der Welt
(Konzept) also ein Teil der Kunst. Diesen Wissensbereich, beschreiben wir mit einer
standardisierenden Terminologie sowie Relationen, in unseren Beispiel Künstler erzeugt
Kunstwerk, und ggf. Ableitungsregeln, bei uns Bildhauer ist ein Künstler, zwischen den dort
definierten Begriffen, in unserem Beispiel sind die Begriffe Künstler, Kunstwerk etc. . Wie man an
unseren Beispiel sieht, sind die Begriffe in der Regel in Form einer Taxonomie gegeben. Bei uns ist
jeder Bildhauer ein Künstler und erbt somit auch die Eigenschaften die der Künstler besitzt, wie
z.B. name, vor-name.
7

Abb. 5: Ontologie Beispiel, Quelle [4]
Nun haben wir fast alle Elemente erklärt und Beispiele dafür gezeigt. Zwei fehlen noch, erstens die
Instanzen und zweitens die Axiome. Kommen wir zu den Instanzen. Wie oben beschrieben sind
Instanzen Ausprägungen unserer Begriffe, wie in Abbildung 6 gezeigt. Wir haben also nun konkrete
Maler mit Namen und Vornamen wie z.B. den „Pablo Picasso“, der das Bild „Junge mit der Pfeife“
gemalt hat.
Abb. 6: Ontologie Instanz, Quelle [4]
8

3.4 Beschreibungslogik
In einer komplexen Welt möchte man natürlich auch, dass Regeln gelten. Zum Beispiel wäre es
vermutlich wünschenswert, wenn der Künstler ein Mensch sein muss. Genau dieses Wissen wird in
einer Wissensbasis (knowledge Base) gespeichert. Diese können beispielsweise mit protégé erstellt
werden und haben folgende Struktur (Abbildung 7). Sie besteht aus einer Tbox und einer Abox.
Die Tbox (terminological box) definiert das Vokabular in einem Anwendungsbereich und die Abox
(assertional box) trifft spezielle Annahmen über einzelne Objekte, ausgedrückt mit dem
Grundvokabular, dass in der Tbox definiert wurde. Wie man im Beispiel sieht, kann in der Tbox
definiert werden, was zum Beispiel genau ein Mann ist oder was ein glücklicher Vater ist.
Wohingegen ich in der Abox definieren kann, wer ein Glücklicher Vater ist.
Abb. 7: Wissensbasis, Quelle [5]
Ein großer Vorteil der Beschreibungslogiken ist, dass man daraus auch Schlüsse ziehen
(Reasoning) kann, die gar nicht explizit definiert wurden. Dies macht der Reasoner. Fragt man in
unseren Beispiel, ist Mary Mutter? , so wird man die Antwort erhalten Ja, obwohl nirgends definiert
wurde das Mary Mutter ist, aber sehr wohl, dass sie in einer has-child Beziehung ist. Um die
Arbeitsweise des Reasoners besser zu verstehen schauen wir uns noch ein Beispiel an.
Stellen wir uns vor wir haben diese 7 Axiome festgelegt :
9

Was uns nun interessiert ist, gibt es unerfüllbare Konzepte ? Dazu muss man alle Möglichkeiten
durchprobieren, d.h. die verschiedenen Axiome in einander einsetzen. Hier sieht man zum Beispiel
schnell das A1 nicht erfüllbar ist, da ich A2 dort einsetzen kann und unter anderem stehen habe A
konjugiert, geschnitten mit A. Dies ist nicht erfüllbar. Aber sind das schon alle? In diesem Fall
nicht, unser Reasoner würde als unerfüllbare Konzepte ausgeben: A1, A3, A6, A7. Wie man an
diesem kleinen Beispiel schon sieht dauert dies sehr lange. Auch der Reasoner braucht dafür sehr
viel Zeit. Das Schlüsse ziehen liegt in der Komplexitätsklasse NEXP und ist somit weit davon
entfernt effizient lösbar zu sein. Aber es gibt noch weitere Probleme mit den Wissensbasen. Ein
Beispiel wäre folgendes, ich formuliere in meiner Tbox alle Vögel sind Tiere, alle Vögel können
fliegen,Pinguine sind Vögel, Pinguine können nicht fliegen. Wie man hier sieht gehört der Pinguin
zu den Vögeln, welche alle fliegen können. Wir haben aber zusätzlich noch definiert das Pinguine
nicht fliegen können. Wir erhalten somit einen Widerspruch und eine inkonsistente Tbox, aus
welcher wir nun alles folgern können was wir möchten.
3.5 Kategorisierung
Wir wissen nun was eine Ontologie ist. Allerdings gleicht nicht eine Ontologie der anderen, sondern
man unterscheidet verschiedene Typen. Wir werden zwei Kategorisierungen kennen lernen. Zuerst
die Kategorisierung nach Spezifikationsgrad und anschließend die Kategorisierung nach
Allgemeinheitsgrad des repräsentierenden Wissens. Kommen wir erst einmal zur Kategorisierung
nach Spezifikationsgrad.
Abb. 8: Ontologiespektrum, Quelle [7]
10

In Abbildung 8 ist eine solche Kategorisierung zu sehen. Ganz links bis zur Trennlinie befinden sich
die sogenannten light weight ontologies. Danach beginnen die heavy weight ontologies. Die
formale Ausdrucksstärke nimmt nach rechts hin zu. Die „leichteste“ Form einer Ontologie ist das
kontrollierte Vokabular. Hier haben wir nur eine Liste von Begriffen gegeben. Ein Beispiel wäre
eine vorgegebene Liste von Wörtern zur Klassifizierung von Lerninhalten. Die nächst „schwerere“
Form wäre der Glossar. Wie bei dem kontrollierten Vokabular haben wir hier eine vorgegebene
Liste von Begriffen und zusätzlich noch eine natürlichsprachig verfasste Beschreibung dazu. Eine
Erweiterung oder Spezialisierung von dem Glossar ist das Thesaurus. Neben den bekannten
Begriffen mit Beschreibung kommen hierbei noch 3 Relationen ins Spiel mit denen man die
Begriffe zueinander in Beziehung setzen kann, das wären die Äquivalenz (für Synonyme) , die
Taxonomie (für Unter- Oberbegriffe) und die Assoziation (für verwandte Begriffe). Ein Beipsiel
dafür wäre der Duden. Die letzte light weight ontology ist die informale IS-A Ontologie. Dies ist
eine explizite Hierarchie von Klassen, welche allerdings die Unterklassenbeziehungen zwischen
den entsprechenden Begriffen nicht konsequent einhält. Ein Beispiel hierfür wäre Yahoo. Dort gibt
es unter der Rubrik Reisen die Unterrubrik Hotels. Da ein Hotel keine Reise ist, wurde hier die
Unterklassenbeziehung verletzt. Genau dies darf bei der formales IS-A Ontologie nicht passieren.
Diese bilden die erste Stufe der heavy weight ontologies. Bei der formalen IS-A Ontologie laufen
die Bedeutungsstrukturierung nach den formalen Prinzipien von Klassenbildung,
Vererbungshierarchien, logischen Regeln und deren Einschränkungen ab, dass heißt zum Beispiel,
wenn wir eine Klasse B haben, welche Unterklasse der Klasse A ist, dann ist jedes Objekt aus B
automatisch Objekt in A. Eine Erweiterung zur formalen IS-A Ontologie ist die formale Instanz.
Diese enthält zusätzlich konkrete Exemplare oder Instanzen. Die nächste Erweiterung in Richtung
des förmlichen Klassenmodells sind die Frames. Auf die anderen hier dargestellten Ontologien
möchte ich nicht näher eingehen.
Nun kommen wir zur zweiten Klassifikation, der Kategorisierung nach Allgemeinheitsgrad des
repräsentierenden Wissens. Hier unterscheidet man vier Ontologiearten.
Abb. 9: Kategorisierung nach Allgemeinheitsgrad des repräsentierenden Wissens, Quelle [10]
11

Wie in Abbildung 9 dargestellt gibt es top-level ontologies, domain ontologies, task ontologies und
application ontologies. Die top-level ontologies beschreiben sehr allgemeine Konzepte wie Raum,
Zeit, Materie, Ereignis, Aktion. Diese Konzepte sind völlig unabhängig von einen bestimmten
Problembereich. Ein Beispiel hierfür wäre CyC. (zu finden unter
http://www.cyc.com/cyc/cyc/technology/whatiscyc_dir/whatdoescycknow) Eine Spezifizierung von
top-level ontologies sind die domain ontologies, welche das Vokabular für einen generischen
Problembereich beschreiben, (zum Beispiel der Problembereich Healthcare), indem sie die
Konzepte der Top-level ontology weiter Spezifizieren. Die task ontologies beschreiben das
Vokabular für eine generische Aufgabe oder Aktivität (zum Beipsiel das Diagnostizieren), indem
sie,wie auch die domain ontologies, die Konzepte der Top-level ontology weiter spezifizieren. Als
letztes gibt es noch die application ontologies, welche die Definitionen beinhalten, die zum
Modellieren des Wissens für eine bestimmte Anwendung notwendig sind. Sie erweitern und
spezialisieren oft das Vokabular einer Domain oder Task ontology.
3.6. Ontologie Sprachen
Es gibt viele verschiedene Sprachen mit denen man Ontologien erzeugen kann. Empfohlen vom
W3C, wird die Benutzung von RDF, RDF-S und OWL. Mit diesen Sprachen kann man Ontologien
erstellen und modellieren. Man kann sagen das diese 3 Sprachen aufeinander aufbauen. OWL baut
auf RDF-S auf und erweitert die Sprachmächtigkeit enorm, während RDF-S auf RDF aufbaut.
Natürlich braucht man für eine Ontologie auch eine Abfragesprache, da wurde 2008 SPARQL vom
W3C als Empfehlung angegeben. Mit dieser Sprache kann man ähnlich wie bei SQL Anfragen
stellen.
3.6.1 RDF
Die Fragen die uns nun beschäftigt ist, wie bringe ich meine Ontologie der Maschine bei bzw.
welche Sprache eignet sich dazu ? Hier hat sich in den letzten Jahren RDF bewährt. RDF steht für
Resource Description Framework und ist eine formale Sprache um Informationen über Ressourcen
und deren Beziehungen darzustellen. Mit RDF kann man recht einfache Datenmodelle erstellen,
welche mit XML repräsentiert werden können. RDF wurde im Februar 2004 vom World Wide Web
Consortium als W3C Recommendation verabschiedet und gilt als zukünftiger Standard im Semantic
Web. Die Bestandteile eines solchen Datenmodells sind die folgenden drei: Statements, Ressourcen
und Eigenschaften. Ein Statement ist dabei immer ein Tripel, welches wie ein Deutscher Satz
12

aufgebaut ist. Wir haben ein Subjekt gefolgt von einem Prädikat, auf das ein Objekt folgt. In RDF
sind Subjekt und Objekt jeweils Ressourcen (repräsentiert durch URI`s) und das Prädikat ist eine
Eigenschaft. Somit können wir, wie oben erwähnt, Beziehungen zwischen Ressourcen darstellen,
wie zum Beispiel in Abbildung 10.
Abb. 10: RDF Beispiel, Quelle [15]
In dieser Abbildung existieren 3 Statements. Das erste lautet My Home Page, has a title of, "Dave
Beckett's Home page" ,das zweite lautet My Home Page, created by, "Dave Beckett" und das dritte
Statement lautet My Home Page, published by, "ILRT...".
Hier das Beispiel aus Abbildung 10 noch als RDF in XML.
#1#
#2#
#3#
#4# Dave Beckett's Home Page
#5# Dave Beckett
#6# ILRT, University of Bristol
#7#
#8#
3.6.2 RDF Schema
Man sieht leicht, dass man mit RDF allein schnell an Grenzen stoßen würde. Nehmen wir zum
Beispiel das Statement von eben, My Home Page, created by, "Dave Beckett". Hier wäre es
vermutlich wünschenswert und sinnvoll, wenn die zweite Ressource, welche unserem Objekt
entspricht, immer vom Typ Person sein muss. Dies kann ich allerdings nicht mit RDF darstellen.
Dafür gibt es RDF-Schema. RDF-S ist ein Vokabular zur Beschreibung der Eigenschaften und
13

Klassen von RDF Ressourcen, mit einer Semantik für verallgemeinernde Hierarchien solcher
Eigenschaften und Klassen. Auch RDF-S ist Bestandteil der RDF Recommendation des W3C und
basiert auf der RDF-Syntax. RDF-S wurde um einige zusätzliche Bezeichner erweitert, um wie
oben schon erwähnt die Grenzen von RDF zu überwinden. Ein neuer Bezeichner wäre zum Beispiel
rdfs:range, mit dem man die Möglichkeit hat anzugeben, welche möglichen Objekte für eine
Ressource in Frage kommen. Weitere Bezeichner wären rdfs:type, rdfs:Class, rdfs:Property,
rdfs:subClassOf und rdfs:domain. Mit rdfs:type kann man Resourcen als Instanzen einer Klasse
spezifizieren. Rdfs:class bezeichnet die Klassen aller Klassen. Rdfs: Property ist die Klasse aller
Eigenschaften. Rdfs:subClassOf dient zur Definition von Unterklassen und Vererbungshierarchien.
Mit Rdfs:domain spezifiziert man Subjekte, also Klassen, die diese Eigenschaft besitzen sollen.
Nun betrachten wir erst einmal noch ein RDF Beispiel, um zu sehen wie RDF und RDF-S
zusammenarbeiten.
Ein Beispiel für RDF:
#1#
#2#
#3#
#4#
#5#
#6#
#7#
#8#
#9#
14

Der unterschied zu dem obigen Beispiel ist somit also nur die blaue Zeile. Diese ist in RDF-S und
sagt aus, dass immer wenn eine Ressource die Property father hat, dann hat sie auch automatisch die
Property parent.
3.6.3 OWL
Die Web Ontology Language (OWL) ist ebenfalls eine Recommendation des W3C. OWL basiert
technisch auf der RDF Syntax, geht dabei über die Ausdrucksmächtigkeit von RDF-S weit hinaus.
Zusätzlich zu RDF und RDF-Schema werden weitere Sprachkonstrukte eingeführt, die es erlauben,
Ausdrücke ähnlich der Prädikatenlogik zu formulieren. Schauen wir uns am besten gleich ein
Beispiel an.
#1#
#2#
#3#
#4#
#5#
#6#
#7#
#8#
#9#
#10#
#11#
#12#
#13#
#14#
#15#
Betrachten wir dieses Beispiel etwas genauer. In der ersten Zeile wird die Klasse mother definiert.
Zeile 2 sagt, dass die Klasse mother äquivalent zu der Schnittmenge (definiert in Zeile 4) von der
Klasse female (definiert in Zeile 5) und der Property hasChild (definiert in Zeile 8) ist. Der Rest ist
für unseren Zweck nicht weiter wichtig. Hier sieht man gut, wie nah die Sprache an der
Prädikatenlogik ist und wie schön ich dadurch solche Ausdrücke darstellen kann.. Allerdings bin ich
damit nicht ganz so mächtig, wie z.B. mit Prolog, wo ich die Möglichkeit habe Quantoren
darzustellen.
15

4 Zusammenfassung
Momentan befinden sich Ontologien noch in der Entwicklung, aber sie sind ein großer Schritt in
Richtung des Semantic Webs. Die möglichen Einsatzgebiete sind breit gefächert. Ein Einsatzgebiet
wären die Wortnetze. Wie zum Beispiel unter http://wordnetweb.princeton.edu/perl/webwn zu
finden. Eine anderes Einsatzgebiet für Ontologien wäre das Schemamatching bei Datenbanken.
Beim klassischen Versuch würde man direkt ein Schema in ein anderes Schema übersetzen. Der
Nachteil hierbei wäre das man 0(n²) Schritte dafür benötigt. Eine andere Möglichkeit wäre, dass
man eine gemeinsame Taxonomie von Konzepten (Interlingua) verwendet und jedes Schema in die
gemeinsam vereinbarte Interlingua übersetzt. Hierbei wäre der Aufwand deutlich geringer. Man
bräuchte nur noch O(n) Schritte. Ein weiteres Einsatzgebiet wäre die Medizin z.B. in der Form von
HUMAT. Dieses Projekt versucht eine Ontologie für Gewebetypen im menschlichen Embryo bis
zum 50. Entwicklungstag (Carnegie Stages 1-20) zu liefern. Man sieht an diesen wenigen
Beispielen schon das die Einsatzbereiche von Ontologien breit gefächert sind. Die Vorteile von
Ontologien reichen dabei von Wiederverwendung von Wissen, über Austausch von Wissen
zwischen Agenten und/oder Menschen, bis hin zu erweiterten Analysen von Informationen. Leider
gibt es aber noch einige Probleme die es zu bewältigen gilt. Wie lassen sich zum Beispiel gut
verwertbare Metadaten für große Ressourcenbestände erzeugen und konsistent weiterentwickeln?
Weiterhin stellt sich die Frage, können Ressourcen klar und eindeutig klassifiziert werden? Dies ist
ähnlich dem Problem, welches am wir am Anfang besprochen hatten, indem es um die Ordnung von
Flora und Fauna ging und der Lebensraum nicht eindeutig war. Weiterhin kann man sich fragen
macht es denn Sinn nach einer allen Ontologien unterliegenden Meta-Ontologie zu suchen ? Ein
Problem ist aber auch zum Beispiel die Übersetzungsproblematik bzw. die kulturellen Unterschiede.
Wir hatten unser RDF Statement Tripel wie unseren Satzbau definiert, Subjekt, Prädikat und
Objekt. Allerdings ist der Satz nicht in allen Sprachen so aufgebaut. Wir sehen also es gibt noch
einige Probleme um wirklich eine gemeinsame Sprache zu entwickeln, aber wir sind auf einem
guten Weg auch dies zu meistern.
16

Literatur
[1] Weblink, letzter Zugriff : 15.7.09
http://lonewolflibrarian.wordpress.com/2009/06/
[2] Weblink „Hintergrundwissen: Vom Glossar zur Ontologie”, letzter Zugriff : 15.7.09
http://wissensexploration.de/textmining-hintergrundwissen.php
[3] Paper, Anno 2004, Autor: Adi Bekier, Titel: „Einführung in Topic Maps“
http://www.dbis.informatik.unifrankfurt.de/~tolle/RDF/DBISResources/Sem_SS2004/EinfuehrunginTopicMaps_Ausarbeitung_fin
al.pdf
[4] Paper, Anno 2007, Autor: Florian Leitner, Titel: „Ontology Languages for the Semantic Web”
http://www.inf.uni-konstanz.de/dbis/teaching/ws0708/web/talks/presentation-florian-leitner.pdf
[5] Paper, Anno 2005, Autor: Ian Horrocks, Titel: „Description Logic Reasoning”
http://www.kde.cs.uni-kassel.de/conf/iccs05/horrocks_iccs05.pdf
[7] Vorlesungsscript, Anno 2006, Autor: Timo Borst, Titel: „Ontologien zur semantischen
Auszeichnung digitaler Lernmaterialien“
http://www.fernunihagen.de/imperia/md/content/fakultaetfuermathematikundinformatik/forschung/berichteetit/forschu
ngsbericht_3_2006.pdf
[8] Paper, Anno 1992, Autor: Tom Gruber, Titel: „What is an Ontology?”
http://www-ksl.stanford.edu/kst/what-is-an-ontology.html
[9] Diplomarbeit, Anno 2009, Autor: Christoph Hartleib, Titel :„Untersuchung der Einbindung eines
E-Commerce-Systems im Semantic Web am Beispiel von Intershop Ennity”
[10] Slices, Anno 2006, Autor: Heiko Peter , Titel: „Ontologien”
http://www.db-thueringen.de/servlets/DerivateServlet/Derivate-8090/OntoBeamer.pdf
[11] Weblink „IBM”, letzter Zugriff : 15.7.09
http://www.ibm.com/developerworks/db2/library/techarticle/dm-0602tham2/
[12] Slices, Anno 2007, Autor: Maik Hünefeld,Christian Kux, Martin Peters , Titel: „Ontologien
Eine Einführung”
http://www.zlw-ima.rwthaachen.de/lehre/vorlesungen_uebungen/kommunikation_und_orga2/download/Einfuehrung%20in
%20Ontologien.pdf
[13] Paper, Anno 2007, Autor: Niko Kwekkeboom, Titel: „Agenten im Semantic Web”
http://cs.uni-muenster.de/u/lammers/EDU/ss07/AgentenSemanticWeb/Abgaben/Niko
%20Kwekkeboom%20-%20Ausarbeitung%20-%20Ontologien%20im%20Semantic%20Web.pdf
[14] Weblink „Wikipedia“, letzter Zugriff : 15.7.09
http://www.wikipedia.org
17

[15] Weblink „Semantic Web”, letzter Zugriff : 16.7.09
http://www.dajobe.org/talks/sw-vienna/slide15.html
18