vollständige Magisterarbeit zum Thema - Michael Stollberg

Magisterarbeit
Ontologiebasierte Wissensmodellierung
- Verwendung als semantischer Grundbaustein des Semantic Web -
von
Michael Stollberg
eingereicht am: 29. Oktober 2002
Institut für Publizistik und Kommunikationswissenschaft
Arbeitsbereich Informationswissenschaft
Fachbereich Philosophie und Sozialwissenschaften
Freie Universität Berlin
Betreuer und Erstgutachter: Prof. Dr. R. D. Hennings
Zweitgutachter: Prof. Dr. G. Wersig

Erklärung
Hiermit versichere ich gemäß § 21 (6) der Magisterprüfungsordnung der Freien Universität
Berlin vom 18.01.1991, dass ich die Arbeit in allen Teilen selbstständig verfasst
und keine anderen als die angegebenen Hilfsmittel und Quellen verwendet habe. Stellen
der Arbeit, die anderen Arbeiten im Wortlaut oder dem Sinne nach entnommen wurden,
sind durch Angabe der entsprechenden Quelle kenntlich gemacht.
__________________________
Ort, Datum
___________________________
Michael Stollberg

Ontologiebasierte Wissensmodellierung
- Verwendung als semantischer Grundbaustein des Semantic Web -
Inhaltsverzeichnis:
Vorwort ....................................................................................................... v
Einleitung ................................................................................................... 1
Zielsetzung der Arbeit .......................................................................................................................1
Inhaltsübersicht ..................................................................................................................................3
A Grundlagen ontologiebasierter Wissensmodellierung............................... 5
A.1 Positionierung in der Künstlichen Intelligenz ........................................................................6
A.1.1 Wissensrepräsentation..........................................................................................................7
A.1.1.1 Theoretische Grundlagen............................................................................................7
A.1.1.2 Repräsentationsschemata und -formalismen............................................................8
A.1.1.3 Modellbasierter Ansatz ..............................................................................................11
A.1.2 Knowledge Engineering ....................................................................................................12
A.1.2.1 Wissensmodelle...........................................................................................................13
A.1.2.1.1 Problem Solving Methods ..................................................................................14
A.1.2.1.2 Ontologien ............................................................................................................14
A.1.2.2 Methodologien............................................................................................................15
A.1.2.2.1 CommonKADS ...................................................................................................15
A.1.2.2.2 PROTÉGÉ...........................................................................................................16
A.2 Charakteristika ontologiebasierter Wissensmodellierung....................................................18
A.2.1 Eigenschaften von und Anforderungen an Ontologien ...............................................18
A.2.1.1 Explizite, geteilte Konzeptionalisierung..................................................................18
A.2.1.2 Formale Spezifikation ................................................................................................19
A.2.2 Motivation zur Verwendung von Ontologien................................................................20
A.2.2.1 Bedeutungsdefinition .................................................................................................20
A.2.2.2 Einsatzmöglichkeiten.................................................................................................21
A.2.3 Ergänzende Anmerkungen................................................................................................22
B Ontologie-Entwicklung ......................................................................... 23
B.1 Ontologie-Entwicklungs-Prozess ...........................................................................................24
B.1.1 Spezifikation ........................................................................................................................26
B.1.1.1 Anforderungsanalyse..................................................................................................27
B.1.1.2 Wissensakquisition......................................................................................................27
B.1.2 Konzeptionalisierung..........................................................................................................28
B.1.2.1 Modellierungsprimitive ..............................................................................................29
B.1.2.2 Zielsetzung der Konzeptionalisierung.....................................................................29
B.1.2.3 Repräsentationsschemata...........................................................................................30
i

B.1.3 Formalisierung.....................................................................................................................32
B.1.3.1 Anforderungen an Ontologie-Spezifikations-Sprachen........................................33
B.1.3.1.1 Spezifikationsfähigkeit.........................................................................................33
B.1.3.1.2 Entwicklungsumgebung......................................................................................34
B.1.3.2 Ontolingua...................................................................................................................35
B.1.4 Evaluation und Dokumentation.......................................................................................36
B.1.4.1 Evaluation....................................................................................................................36
B.1.4.1.1 Kriterien der Qualitätsprüfung...........................................................................37
B.1.4.1.2 Typische Fehler der Ontologie-Entwicklung...................................................37
B.1.4.2 Dokumentation...........................................................................................................37
B.2 Qualitätssichernde Aspekte......................................................................................................38
B.2.1 Designkriterien ....................................................................................................................38
B.2.2 Meta-Modellierung..............................................................................................................40
B.2.2.1 Theoretische Grundlagen ..........................................................................................41
B.2.2.1.1 Basisbegriffe..........................................................................................................42
B.2.2.1.2 Implikationen........................................................................................................43
B.2.2.2 Taxonomie-Validierung .............................................................................................44
B.2.2.2.1 Basis-Taxonomie..................................................................................................44
B.2.2.2.2 Vorgehensmodell .................................................................................................44
B.3 Abschließende Bemerkungen..................................................................................................45
C Verwendung von Ontologien in Informationssystemen.......................... 47
C.1 Typologie des Ontologie-Einsatzes........................................................................................47
C.1.1 Klassifikationsdimensionen...............................................................................................48
C.1.1.1 Verwendungszweck....................................................................................................48
C.1.1.2 Rolle der Ontologie....................................................................................................49
C.1.1.3 Akteure.........................................................................................................................50
C.1.2 Verwendungsszenarien.......................................................................................................51
C.2 Anwendungsgebiete von Ontologien.....................................................................................52
C.2.1 Multi-Agenten-Systeme......................................................................................................53
C.2.1.1 Kommunikation in Multi-Agenten-Systemen ........................................................54
C.2.1.2 Geteilte Ontologie als Inhaltsspezifikation.............................................................55
C.2.2 Informationsintegration.....................................................................................................56
C.2.2.1 Integration mit einer globalen Ontologie................................................................57
C.2.2.2 Integration mit mehreren lokalen Ontologien .......................................................58
C.2.3 Information Retrieval.........................................................................................................59
C.2.3.1 Ontologiebasiertes Information Retrieval...............................................................59
C.2.3.1.1 Ontologie als Thesaurus......................................................................................60
C.2.3.1.2 ONTOSEEK........................................................................................................60
C.3 Implikationen für Ontologiebasierte Informationssysteme................................................61
C.3.1 Wiederverwendbarkeit .......................................................................................................62
C.3.1.1 Verwendbarkeit und Wiederverwendbarkeit..........................................................62
C.3.1.2 Wiederverwendung von Ontologien........................................................................63
C.3.2 Integration von Ontologien ..............................................................................................64
C.3.2.1 Klassifikation ontologischer Heterogenitäten ........................................................64
C.3.2.2 Halbautomatisierte Ontologie-Integration..............................................................65
ii

D Ontologien im Semantic Web ................................................................ 66
D.1 Aufbau und Funktionsweise des Semantic Web..................................................................67
D.1.1 Hintergrund der ´Vision des Semantic Web´.................................................................67
D.1.1.1 Das Internet als universale Informationsplattform...............................................68
D.1.1.2 Design-Prinzipien.......................................................................................................68
D.1.1.3 Funktionale Zielsetzung des Semantic Web ..........................................................69
D.1.2 Architekturmodell ..............................................................................................................70
D.1.2.1 Semantic Web – Technologien ................................................................................70
D.1.2.2 Rolle von Ontologien im Semantic Web................................................................72
D.1.2.2.1 Anforderungen an Ontologien..........................................................................73
D.1.2.2.2 Herausforderungen an das Ontologie-Management......................................74
D.2 Ontologie-Spezifikation für das Semantic Web...................................................................74
D.2.1 Resource Description Framework (RDF) ......................................................................75
D.2.1.1 RDF Modell................................................................................................................75
D.2.1.2 XML - Serialisierung..................................................................................................76
D.2.1.3 RDF Schema (RDFS)................................................................................................76
D.2.2 Ontologie-Spezifikations-Sprachen .................................................................................77
D.2.2.1 Web Ontology Language (OWL) ............................................................................78
D.2.2.2 Ausdrucksfähigkeit.....................................................................................................79
D.3 Ontologie-Management...........................................................................................................80
D.3.1 Teilbarkeit von Ontologien...............................................................................................80
D.3.2 Entwicklungsfähigkeit von Ontologien ..........................................................................82
D.3.2.1 Unterstützung der Ontologie-Entwicklung............................................................82
D.3.2.2 Wartung von Ontologien..........................................................................................84
D.3.3 Ontologie-Integration........................................................................................................85
D.4 Implikationen für Semantic Web Services............................................................................87
Diskussion ................................................................................................ 89
Zusammenfassung der Ergebnisse ................................................................................................89
Notwendigkeit und Umsetzbarkeit des Semantic Web ..............................................................90
Literaturverzeichnis ...................................................................................91
iii

Abbildungsverzeichnis
Abbildung 1: Beispiel eines semantischen Netzes........................................................................9
Abbildung 2: Beispiel Frame-Struktur............................................................................................10
Abbildung 3: CommonKADS – Modell Kollektion...................................................................15
Abbildung 4: CommonKADS – Modellierung Domänenwissen.............................................16
Abbildung 5: PROTÉGÉ – Erstellung einer Applikationsontologie........................................17
Abbildung 6: Beispiel IDEF5-Modellierung .................................................................................32
Abbildung 7: Konzeptdefinition in Ontolingua ...........................................................................35
Abbildung 8: Taxonomie-Evaluation mit OntoClean .................................................................45
Abbildung 9: Klassifikation der Verwendung von Ontologien in Informationssystemen.....51
Abbildung 10: Bespiel einer KQML-Nachricht............................................................................55
Abbildung 11: Ansätze ontologiebasierter Informationsintegration .........................................57
Abbildung 12: Semantic Web Architektur.....................................................................................70
Abbildung 13: RDF-Aussage in Graphdarstellung ......................................................................75
Abbildung 14: RDF-Aussage in XML-Serialisierung...................................................................76
Abbildung 15: Ontologie-Beispiel in DAML-OIL.......................................................................78
Abbildung 16: Phasen des Ontology Learning .............................................................................83
Tabellenverzeichnis
Tabelle 1: Level der Wissensrepräsentation...................................................................................19
Tabelle 2: Phasen des Ontologie-Entwicklungs-Prozesses.........................................................26
Tabelle 3: Techniken des Wissenserwerbs.....................................................................................27
Tabelle 4: Modellierungsprimitive ontologiebasierter Wissensmodellierung ...........................29
Tabelle 5: Werkzeuge einer Ontologie-Entwicklungsumgebung...............................................34
Tabelle 6: Typische Fehler bei der Ontologie-Entwicklung .......................................................37
Tabelle 7: Design-Kriterien für Ontologien..................................................................................39
Tabelle 8: Basisbegriffe der OntoClean Methodologie................................................................42
Tabelle 9: Beschränkungen für Subsumptions-Relationen in Taxonomien .............................43
Tabelle 10: Ontologie-Arten............................................................................................................50
Tabelle 11: Prozess der Wiederverwendung von Ontologien ....................................................63
Tabelle 12: Design-Prinzipien des Semantic Web........................................................................69
Tabelle 13: Grundtypen von RDF Schema (RDFS)....................................................................77
Tabelle 14: Spezifikationsprimitive von OWL..............................................................................79
Tabelle 15: Anforderungen an Ontologie-Bibliotheks-Systeme.................................................81
iv

Vorwort
Vor Beginn der Ausführungen sollen einige Bemerkungen über die in dieser Arbeit
verwandten darstellerischen Mittel gemacht werden.
Für die Quellenangaben und die Zitation wird jeweils der Name des Autors sowie das
Erscheinungsjahr angegeben. Ein „+“ in der Angabe bedeutet, dass mehrere Autoren die
Quelle verfasst haben. Falls mehrere Quellen desselben Autors so eine gleiche Signatur
erhalten, werden diese durch einen alphabetisch Anhang gemäß der Erwähnung im Text
unterschieden. Bei Websites werden die Internetadressen sowie das Datum des Aufrufes
der Seite angegeben. Bei Quellenangaben aus Büchern oder Artikeln wird jeweils die Seite
angegeben, während für Websites lediglich der betreffende Abschnitt des Dokuments
angegeben werden kann. Durch diese Konvention sollen die wesentlichen Informationen
bezüglich der verwandten Quellen aus dem Text der Ausarbeitung hervorgehen. Die
Methodik der Quellenangabe im Literaturverzeichnis ist (Rückriem+97) entnommen. Die
Quellenangaben im Literaturverzeichnis sind auf Grund des Umfangs nach den Kapiteln
der Arbeit geordnet. Dabei sind für die einzelnen Kapitel nur diejenigen Quellen angegeben,
die jeweils für ein Kapitel hinzugekommen sind. Weiterführende, nicht explizit in
der Arbeit verwendete Quellenhinweise werden in Fußnoten angeführt.
Der Großteil der verwendeten Literatur ist in englischer Sprache verfasst. Für die
Darstellung in deutscher Sprache wurden hier folgende Konventionen verwendet.
• Eigennamen und Termini Technici werden im englischen Original belassen.
• Weitere Begrifflichkeiten werden in deutsch angegeben. Sind diese nicht deutschsprachiger
Fachliteratur entnommen, so wird in einer Fußnote das englische Original
angegeben.
• Direkte Zitate aus dem Englischen werden ins Deutsche übersetzt mit Angabe des
Originals in einer Fußnote.
Während des Bearbeitungszeitraums dieser Magisterarbeit sind reichhaltige Forschungsaktivitäten
vor allem auf dem Gebiet des Semantic Web zu erwarten, woraus entscheidende
neue Erkenntnisse hervorgehen können. Auf Grund der zeitlichen Befristung der
Bearbeitung musste ein Aufnahmestopp für neu erscheinendes Material festgelegt werden,
welcher auf Ende Juli 2002 datiert wurde. Diese Festlegung wird im Verlauf der Ausarbeitungen
genauer begründet. Auf später erscheinendes Material kann lediglich an entsprechender
Stelle hingewiesen werden .
Als Anlage ist der Arbeit eine CD-ROM mit den verwendeten Materialien angefügt –
soweit diese in elektronischer Form vorliegen. Nach Absprache mit dem Betreuer soll
diese Zusammenstellung als Referenz für weitere Arbeiten auf diesem Gebiet genutzt
werden können.
v

Einleitung 1
Einleitung
Die Geschwister Lucy und Pete organisieren mit Hilfe ihrer „Semantic Web Agents“
(Berners-Lee+01, S. 25) einen Arzttermin für ihre Mutter. Die Agenten buchen automatisch
den Termin, berücksichtigen angegebene Einschränkungen und Präferenzen und
interagieren dabei in effektiver Art und Weise. Mit diesem Szenario, welches zu Beginn
des häufig als „vision of the semantic web“ (vgl. Fensel01, S. 295) referenzierten Artikels
beschrieben wird, soll das angestrebte Anwendungsziel eines semantischen Internets
verdeutlicht werden. Im weiteren Verlauf des Artikels erläutern die Autoren um Tim
Berners-Lee, Erfinder des World Wide Web 1 und Direktor des W3C 2 , ihre Vorstellungen
zur Realisierung dieser Vision, welche hier kurz wiedergegeben werden soll.
Die derzeit existenten Web-Technologien erlauben lediglich die Verarbeitung von
Daten. Deren Interpretation, also die inhaltliche Erfassung von Web-Dokumenten kann
nur durch den Menschen erfolgen. Mit dem Semantic Web sollen die bestehenden Web-
Technologien um bedeutungsverarbeitende Fähigkeiten erweitert werden, wodurch eine
maschinelle Inhaltsverarbeitung von Web-Dokumenten ermöglicht und somit eine qualitative
Verbesserung des Internet als weltweit verbreitetem Informationssystem erreicht
werden soll. Dafür müssen wissensverarbeitende Techniken für das Internet entwickelt
werden, welche vornehmlich drei funktionale Aspekte abdecken sollen. Erstens eine
maschinenverarbeitbare Darstellung der Informationen eines Web-Dokuments, zweitens
die Sicherstellung der korrekten Verwendung von Begriffen hinsichtlich ihrer Bedeutung
und drittens entsprechende Verarbeitungsmechanismen. Da die Künstlichen Intelligenz
sich mit solchen Verfahren beschäftigt, sollen deren Erkenntnisse für die Entwicklung
derartiger Techniken für das Semantic Web herangezogen werden. Für die maschinenverarbeitbare
Darstellung bedeutungstragender Informationen sollen Ansätze aus dem
Gebiet der Wissensrepräsentation referenziert werden. Für die Sicherstellung der
terminologischen Korrektheit sollen sogenannte Ontologien verwendet werden, welche
Bedeutungsdefinitionen von Entitäten sowie deren Beziehungen untereinander beinhalten.
Die Verarbeitung dieser Informationen soll durch Softwareagenten durchgeführt
werden, welche unter Nutzung der bedeutungsverarbeitenden Fähigkeiten verschiedenartige
Funktionalitäten, beispielsweise Dienste wie im oben genannten Anwendungsszenario
ausführen können (s. Berners-Lee+01, S. 26-30).
Zielsetzung der Arbeit
Wie aus der einführenden Darstellung der Vision des Semantic Web hervorgeht, sollen
darin Ontologien als bedeutungsdefinierende Komponenten eingesetzt werden und somit
den semantischen Grundbaustein des Semantic Web darstellen. In dieser Arbeit sollen die
Beweggründe der Favorisierung ontologiebasierter Verfahren der Wissensmodellierung
für diesen Verwendungszweck untersucht werden.
1 World Wide Web (WWW): Zusammenführung und Weiterentwicklung existenter Ansätze aus der Hypertext- und
der Übertragungstechnologie. Technische Grundlage des als Internet bekannt gewordenen Mediums (vgl. Berners-
Lee00).
2 World Wide Web Consortium: Non-Profit-Organisation mit der Zielsetzung, die Entwicklung des WWW durch
Spezifikation von Technologien zu unterstützen (s. Berners-Lee00, S. 97-110, www.w3c.org).

Einleitung 2
Auf Grund der rasanten Verbreitung des Internets beschäftigen sich derzeit viele
Forschergruppen mit der Entwicklung von Technologien für das Semantic Web, da
dadurch ein weiterer Wachstumsschub des Internet hinsichtlich seiner Verbreitung
prognostiziert wird (s. Ohlms02, S. 8). Die Arbeiten in der „Semantic Web Community“ 3
befassen sich größtenteils mit der softwaretechnischen Umsetzung, wobei vor allem
Spezifikationssprachen für Ontologien, Techniken für das Ontologie-Management sowie
Frameworks für Semantic Web Services entwickelt werden. 4 Bemerkenswert ist, dass in
diesen Ansätzen Ontologien zwar eine zentrale Rolle in systemarchitektonischer oder
funktionaler Hinsicht einnehmen, aber selten auf deren Spezifika eingegangen wird.
Die Forschungsdisziplin des sogenannten Ontology Engineering befasst sich seit Mitte
der 90er Jahre mit Ontologien als konzeptioneller Basis ´wissensverarbeitender´ Computersysteme.
Dieses Themenfeld ist sehr komplex, da eine Ontologie zum einen die
strukturierte Erfassung einer Wissensdomäne darstellen soll, die durch alle Beteiligten
derselben akzeptiert wird. Zum anderen ist die definitorische Klarheit der Wissenselemente
und ihrer Beziehungen untereinander in der Ontologie sehr wichtig, da die
Verwendung der Ontologie in einem Informationssystem dessen funktionale Qualität
determiniert. Die Zielsetzung des Ontology Engineering ist die Entwicklung ingenieursartiger
Methodologien zur Erstellung von Ontologien – ähnlich der des Software
Engineering für die Entwicklung von Software-Systemen (vgl. Gómez-Pérez99).
Das Ziel dieser Arbeit besteht in der Erfassung der wesentlichen Charakteristika von
Ontologien für eine differenzierte Betrachtung der Verwendung derselben im Semantic
Web. Zunächst sollen die relevanten Erkenntnisse des Ontology Engineering erörtert
werden, wobei erstens die Spezifika von Ontologien als Technik zur Wissensmodellierung,
zweitens Verfahren zur Entwicklung von Ontologien und drittens deren
Verwendung in Informationssystemen besprochen werden. Auf dieser Grundlage kann
hinsichtlich der Verwendung von Ontologien im Semantic Web herausgearbeitet werden,
welche Rolle sie darin übernehmen sollen und in wieweit die entsprechenden Verfahren
des Ontology Engineering für eine derartige Verwendung ausgereift sind.
Der Fokus liegt dabei auf der sorgfältigen Erarbeitung eines Verständnisses ontologiebasierter
Wissensmodellierung, da die Untersuchung der Verwendung von Ontologien im
Semantic Web lediglich auf der Grundlage eines solchen gründlichen Verständnisses
möglich erscheint. Dabei liegen die Erkenntnisse über diese Modellierungstechnik bisher
lediglich in relativ unstrukturierter Form vor, so dass mit deren Zusammentragung in
dieser Arbeit ein Beitrag zum Verständnis ontologiebasierter Wissensmodellierung geleistet
werden soll. Auf Grund dieser Herangehensweise konzentriert sich die Untersuchung
auf theoretische Aspekte und verfolgt kein konkretes Anwendungsbeispiel. Eine
detaillierte Beschreibung des Aufbaus der Arbeit wird in der folgenden Inhaltsübersicht
gegeben.
3 Das „Semantic Web Community Portal“ ist eine erschöpfende Referenz dieser Gemeinde, auf dem Forschungsprojekte
zusammengetragen werden. Das Portal findet sich unter: www.SemanticWeb.org (08.06.2002).
4 Arbeiten zu diesen Schwerpunkten wurden auf dem ersten „Semantic Web Working Symposium“ vorgestellt (vgl.
Cruz+01).

Einleitung 3
Inhaltsübersicht
Die vorgestellte Zielsetzung bedingt eine Aufteilung dieser Arbeit in einen Teil zur
theoretischen Erfassung von Wissensmodellierung mittels Ontologien und einen Teil zur
Untersuchung der Verwendung derselben im Semantic Web. In den Kapiteln A bis C
wird jeweils ein Schwerpunkt zur Erfassung der Charakteristika ontologiebasierter Wissensmodellierung
erarbeitet, so dass diese Kapitel den ersten Teil darstellen. In Kapitel D
wird aufbauend darauf die Verwendung im Semantic Web als zweiter Teil bearbeitet. Im
Folgenden werden die Schwerpunkte sowie die behandelten Aspekte der einzelnen
Kapitel kurz vorgestellt.
In Kapitel A werden die Grundlagen von Ontologien als Verfahren der Wissensmodellierung
erarbeitet. Dazu wird zunächst die definitorische Erfassung von Ontologien
erläutert. Zur Erlangung eines fundierten Verständnisses von Wissensmodellierung und
der Besonderheiten ontologiebasierter Verfahren ist die Eingliederung dieser in den
relevanten wissenschaftlichen Kontext erforderlich. Die in diesem Zusammenhang betrachtete
Art der Wissensmodellierung dient vornehmlich als konzeptionelle Grundlage
für die Erstellung wissensverarbeitender Computersysteme. Die Entwicklung derartiger
Systeme ist das Hauptanliegen der Künstlichen Intelligenz, weshalb eine Positionierung
ontologiebasierter Verfahren in derselben vorgenommen wird. Dabei sind vor allem jene
Ansätze interessant, auf denen ontologiebasierte Verfahren aufbauen. Zunächst werden
daher die grundlegenden theoretischen Aspekte der Wissensrepräsentation erläutert und
anschließend daran die Bedeutung von Ontologien im Knowledge Engineering aufgezeigt,
um den Verwendungskontext derartiger Verfahren der Wissensmodellierung zu verdeutlichen.
Aufbauend darauf werden die spezifischen Eigenschaften ontologiebasierter Verfahren
der Wissensmodellierung erörtert, wodurch ein grundlegendes Verständnis dieser
Methodik erreicht werden soll.
Der in Kapitel B behandelte Schwerpunkt ist die Ontologie-Entwicklung. Nach der
Erfassung der grundlegenden Charakteristika ontologiebasierter Wissensmodellierung
stehen hier die Anforderungen bei der Erstellung einer Ontologie im Vordergrund. Dazu
werden die wesentlichen diesbezüglichen Errungenschaften des sogenannten Ontology
Engineering erörtert. Es werden zunächst methodologische Ansätze für den Entwicklungsprozess
von Ontologien sowie für die einzelnen Aufgabengebiete entwickelter Techniken
und Verfahren vorgestellt. Anschließend daran werden Design-Kriterien und ein
Ansatz zur Meta-Modellierung besprochen, welche der Qualitätssicherung einer Ontologie
dienen sollen. Diese Betrachtungen sollen eine Übersicht über den Erkenntnisstand
des Ontology Engineering geben, womit ein wesentlicher Aspekt zur Nutzung ontologiebasierter
Verfahren der Wissensmodellierung im Semantic Web abgedeckt wird.
Als letzter Aspekt zur Erfassung der Charakteristika ontologiebasierter Wissensmodellierung
wird in Kapitel C die Fragestellung bearbeitet, wie Ontologien in Informationssystemen
eingesetzt werden können. Dazu werden zunächst die Verwendungsmöglichkeiten
von Ontologien identifiziert. Dann werden Anwendungsgebiete von
Ontologien vorgestellt, welche zum einen Beispiele für die aufgefundenen Einsatzmöglichkeiten
darstellen und zum anderen im Hinblick auf die Untersuchung der Verwen-

Einleitung 4
dung von Ontologien im Semantic Web grundlegende Aspekte desselben erörtern sollen.
Im Anschluss daran werden die wesentlichen softwaretechnischen Herausforderungen
besprochen, die sich durch die Verwendung von Ontologien in Informationssystemen
ergeben. Damit wird die Erarbeitung der wesentlichen Charakteristika ontologiebasierter
Verfahren der Wissensmodellierung als erstem Teil dieser Arbeit abgeschlossen.
Basierend auf diesen Abhandlungen wird in Kapitel D die Verwendung von Ontologien
im Semantic Web behandelt. Dabei ist das Semantic Web nicht als computergestützte
Lösung für ein konkretes Anwendungsgebiet zu verstehen, sondern – ähnlich
wie existente Web-Technologien – als eine informationstechnische Infrastruktur zur
Bereitstellung und Verknüpfung von Applikationen für verschiedene Anwendungsgebiete.
Die technologischen Lösungen zur Umsetzung des Semantic Web befinden sich
noch in der Entwicklungsphase. Daher werden zunächst die grundlegenden Ideen der
Vision des Semantic Web genauer erläutert und das antizipierte Architekturmodell zur
Realisierung derselben vorgestellt, wobei insbesondere die darin angestrebte Rolle von
Ontologien herausgearbeitet wird. Anschließend daran wird die formale Darstellung von
Ontologien durch web-kompatible Sprachen erörtert, wodurch die Verwendung von
Ontologien im Semantic Web ermöglicht werden soll. In diesem Zusammenhang sollen
ferner die Beweggründe für die Verwendung von Ontologien als bedeutungsdefinierende
Konstrukte im Semantic Web verdeutlicht sowie die auftretenden Herausforderungen
hinsichtlich der Handhabung von Ontologien aufgezeigt werden. Dazu werden als dritter
Aspekt des Kapitels entsprechende Lösungsansätze des Ontologie-Managements diskutiert.
Abschließend wird auf die Implikationen für konkrete Anwendungen der Semantic
Web – Technologien eingegangen, die aus der Verwendung von Ontologien im Semantic
Web resultieren.
Zum Abschluss der Ausführungen werden die Ergebnisse der Untersuchung
zusammengefasst. Dabei soll auch eine kritische Betrachtung bezüglich der Notwendigkeit
semantischer Web-Technologien sowie der Realisierbarkeit der Vision des Semantic
Web vorgenommen werden.

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 5
A Grundlagen ontologiebasierter Wissensmodellierung
Die als Ontologie bezeichnete philosophische Disziplin, die ´Lehre des Seins´, beschäftigt
sich unter der Annahme, dass „ ... ein Allgemeines das bestimmende und gestaltgebende
Innere der Dinge sei.“ (Störig63, S. 512ff) mit der objektiven Erfassung von Gegenständen,
deren Eigenschaften und deren Beziehungen untereinander. Dieser Begriff 5
wurde als Bezeichnung für ein Verfahren der Wissensmodellierung übernommen, in dem
ebenfalls die Erfassung von Entitäten und deren Beziehungen untereinander in einem
bestimmten Weltausschnitt verfolgt wird. Im Folgenden sollen die grundlegenden Charakteristika
ontologiebasierter Verfahren der Wissensmodellierung herausgearbeitet werden.
In den relevanten informatorischen Forschungsfeldern existiert eine Vielzahl unterschiedlicher
definitorischer Erfassungen einer Ontologie als Mittel der Wissensmodellierung,
wobei die Definition als „formale, explizite Spezifikation einer geteilten
Konzeptualisierung 6 “ die am weitesten verbreitete und akzeptierte ist. Dabei wird unter
´Konzeptualisierung´ die Identifikation von Entitäten – in diesem Zusammenhang als
Konzepte bezeichnet – und deren Beziehungen untereinander in einer Wissensdomäne
verstanden. Die Anforderung der ´geteilten´ Konzeptualisierung bedeutet, dass diese
durch die beteiligten Akteure der entsprechenden Wissensdomäne gleichermaßen
akzeptiert wird. Eine ´Spezifikation´ ist eine strukturierte, mittels einer spezifischen
Methodik notierte Darstellung einer solchen geteilten Konzeptualisierung. ´Explizit´
bezieht sich in diesem Zusammenhang auf ein eindeutige Bedeutungsdefinition der
Bestandteile einer Ontologie, wodurch inhaltliche Missverständnisse und Mehrfachinterpretationen
minimiert werden sollen. Die ´formale´ Darstellungsforderung besagt in
einem sehr weit gefassten Sinn, dass eine Ontologie in einer maschinenverarbeitbaren
Sprache definiert sein soll (s. Puppe+00, S. 622).
Diese Definition ist zum einen ziemlich allgemein gehalten und zum anderen nicht
nachvollziehbar, solange der entsprechende Kontext nicht bekannt ist. Diesen stellen
Ansätze der Wissensmodellierung dar, die vornehmlich der Konstruktion computergestützter
Informationssysteme zur Bearbeitung wissensintensiver Aufgaben, sogenannter
„Wissenssysteme 7 “, dienen. Die Entwicklung derartiger Systeme ist ein Hauptanliegen der
Künstlichen Intelligenz (KI), weswegen deren Grundlagen hier zur Schaffung des benötigten
Hintergrundverständnisses ontologiebasierter Wissensmodellierung herangezogen
werden sollen. Dazu wird im Folgenden zunächst eine Positionierung ontologiebasierter
Verfahren der Wissensmodellierung innerhalb der KI vorgenommen und auf dieser Basis
anschließend die wesentlichen Charakteristika von Ontologien zusammengetragen. In den
weiteren Ausführungen werden die Bezüge zu anderen Wissenschaftsdisziplinen vor allem
aus dem Bereich des Software Engineering und der Informationswissenschaft aufgezeigt.
5 In der englischsprachigen Fachliteratur wird die Unterscheidung des Begriff mittels einer orthographischen
Konvention erhalten: „Ontology“ mit großen Anfangsbuchstaben referenziert den philosophische Begriff, „ontology“
klein geschrieben bezieht sich auf den informatorischen (vgl. Guarino98, S. 2).
6 „An ontology is a formal, explicit specification of a shared conceptualisation.” (Fensel00, S.8: erweitert nach
Gruber93, S.2).
7 engl.: „Knowledge Systems“ (Schreiber+00, S. 6).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 6
A.1 Positionierung in der Künstlichen Intelligenz
Abgesehen von den unterschiedlichen Auffassungen bezüglich der Zielsetzung und des
Erfolgspotenzials der KI innerhalb ihrer verschiedenen Forschungsströmungen stellt das
Verstehen menschlicher Intelligenz mittels der Konstruktion intelligenter Maschinen das
grundlegende Erkenntnisinteresse der KI-Forschung dar (s. Görz+00b, S. 4; McCarthy
00). Derartige Systeme „ ... verhalten sich (...) für den Betrachter so, als ob sie Intelligenz
besäßen.“ (Duden93, S. 364), indem sie intelligentes Verhalten zu simulieren versuchen.
Obwohl ein derartiges Forschungsinteresse in der westlichen Geistes- und
Wissenschaftstradition seit der Antike existiert (s. Luger01, S. 25-29), wird der Beginn der
modernen KI-Forschung an den Anfang der 1950er Jahre datiert. Ein wesentliches
Kriterium dabei ist, dass die Forschungsarbeiten sich zu diesem Zeitpunkt auf die Entwicklung
intelligenter Computersysteme zu konzentrieren beginnen (s. McCarthy+69, S.
2ff.).
Ein wichtiges Ereignis in der Entwicklung der modernen KI ist eine Konferenz am
Dartmouth College im Jahre 1956. Ziel dieser Konferenz war die Untersuchung der
Struktur von Information und Problemlöseprozessen unter der Prämisse, jede Eigenschaft
von Intelligenz sei derart beschreibbar, dass sie mit einer Maschine simuliert
werden könne. Zur Umsetzung einer solchen Beschreibung sollten entsprechende Techniken
zur Erzeugung und Manipulation von Symbolstrukturen entwickelt werden. Zur
Verarbeitung dieser abstrahierten Darstellungen sollten computergestützte Systeme
dienen, da sie den großen Bedarf an Rechenleistung und ausreichende Flexibilität für die
durchzuführenden Experimente boten. (vgl. McCarthy+55). Diese Zielsetzung determiniert
die Forschung bis heute, weshalb diese Konferenz als „ ... Gründungsereignis der
Künstlichen Intelligenz gewertet ... “ (Görz+00b, S. 3) wird.
Wesentlich ist der spezifische Intelligenzbegriff, mit dem die KI operiert. Es wird
davon ausgegangen, dass Räsonieren eine konstitutive Fähigkeit höherer Intelligenz ist.
Diese tritt vor allem im Zusammenhang des Problemlösens auf, wobei der Rückgriff auf
Wissen über die Welt eine entscheidende Rolle spielt – z.B. bei der Wahl der besten
Handlungsalternative als Folge eines Denkprozesses (s. Görz+00b, S. 1-2). Um derartige
Fähigkeiten in einem formalen System (s. Hofstadter01, S. 37-45) darstellen zu können,
müssen sie operationalisierbar sein. Somit sei die Art der durch KI-Methoden erfassbaren
Intelligenz auf schematische, nicht-personelle Fähigkeiten des intelligenten Operierens
beschränkt (vgl. Görz+00b, S. 1-2). 8 Eine Erweiterung des Intelligenzbegriffs in der KI
wurde durch die Betrachtung sozialer Systeme erreicht. Dabei wird Intelligenz erst durch
die Interaktion einer Vielzahl von relativ einfachen Individuen, bzw. Agenten erzeugt.
Diese Sichtweise bedeutet für die KI, dass nicht allein die logische Problemlösefähigkeit
das Ziel von KI-Technologien darstellt, sondern die Konstruktion von Systemen mit
interagierenden Agenten (s. Luger, S. 37).
8 Bezüglich der Operationalisierbarkeit von Intelligenz und somit der möglichen Simulation durch KI-Techniken
herrschen widersprüchliche Auffassungen. Die Vertreter der „starken KI-These“ behaupten, dass menschliche
Intelligenz reine Berechungsoperationen seien und somit jeder Aspekt von Intelligenz operationalisierbar ist, während
in der „schwachen KI-These“ die operationalisierbare Informationsverarbeitung als lediglich ein Aspekt von vielen
der Intelligenz betrachtet wird (s. Görz+00b, S. 2; Luger01, S. 32-35).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 7
Görz und Wachsmuth unterteilen die Entwicklung der Künstlichen Intelligenz in vier
Phasen: In der ersten Phase stand die Frage nach der generellen technischen Umsetzbarkeit
der Simulation intelligenten Verhaltens im Vordergrund, wie in der Darstellung
der Dartmouth-Konferenz beschrieben (s.o.). Die zweite Phase ist durch die Einrichtung
von KI-Forschungsgruppen charakterisiert, in denen die auftretenden Fragestellungen
systematisch erarbeitet werden sollten. Als dritte Phase wird die Entwicklung von
Roboter- und Problemlösesystemen in den 1970er Jahren aufgefasst, in der vor allem in
den Bereichen der Wissensrepräsentation und Systemarchitektur intelligenter Systeme
Fortschritte erzielt wurden. Die vierte Phase wird durch die umfassende Mathematisierung
des Gebiets und die Entwicklung neuartiger Ansätze hin zu verteilten und
situierten KI-Lösungen charakterisiert. Seit Anfang der 1990er Jahre wird eine Tendenz
hin zu integrierten Ansätzen – vor allem im Zusammenhang mit Internettechnologien –,
sowie ein Paradigmenwechsel hin zu dezentralisierten Systemen mit einfachen interagierenden
Agenten beobachtet (s. Görz+00b, S. 4-5,12).
Aus den Forschungsaktivitäten der Künstlichen Intelligenz haben sich eine Vielzahl
unterschiedlicher Disziplinen entwickelt. Im Folgenden sollen die für den hier betrachteten
Untersuchungsgegenstand relevanten Gebiete der Wissensrepräsentation und des
Knowledge Engineering vorgestellt werden. Ersteres bildet den theoretischen Hintergrund
ontologiebasierter Verfahren der Wissensmodellierung und letzteres stellt den Forschungskontext
dar, aus dem Ontologien als Mittel der Wissensmodellierung hervorgegangen
sind.
A.1.1 Wissensrepräsentation
Die Wissensrepräsentation befasst sich mit der Erstellung von Repräsentationsschemata
für Wissensstrukturen, deren formalisierter Darstellung sowie mit Manipulationswerkzeugen
zur automatisierten Bearbeitung derselben. Die dabei erworbenen Erkenntnisse
dienen als Grundlagentechnologie für intelligente Systeme, weshalb dieses Forschungsfeld
eine Kerndisziplin der Künstlichen Intelligenz darstellt. Darin wurden unter anderem Verfahren
der Wissensmodellierung entwickelt, welche die Basis ontologiebasierter Wissensmodellierung
darstellen. Daher sollen hier die theoretischen Grundlagen sowie die
wesentlichen Lösungsansätze als Ausgangspunkt für die Erarbeitung eines grundlegenden
Verständnisses ontologiebasierter Wissensmodellierung erläutert werden.
A.1.1.1 Theoretische Grundlagen
Die Verfahren der Wissensrepräsentation basieren auf der sogenannten Symbolsystemhypothese,
welche im Zuge der oben genannten Dartmouth-Konferenz formuliert und in
der Folgezeit weiter ausgearbeitet wurde. 9 Diese besagt, dass „ ... Intelligenzphänomene
allein auf der Basis von Symbolverarbeitung ...“ (s. Görz+00b, S. 6) simulierbar seien.
Dies impliziere, dass zur Entwicklung intelligenter Systeme lediglich ein Symbolsystem zur
Erfassung der Wissensstruktur mit darauf arbeitenden Operationen zur Problemlösung
entworfen werden müsse (s. Luger01, S. 57). Durch alternative Konzepte wurde Simulierbarkeit
intelligenten Verhaltens einzig und allein durch Symbolverarbeitung zwar revidiert,
9 siehe: Newell, A.: Physical symbol systems. Cognitive Science 4, S. 135-183, 1980.

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 8
aber die Hypothese stellt noch immer einen wesentlichen Grundbaustein für Techniken
der Wissensrepräsentation in der Künstlichen Intelligenz dar.
Eine Erweiterung dieses Konzepts ist die Hypothese der sogenannten Wissensebene 10 ,
auf der das Wissen eines Systems beschreibbar ist. In der Hierarchie abstrahierender
Beschreibungsebenen von Computerprogrammen, beginnend mit elektrotechnischen
Aspekten bis hin zu Datenstrukturen, nimmt die Wissensebene die oberste Schicht ein (s.
Newell81, S. 94-100). Auf dieser Ebene stellt das äußerlich sichtbare Verhalten eines
Systems den Indikator für das Wissen des Systems dar. Die Verbindung zwischen intelligentem
Verhalten und Wissen wird dabei durch das Rationalitätsprinzip fixiert. Dieses
besagt, dass ein Agent jene Handlungsalternative wählen wird, von welcher er auf Grund
seines Wissens die wahrscheinlichste Erreichung seiner Ziele erwartet (s. Newell81, S.
102ff). Wesentlich ist dabei, dass die dafür benötigten Repräsentationen in der direkt
unter der Wissensebene angeordneten Symbolebene gehalten werden. Somit wird eine
strikte Trennung zwischen dem Wissen eines Systems und der – laut der Symbolsystemhypothese
– zur technischen Realisierung benötigten Repräsentation desselben vorgenommen
(s. Newell81, S. 117-121). Dabei fungiert das Wissen als Anforderungsspezifikation
für die Repräsentation auf der Symbolebene und ist seinerseits an die Existenz
eines entsprechenden physikalischen Symbolsystems gebunden (s. Görz+00b, S. 7).
Das Ziel der Wissensrepräsentation liegt in der Entwicklung von Verfahren, die den
Anforderungen aus der Symbolsystem- und der Wissensebenenhypothese entsprechen.
Auf Grund der Relevanz derartiger Techniken für die Entwicklung intelligenter Systeme
ist die wissenschaftliche Durchdringung dieses Gebietes relativ weit fortgeschritten. Für
ontologiebasierte Verfahren der Wissensmodellierung sind dabei vor allem Erkenntnisse
über Darstellungsmethoden für Symbolstrukturen sowie über die Entwicklung konzeptioneller
Modelle als methodologische Grundlage relevant. Im Folgenden sollen daher
die wesentlichen diesbezüglichen Aspekte vorgestellt werden.
A.1.1.2 Repräsentationsschemata und -formalismen
Ein Repräsentationsschema ist eine Methodik zur Darstellung der relevanten Aspekte der
Struktur einer Wissensdomäne auf einem geeigneten Abstraktionsniveau zur Gewährleistung
der angestrebten Funktionalität eines intelligenten Systems (s. Luger01, S. 226).
Durch die Abbildung des relevanten Weltausschnitts mittels eines solchen Schemas
entsteht ein konzeptionelles Modell desselben, welches in eine maschinenlesbaren Darstellung
überführt wird und dann als „Wissensbasis“ (Owsnicki-Klewe+00, S. 153) eines
intelligenten Systems fungiert. Um eine angemessene funktionale Qualität des Systems zu
ermöglichen, werden an ein Repräsentationsschema folgende Anforderungen gestellt.
Erstens soll die syntaktische sowie die semantische Eindeutigkeit, also eine Homomorphie
der Wissenselemente gewährleistet sein (Kommunikativität). Zweitens sollen die
relevanten Informations- und Wissensphänomene innerhalb der Domäne bezüglich ihrer
Komplexität erfassbar sein (Ausdrucksstärke) und drittens soll sich die Darstellung in
10 engl.: “Knowledge Level Hypothesis” (Newell81, S. 99).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 9
effektiver Art und Weise durch einen entsprechenden Repräsentationsformalismus
implementieren lassen (Operationalisierbarkeit) (s. Owsnicki-Klewe+00, S. 157f).
Obwohl im Zuge der oben angeführten Wissensebenenhypothese logikbasierte
Ansätze als geeignetste Form der Wissensrepräsentation proklamiert wurden, haben sich
andere Notationsformen in der Künstlichen Intelligenz entwickelt. Bei den logikbasierten
Ansätzen lag der Fokus auf der Fähigkeit zum korrekten und vollständigen Schließen
mittels rein logischer Ausdrücke, wobei die Prädikatenlogik 11 als geeignetster Formalismus
angesehen wurde (s. Luger01, S. 226). Die Erfassung von Wissensstrukturen durch diese
Art der Darstellung wies allerdings erhebliche Mängel auf, da die „epistemologische
Neutralität“ (Owsnicki-Klewe+00, S. 171) der Prädikatenlogik den Systementwickler zur
logischen Darstellung jedes einzelnen Zusammenhangs zwingt, wodurch sich der
Entwicklungsaufwand extrem erhöht. Daher wurden mit den sogenannten „assoziationistischen
Theorien“ (Luger01, S. 227) Schemata zur Wissensrepräsentation entworfen,
bei denen die Bedeutungsfestlegung über eine netzwerkartige, graphenbasierte Erfassung
der Objekte mit ihren Beziehungen erreicht wird. Da diese Art der Wissensrepräsentation
eine wesentliche Grundlage für Ontologien darstellt, werden hier die wichtigsten Ansätze
kurz vorgestellt. 12
Der erste zu erwähnende Ansatz sind sogenannte ´semantische Netze´. Darin werden
die Konzepte und deren Beziehungen in „ ... ein[em] gerichtete[n] Graph mit bewerteten
Knoten und Kanten“ (Endres-Niggemeyer98, S. 16) abgebildet. Abbildung 1 zeigt ein
Beispiel einer solchen Darstellung. Die Knoten stellen Konzepte und die bipolaren
Kanten deren Beziehungen untereinander dar, so dass hierarchische Strukturen und
andersartige Relationen implizit erfasst werden können. Der wesentliche Vorteil dieser
Abbildung 1: Beispiel eines semantischen Netzes 13
11 Die Prädikatenlogik basiert auf der Aussagenlogik, in welcher logische Ausdrücke dargestellt und entsprechende
logische Operationen darauf durchgeführt werden können. In der Prädikatenlogik werden diese Möglichkeiten durch
die Nutzung von Variablen sowie der Zugriffsmöglichkeit auf die Komponenten komplexer Ausdrücke erweitert. Die
wesentlichen Beweggründe zur Nutzung der Prädikatenlogik zur Repräsentation von Wissensstrukturen liegen in
ihrer wohldefinierten Semantik, der Beweisbarkeit von Schlussfolgerungen sowie deduktiver Fähigkeiten. Übersichten
der Prädikatenlogik finden sich in (Luger01, S. 71-101) sowie in gängigen Lehrbüchern der KI.
12 Es sei angemerkt, dass diese traditionellen Repräsentationsschemata zur Entwicklung globaler Wissensbasen
dienen sollten. Neuere Forschungsansätze beschäftigen sich mit entsprechenden Verfahren zur Darstellung von verteiltem
Wissen und Schließen mit unvollständiger Informationen. Diese Ansätze sind auch für die ontologiebasierte
Wissensmodellierung relevant, werden aber erst später wieder aufgegriffen (s. C.2.1). Hier sind zunächst die grundlegenden
Ideen interessant.
13 entnommen aus: (Endres-Niggemeyer98, S. 16).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 10
Notationsform gegenüber der Prädikatenlogik liegt darin, dass die Bedeutungen der Beziehungen
nicht mehr explizit durch logische Ausdrücke dargestellt werden müssen (s.
Luger01, S.233). Allerdings fällt hierbei die ungenaue Differenzierung unterschiedlicher
Arten von Relationen bezüglich ihrer Bedeutung auf (vergleiche ist_ein mit Teil_von, bzw.
hat_Sprache), weswegen mit der Theorie der konzeptuellen Abhängigkeiten eine diesbezügliche
Standardisierung verfolgt wurde. Darin werden grundlegende Arten von
Konzepten und Relationen auf einer Meta-Ebene unterschieden, wodurch deren jeweilige
Bedeutung vordefiniert ist und somit die Mehrdeutigkeit von Ausdrücken reduziert, beziehungsweise
verhindert werden kann (s. Luger01, S. 233-239). Mit sogenannten Skripten
wird die gleiche Zielsetzung verfolgt. Durch die Beschreibung stereotyper Handlungsabläufe
in der Wissensdomäne kann die jeweils intendierte Bedeutung von Begriffen aus
dem Handlungsumfeld zugeordnet werden, wodurch ebenfalls Mehrfachinterpretationen
vermieden werden können (vgl. Luger01, S. 239-243). Der letzte zu erwähnende Ansatz
traditioneller Repräsentationsschemata sind Frames (dt. = Rahmen). Wie in Abbildung 2
dargestellt, werden darin die impliziten Relationsinformationen in einer objektartigen
Struktur erfasst (s. Luger, S. 243-247). Somit können Objekte der realen Welt in einer für
Menschen verständlichen und für Maschinen verarbeitbare Darstellung erfasst werden. 14
Frankreich
ist_ein
hat_Teil
hat_Sprache
Land
Paris
Französisch
Paris
ist_ein
ist_Teil_von
Französisch
ist_ein
Abbildung 2: Beispiel Frame-Struktur 15
Stadt
Frankreich
Sprache
ist_Sprache_von Frankreich
Ein moderner Ansatz für derartige Repräsentationsschemata sind sogenannte Konzeptgraphen.
16 Darin werden die Wissensstrukturen in einem bipartiden Graph dargestellt,
wobei die Konzeptknoten nur Verbindungen zu Relationsknoten haben (ähnlich einem
Entity-Relationship-Diagramm). Weiterhin werden Objekttypen und Instanzen zur genaueren
Beschreibung von Konzepten sowie das Konzept der Vererbung für die Darstellung
hierarchischen Wissens bereitgestellt (s. Luger01, S. 247-258). Die Bedeutung
dieses Ansatzes für die ontologiebasierte Wissensmodellierung wird später behandelt.
Abschließend ist zu diesen Ansätzen anzumerken, dass sie im Hinblick auf die
Darstellung komplexer Zusammenhänge gleich mächtig sind wie die Prädikatenlogik, aber
Vorteile bezüglich der Ausdrucksstärke für Relationen aufweisen (s. Luger01, S. 227f). Mit
ihnen kann die epistemologische Struktur einer Wissensdomäne erfasst werden, aber sie
sind nicht zur Darstellung der semantischen Struktur geeignet (s. Luger01, S. 233). Dieses
soll mittels Ontologien geschehen, wie im weiteren Verlauf aufgezeigt werden wird (s.
A.2.1.2).
14 Auf diesem Paradigma beruht der objekt-orientierte Ansatz des Software Engineering, welcher auf Grund seiner
informationsverarbeitenden Stärken in den letzten Jahren weite Verbreitung fand (s. Görz+00b, S. 8; vgl. Balzert99).
15 Beispiel aus Abbildung 1 in Frame-Darstellung: Die Notation ist (Luger01, S. 245) entnommen.
16 siehe: Sowa, J. F.: Conceptual Structures. Information Processing in Mind and Machine. Reading, MA: Addison
Wesley 1984.

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 11
Auf die Erfassung einer Wissensstruktur mittels eines Repräsentationsschemas folgt
die Operationalisierung, also die Überführung in einen Repräsentationsformalismus.
Damit wird die Maschinenlesbarkeit des repräsentierten Wissens und somit die Verwendbarkeit
in computergestützten Systemen erreicht. Die dazu verwandten Wissensrepräsentationssprachen
müssen in der Lage sein, die Komplexität der erfassten Wissensstruktur
ausdrücken zu können und eine effiziente informationstechnische Verarbeitung
zu gewährleisten (s. Owsnicki-Klewe+00, S. 171). Um diesen Anforderungen zu genügen,
sollte eine solche Sprache folgende Fähigkeiten aufweisen. Erstens sollte qualitatives
Wissen beschreibbar sein – also die Erfassung von Beziehungszusammenhängen anstatt
reiner Datenverarbeitung. Zweitens soll neues Wissen aus dem vorhandenen über inferenzielle
Verknüpfungen ableitbar sein. Drittens soll die Darstellung von allgemeinabstrakten
als auch von speziell-detaillierten Zusammenhängen möglich sein. Viertens
sollen komplexe semantische Konstrukte beschreibbar sein und fünftens die Möglichkeit
zur Darstellung von Meta-Wissen gegeben sein (vgl. Luger01, S. 60-65).
Wesentlich für die Qualität derartiger Sprachen ist, dass sie eine formal definierte Semantik
aufweisen. Das heißt, dass jedem Primitivum und jedem Operator eine eindeutige
Bedeutung zugewiesen und somit die Homomorphie von Ausdrücken gewährleistet ist.
Dazu haben logische Methoden sich als geeignetes Werkzeug etabliert. Somit folgt die
Situation, dass logikbasierte Formalismen zwar nicht direkt als Repräsentationsformalismus
verwandt, aber als Analysewerkzeug eingesetzt werden (s. Owsnicki-
Klewe+00, S. 175f). Für die besprochenen Repräsentationsschemata wurden jeweils
entsprechende Wissensrepräsentationssprachen entwickelt. Auch für Ontologien werden
entsprechende Repräsentationsformalismen benötigt, welche ebenfalls später ausführlich
behandelt werden.
A.1.1.3 Modellbasierter Ansatz
Als abschließender Aspekt aus dem Bereich der Wissensrepräsentation soll der modellbasierte
Ansatz erläutert werden, der aus einem Paradigmenwechsel innerhalb des
Knowledge Engineering (s. A.1.2) hervorging. Dabei wurde zunächst im sogenannten
Transfer-Ansatz das Wissen menschlicher Experten in eine formale Repräsentation überführt
und das entsprechende Problemlösewissen durch Schlussregeln darauf aufgesetzt.
Diese Vorgehensweise zeigte jedoch erhebliche Schwächen, da zum einen implizit schwer
formalisierbares Alltagswissen in den Problemlöseprozess menschlicher Experten einfließt
und zum anderen, weil die nötige erschöpfende Erfassung der Wissensdomäne allein
durch Extraktion von Expertenwissen nicht möglich erschien (s. Studer+98, S. 2f). Daher
wurde die Erstellung eines konzeptuellen Modells der Wissensdomäne als zusätzlicher,
vorgelagerter Schritt eingeführt. Darin sollte die statische Wissensstruktur auf Basis
mehrerer Quellen derart erfasst werden, dass eine umfassende, konzeptionell korrekte
Abbildung der Domäne entsteht. Auf dieser kann eine entsprechende Inferenzmaschine
das benötigte Problemlösewissen realisieren (vgl. Struss00, S. 431-433).
Bei derartigen Verfahren stellt die Wissensbasis als wissensrepräsentierende Komponente
eines intelligenten Systems die modellhafte Abbildung der Wissensdomäne dar,
welche auf einer objektiven Analyse der Wissensstrukturen beruht. Daher werden diese

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 12
Verfahren als Wissensmodellierung bezeichnet, womit die Abgrenzung zur einfachen Repräsentation
durch Symbolsysteme verdeutlicht werden soll (s. Struss00, S. 431f). Da bei
der Entwicklung einer Ontologie dieser Ansatz verfolgt wird, können sie als ein Verfahren
der Wissensmodellierung bezeichnet werden. Dabei nimmt das konzeptionelle
Modell der Wissensdomäne eine bedeutende Rolle ein (s. A.2.1.1), weswegen hier die
wesentlichen Aspekte eines solchen Modells kurz aufgeführt werden sollen.
Ein Modell soll eine „ systematische, strukturierte Darstellung von Wissen über einen
Gegenstand(sbereich) [sein], aus der Aussagen über das Verhalten des Gegenstandes
ableitbar sind“ (Struss00, S. 432). Als grundlegendes Prinzip wird dabei die Trennung des
deklarativen Wissens 17 vom Inferenzwissen verfolgt. Diese beiden Wissensarten werden
auf Grund ihrer unterschiedlichen Charakteristika in verschiedenenartigen Modellen erfasst,
so dass ein konzeptionelles Modell aus einer Wissensrepräsentation mittels entsprechender
Repräsentationsschemata und –formalismen (s. A.1.1.2) sowie aus verhaltensbeschreibenden
Elementen 18 besteht (s. Struss00, S. 439-450). Zur Erstellung eines
solchen Modells ist der relevante Weltausschnitt, die inhaltliche Tiefe sowie die Komplexität
der inferenziellen Kompetenz des Modells zu bestimmen. Wesentlich ist die Validation
bezüglich der konzeptionellen Korrektheit des Modells (s. Owsnicki-Klewe+00, S. 161-
174). Ziel bei der Entwicklung modellbasierter Systeme ist unter anderem auch die
Erstellung von Bibliotheken wiederverwendbarer Modelle, um die Komposition neuer
Wissensmodelle aus existenten Modellkomponenten zu ermöglichen (s. Struss00, S. 440
ff). Detailliertere Betrachtungen dieser Aspekte werden an den entsprechenden Stellen in
den weiteren Ausführungen vorgenommen.
A.1.2 Knowledge Engineering
Die Disziplin des Knowledge Engineering entstand als Methodenlehre zur Entwicklung
Wissensbasierter Systeme 19 innerhalb der Künstlichen Intelligenz und stellt damit ein anwendungsorientiertes
Forschungsgebiet dar, in dem Ansätze und Lösungen für die vorhergehend
beschriebenen Problemstellungen der Wissensmodellierung und der Entwicklung
entsprechender intelligenter Systeme erarbeitet wurden. Im Zuge der Forschungsarbeiten
wurden unter anderem Ontologien als grundlegendes Modellierungskonzept eingeführt
und verwendet, weshalb die diesbezüglichen Aspekte des Knowledge Engineering
als Entstehungshintergrund ontologiebasierter Verfahren der Wissensmodellierung erläutert
werden sollen. Weiterhin bestehen auf Grund gleichartiger Fragestellungen viele
inhaltliche Verknüpfungen zwischen Knowledge Engineering und den in dieser Arbeit
untersuchten ontologiebasierten Ansätzen, so dass in den weiteren Betrachtungen die
relativ umfangreichen Kenntnisse dieses Forschungsgebiets referenziert werden können.
17 Als deklaratives oder deskriptives Wissen wird das durch Fakten, Regeln, Listen, Tabellen und Bilder dargelegte
Wissen bezeichnet (s. Hesse96, S. 252).
18 Hierbei ist nicht die getrennte Inferenzmaschinerie gemeint. Es sollen lediglich die statischen Zusammenhänge der
Wissensdomäne erfasst werden. Als Inferenzmaschinerie wird die aufgabenbezogene Nutzung des Modells verstanden.
Also ein intelligentes Programm, welches mit Hilfe des Modells eine bestimmte Funktionalität erfüllt.
19 engl: „Knowledge-based Systems“ (s. Studer+98, S. 2), abgekürzt als KBS. Darunter werden Systeme verstanden,
die Wissensstrukturen in einem allgemeinen Sinn verarbeiten. Wissen wird dabei als pragmatische Daten (= in einer
definierten Syntax notierte Signale) und Informationen (= mit semantischer Bedeutung versehene Daten) verstanden,
welche ein Individuum zum Handeln befähigen (s. Schreiber+00, S. 3-5).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 13
Der Begriff des Knowledge Engineering wurde Anfang der 1980er Jahre geprägt,
wobei in Anlehnung an die Zielsetzung des Software Engineering systematische und
wissenschaftlich reflektierte Methoden zur Entwicklung Wissensbasierter Systeme erarbeitet
werden sollten. Dabei wurde vor allem anwendungsorientierten Fragestellungen
hinsichtlich Techniken zur Erfassung, Darstellung und Verarbeitung von Wissensstrukturen
nachgegangen. Als hauptsächliche Forschungsgebiete des Knowledge Engineering
entstanden die Wissensakquisition, die Wissensmodellierung und -formalisierung
sowie der Prozess der Systementwicklung. Die dabei gewonnenen Erkenntnisse sollten in
umfassende ingenieursartige Methodologien zur Entwicklung Wissensbasierter Systeme
zusammengefasst werden (s. Puppe+00, S. 599ff).
Zur Erläuterung des Entstehungskontextes ontologiebasierter Verfahren der Wissensmodellierung
sollen hier als wesentliche Errungenschaften des Knowledge Engineering
die Differenzierung verschiedener Wissensarten sowie generische, also allgemeingültige
und damit wiederverwendbare Wissensmodelle zur Darstellung derselben genauer betrachtet
werden. Die Differenzierung der Wissensarten beruht auf der unterschiedlichen
funktionalen Verwendung von Wissensstrukturen in Wissensbasierten Systemen. Gemäß
dem modellbasierten Ansatz (s. A.1.1.3) werden dabei Domänen- und Inferenzwissen
unterschieden und in separaten, voneinander unabhängigen Modellen erfasst. Auf Grund
dieser Unterscheidung können die zur Entwicklung eines Wissensbasierten Systems relevanten
Aspekte einer Wissensdomäne hinsichtlich der einzelnen Wissensarten betrachtet
werden, wodurch eine differenzierte Erfassung der Domänenstruktur ermöglicht wird.
Für jede Wissensart wird eine spezifische Repräsentationsform zur Erfassung der jeweils
relevanten Aspekte verwendet (s. Puppe+00, S. 606). Um existente Erfassungen von
Wissensstrukturen wiederverwenden zu können, werden ihre konzeptionellen Strukturen
mittels sogenannter „Wissensmodelle“ (Puppe+00, S. 617) beschrieben, welche im Folgenden
genauer betrachtet werden. Anschließend daran soll die kurze Darstellung ausgewählter
Methodologien des Knowledge Engineering vertiefenden Einblick in die
Differenzierung der Wissensarten sowie der Verwendung der Wissensmodelle geben.
A.1.2.1 Wissensmodelle
Wie schon angedeutet, besteht das Ziel der hier als Wissensmodelle bezeichneten Konstrukte
in einer abstrahierenden und allgemein gehaltenen Beschreibung einer Wissensstruktur.
Dabei soll die konzeptionelle Beschaffenheit derselben erfasst werden, weshalb
sie auch als „Modellierung der Wissensebene 20 “ (s. A.1.1.1) bezeichnet werden. Da die
Erstellung einer Wissensbasis 21 eine sehr aufwendige Analyse sowie die entsprechenden
Fähigkeiten vom Wissensingenieur 22 verlangt, soll ihm mit derartigen Modellen die Möglichkeit
zur Wiederverwendung bereits erfasster Wissensstrukturen beziehungsweise Lösungsansätze
für ähnliche Fragestellungen als Referenz gegeben werden. Als ein derartiges
Wissensmodell für das Domänenwissen wurden Ontologien und für das Inferenzwissen
20 engl.: „ Knowledge Level Model“ (Wielinga94, S. 19).
21 Als Wissensbasis eines Systems wird die Menge der formalisierten Wissensstrukturen bezeichnet, die das System
zur Erfüllung seiner wissensverarbeitenden Aufgaben benötigt (s. Pupp+00, S. 599f).
22 engl: „Knowledge Engineer“ (Schreiber+00, S. 20): Tätigkeitsbezeichnung für den Systemanalysten, dessen
Aufgabe vornehmlich in der Modellierung der wissensverarbeitenden Fähigkeiten eines Systems liegt.

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 14
sogenannte Problem Solving Methods entwickelt (vgl. Gómez-Pérez+99), welche im Folgenden
vorgestellt werden.
A.1.2.1.1 Problem Solving Methods
Das primäre Ziel Wissensbasierter Systeme ist die Simulation intelligenten Verhaltens
durch das automatisierte Lösen von Problemen (s. A.1). Bei der Umsetzung entsprechender
Verfahren wurden allgemeine Muster aufgefunden, mit denen gleichartige Problemstellungen
behandelt werden können. Zur Erfassung dieser Muster werden sie mit einer
Problem Solving Method (= PSM) beschrieben, womit ein standardisierter und somit
wiederverwendbarer Lösungsansatz für die Problemstellung definiert wird (s. Gómez-
Pérez+99, S. 7).
Dazu werden in einer PSM die nötigen Inferenzschritte, deren Reihenfolge und das zur
Lösung der Aufgabe benötigte Wissen über die Domäne spezifiziert. Somit entsteht ein
abstrahierendes Lösungsmuster für mehrere Aufgaben des gleichen Typus, welches der
Entwickler eines Systems lediglich auf die konkreten Zusammenhänge übertragen muss.
Um die Wiederverwendbarkeit zu ermöglichen, werden PSM in entsprechenden
Bibliotheken organisiert (s. Studer+98, S. 21-24). Die Forschungsarbeiten auf diesem
Gebiet sind relativ umfangreich. Da für den hier untersuchten Zusammenhang weitere
Ausführungen dieser Thematik nicht nötig erscheinen, wird auf die entsprechende
Fachliteratur verwiesen 23 .
A.1.2.1.2 Ontologien
Wie im Zusammenhang der PSMs (s. A.1.2.1.1) erwähnt, wird für die Problemlösefähigkeit
eines Wissensbasierten Systems Wissen über die Anwendungsdomäne benötigt.
Dieses wird in entsprechenden „Domänenmodellen“ (s. Puppe+00, S. 624) abgebildet, in
denen die statischen Zusammenhänge der Wissenselemente und deren Relationen erfasst
werden. Eine Ontologie stellt ein vordefiniertes Vokabular für ein solches Domänenmodell
der Elemente der Wissensstruktur zur Verfügung. Die Zielsetzung bei einer derartigen
Verwendung von Ontologien ist die Sicherstellung der einheitlichen Verwendung
der Begrifflichkeiten der Wissensdomäne, wodurch fehlerhafte Modellierungen und somit
konzeptionell bedingte Fehlfunktionen verhindert werden sollen. Eine Ontologie kann
dabei als Referenz für mehrere Domänenmodelle dienen und stellt somit ein Wissensmodell
im oben beschriebenen Sinne dar (s. Puppe+00, S. 622).
Als Hilfsmittel in der Systementwicklung können unterschiedliche Arten von
Ontologien verwendet werden, wobei sie jeweils als Wissensmodell zur bedeutungsdefinierenden
Erfassung der Wissensdomäne fungieren. Für die weiteren Ausführungen
seien hier zunächst sogenannte Domänenontologien für die Erstellung von Domänenmodellen
und Methodenontologien für die Erstellung von Problem Solving Methods
genannt (s. Puppe+00, S. 623). 24 Als wesentlicher Aspekt soll an dieser Stelle die zentrale
Rolle von Ontologien als bedeutungsdefinierendes Wissensmodell für die Erstellung des
konzeptionellen Modells einer Wissensbasis festgehalten werden.
23 Eine Übersicht sowie weiterführende Literaturangaben finden sich in (Gómez-Pérez+99).
24 Eine ausführliche Behandlung verschiedener Arten von Ontologien wird im Zusammenhang mit deren Verwendung
in Informationssystemen vorgenommen (s. C.1.1.2)

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 15
A.1.2.2 Methodologien
Zu Verdeutlichung der vorgestellten theoretischen Errungenschaften des Knowledge
Engineering sollen im Folgenden die Differenzierung verschiedener Wissensarten sowie
die Verwendung von Ontologien genauer betrachtet werden, wozu die diesbezüglichen
Erkenntnisse zweier Methodologien des Knowledge Engineering besprochen werden.
Aus der CommonKADS-Methodologie wird die Unterscheidung der Wissensarten sowie
die Modellierung des Domänenwissens unter der Verwendung von Ontologien erläutert
und aus dem PROTÉGÉ-Ansatz soll die differenziertere Verwendung von Ontologien
zur Konzeption Wissensbasierter Systeme vorgestellt werden. Die Auswahl dieser beiden
Methodologien begründet sich darin, dass die wesentlichen Erkenntnisse für den hier verfolgten
Untersuchungsaspekt aus diesen hervorgingen. Eine vergleichende Übersicht
weiterer Forschungsansätze mit ähnlichen Zielsetzungen findet sich in (Angele+97).
A.1.2.2.1 CommonKADS
Die CommonKADS-Methodologie entstand im Zuge des ESPRIT IT- Projektes 25 und
verfolgt das Ziel, ein umfassendes und standardisiertes Verfahren des Knowledge Engineering
zu entwerfen (s. Schreiber+00, S. xii). Der Ansatz basiert auf einer Kollektion von
Modellen (siehe Abbildung 3), durch deren sukzessive Erstellung die Entwicklung eines
Wissensbasierten Systems durchgeführt wird.
Dabei wird zunächst zur Erfassung des Nutzungsumfeldes des Systems die Organisationsstruktur
der Wissensdomäne im Organisations-Modell beschrieben. Im Aufgaben-
Modell werden die auszuführenden Aufgaben spezifiziert und in hierarchischer Art und
Weise gegliedert. Im Agenten-Modell werden die ausführenden Agenten erfasst. Auf
dieser Grundlage wird das Konzept des zu entwickelnden Systems erstellt, wobei im
Expertise-Modell das benötigte Problemlösewissen und im Kommunikations-Modell die
nötigen Interaktionen und Informationsflüsse beschrieben werden. Abschließend wird als
Implementierungsgrundlage die so entstandene Konzeption in das Design-Modell
überführt. 26 Abbildung 3: CommonKADS – Modell Kollektion 27
25 Europäisches Forschungsprojekt mit Vertretern aus der Forschung und der Industrie. In verschiedenen Projekten im
Bereich des Knowledge Engineering entstand unter anderem der KADS-Ansatz (Knowledge Acquisition and Design
Structuring) zur Entwicklung Wissensbasierter Systeme. CommonKADS als Weiterentwicklung von KADS gilt als
eine der wichtigsten Methodenlehren des Knowledge Engineering und wurde in mehreren Forschungsansätzen
erweitert. Eine detaillierte Übersicht findet sich im sogenannten Textbook (vgl. Schreiber+00) sowie im Internet auf
der Website, siehe: www.commonkads.uva.nl (16.07.2002).
26 Eine detaillierte Erläuterung der einzelnen Modelle findet sich in (Schreiber+00).
27 entnommen aus: (Schreiber+00, S. 18). Die Übersetzung der Begrifflichkeiten ist an (Puppe+00, S. 626) angelehnt.
In der Literatur wird das Expertise-Modell mancherorts auch als Wissensmodell (engl.: „Knowledge Model“) bezeichnet
(s. Schreiber+00, S. 19).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 16
Für den hier betrachteten Zusammenhang ist vor allem das Expertise-Modell von
Bedeutung, in dem die oben erwähnte Differenzierung von Wissensarten vorgenommen
wurde. Dabei wird neben der Trennung von Domänen- und Inferenzwissen das sogenannte
Aufgabenwissen unterschieden, welches die Struktur zu lösender Aufgaben zur
Erfassung der Funktionsweise eines Wissensbasierten Systems spezifiziert (s. Wielinga94,
S. 20). Für die Erfassung dieser Wissensarten werden jeweils spezifische Darstellungsformen
verwendet, wobei hinsichtlich der Verwendung von Ontologien das Verfahren
zur Modellierung des Domänenwissens genauer erläutert werden soll.
Abbildung 4: CommonKADS – Modellierung Domänenwissen 28
Abbildung 4 zeigt die verwendeten Komponenten zur Modellierung des Domänenwissens.
Die Domänenmodelle (engl.: „domain models“) stellen jene Aspekte bereit, die
für die Problemlösefähigkeiten des Systems benötigt werden. Dabei handelt es sich um
eine zweckdienliche Darstellung eines Teils des Domänenwissens und nicht um eine
modellhafte Abbildung der gesamten Wissensstruktur der Domäne. Zur Vermeidung von
Fehl- oder Mehrfachinterpretationen wird die Bedeutung der in den Domänenmodellen
verwendeten Modellierungsprimitive als sogenanntes „Meta-Domänenwissen 29 “ separat
im Modell-Schema (engl.: „model schema“) definiert. Für diese beiden Komponenten
stellen jeweils spezifische Ontologien das benötigte Vokabular zur Verfügung. In der
Domänen-Ontologie sind die Entitäten der Wissensdomäne, deren Relationen und taxonomische
Struktur und in der Modell-Ontologie ist eine Typologie dieser Entitäten definiert
(s. Wielinga94, S. 13-15). Dieser Aufbau verdeutlicht das oben erläuterte Verwendungskonzept
von Ontologien als Wissensmodell (s. A.1.2.1.2).
A.1.2.2.2 PROTÉGÉ
Als zweite Methodologie soll jene des PROTÉGÉ-Projekts 30 vorgestellt werden. Dieser
Ansatz befasst sich mit der Entwicklung von Problem Solving Methods und Ontologien
als wiederverwendbare Komponenten für Wissensbasierte Systeme im Sinne generischer
Wissensmodelle (s. Puppe+00, S. 628). Hier soll die Verwendung von Ontologien in-
28 entnommen aus (Wielinga94, S. 23).
29 engl.: „meta domain knowledge“ (Wielinga94, S. 15).
30 PROTÉGÉ-Projekt: Forschungsprojekt der Stanford University, in dem seit Ende der 1980er Jahre Lösungen für
den Bereich des Knowledge Engineering erarbeitet werden. Der hier betrachtete Ansatz wird als PROTÉGÉ-II, die
aktuellen Forschungen als PROTÉGÉ2000 bezeichnet. Weiterführende Informationen dazu finden sich im Internet
auf der Homepage des Projektes unter: protege.semanticweb.org (08.06.2002).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 17
nerhalb dieses Ansatzes genauer beleuchtet werden, wobei eine verbesserte Wiederverwendbarkeit
von Ontologien als Wissensmodelle angestrebt wird.
Zur Erstellung einer Ontologie als bedeutungsdefinierendem Hilfskonstrukt für die
Entwicklung eines Wissensbasierten Systems werden verschiedene existente Ontologien
kombiniert, wodurch der Grad der Wiederverwendbarkeit von Wissensmodellen erhöht
werden soll. Als existente Ontologien werden dabei entsprechende Domänenontologien
und Methodenontologien (s. A.1.2.1.2) verwendet. Diese sollten möglichst allgemein
gehalten und unabhängig voneinander definiert sein, um als wiederverwendbare Wissensmodelle
ein möglichst breites Verwendungsfeld abzudecken. Die zu erstellende Ontologie
für ein konkretes Wissensbasiertes System wird aus der Domänenontologie und der Methodenontologie
der entsprechenden Wissensdomäne zusammengestellt, wobei nur die in
der Anwendung benötigten Wissensstrukturen übernommen werden. Somit entsteht eine
sogenannte Applikationsontologie (engl.: „application ontology“) als bedeutungsdefinierende
Grundlage des Systems, welche die Bedeutung aller benötigten Wissensstrukturen
enthält (s. Studer+98, S. 14-15). Abbildung 5 verdeutlicht diesen Zusammenhang.
Domänen-
Modell
bedeutungsdefinierende
Begriffbasis
Problem
Solving Method
Applikations-
Ontologie
Domänen-
Ontologie
Zusammenführung
Methoden-
Ontologie
Abbildung 5: PROTÉGÉ – Erstellung einer Applikationsontologie 31
Aus einer derartigen Verwendung ergeben sich einerseits Vorteile hinsichtlich der
Wiederverwendbarkeit von Ontologien, da sie unabhängig von einer konkreten Anwendungssituation
definiert werden können. 32 Andererseits wird als neuartige Problemstellung
die Zusammenführung verschiedener Ontologien aufgeworfen. Denn zur Gewährleistung
der Verwendbarkeit der Applikationsontologie als bedeutungsdefinierender Basis eines
Systems müssen die begrifflichen Definitionen der verwendeten Domänen- und Methodenontologie
korrekt aufeinander abgestimmt werden. Dabei müssen einerseits die für das
System benötigten Wissensstrukturen identifiziert werden und andererseits muss die konzeptionelle
Korrektheit der Abbildung der Wissensdomäne erhalten bleiben. Diese als
Ontologie-Integration bezeichnete Problematik wird später ausführlicher behandelt (s.
C.3.2).
31 In Anlehnung an (Studer+98, S. 15).
32 Hier ist zu erwähnen, dass in der sogenannten „strong interaction problem hypothesis“ (Studer+98, S. 11) der
Standpunkt vertreten wurde, dass die Wiederverwendung bereits modellierter Wissensstrukturen für die Erstellung
von Wissensbasen auf Grund der starken kontextuellen Abhängigkeit generell nicht möglich sei. Diese Ansicht wurde
durch praktische Erfahrungen relativiert, da allgemeine Muster von Wissensstrukturen aufgefunden werden konnten.
Allerdings werden die Anforderungen an eine Wissensbasis zu einem sehr hohen Maße durch die betrachtete Domäne
sowie die angestrebte Funktionalität des Wissensbasierten Systems determiniert (s. Studer+98, S. 11).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 18
A.2 Charakteristika ontologiebasierter Wissensmodellierung
Auf Grundlage des im Vorhergehenden erfassten wissenschaftlichen Hintergrundes und
des Entstehungskontextes ontologiebasierter Verfahren der Wissensmodellierung lassen
sich nun die wesentlichen Charakteristika dieses Verfahrens zusammentragen. Dazu
werden zunächst die Eigenschaften und Anforderungen an Ontologien erläutert und in
den jeweiligen wissenschaftlichen Hintergrund eingegliedert. Darauf folgt eine Erörterung
der Verwendung dieser Modellierungstechnik hinsichtlich des Einsatzpotenzials von
Ontologien als bedeutungsdefinierende Komponente eines computergestützten Systems.
Einige ergänzende Aspekte sollen die Erarbeitung der Verständnisgrundlage ontologiebasierter
Verfahren der Wissensmodellierung abschließen. Anzumerken ist, dass hier
keine umfassende Charakterisierung dieses Verfahrens erfolgt, sondern lediglich die für
den Untersuchungsgegenstand dieser Arbeit relevanten Aspekte zusammengetragen werden
sollen.
A.2.1 Eigenschaften von und Anforderungen an Ontologien
Zur Erfassung der Eigenschaften und Anforderungen an Ontologien als Methodik der
Wissensmodellierung werden im Folgenden die Begrifflichkeiten aus der eingangs
angeführten Definition einer Ontologie als „formale, explizite Spezifikation einer geteilten
Konzeptionalisierung“ (s.o.) detaillierter erläutert. Diese Definition enthält zwei wesentliche
Teile, welche hier sukzessiv hinsichtlich des Entstehungsprozesses einer Ontologie
betrachtet werden sollen. Dazu werden zunächst die Anforderungen an eine Ontologie als
eine explizite, geteilte Konzeptionalisierung der relevanten Wissensdomäne und anschließend
deren Darstellung in einer formalen Spezifikation erörtert.
A.2.1.1 Explizite, geteilte Konzeptionalisierung
Die Konzeptionalisierung einer Wissensdomäne entsteht als Artefakt der „konzeptionellen
Modellierung 33 “, in welcher ein Modell der Struktur der Domäne im Sinne des
Modellbasierten Ansatzes (s. A.1.1.3) in einer der Anwendungsmodellierung vorgelagerten
Phase erfasst wird. Eine solche Konzeptionalisierung stellt eine simplifizierende und
abstrahierende Abbildung der statischen Struktur einer Domäne dar, welche deren
relevante Aspekte hinsichtlich einer bestimmten Zweckausrichtung beinhaltet (s. Gruber
93, S.1). Die Zweckausrichtung einer Ontologie besteht in der Erfassung der Bedeutung
von Termen und Relationen (s. A.2.2.1). Eine entsprechende Konzeptionalisierung muss
daher die intensionalen, also den Zusammenhängen innewohnenden Eigenschaften der
Wissensdomäne erfassen (s. Guarino98, S. 3).
Dass die einer Ontologie zugrundeliegende Konzeptionalisierung explizit sein soll, ist
im Hinblick ihrer Verwendung als bedeutungsdefinierende Komponente eines Informationssystems
zu verstehen. Um Fehl- und Mehrfachinterpretationen von Begrifflichkeiten
und Zusammenhängen zu vermeiden, muss deren Bedeutung externalisiert werden. 34 Da
33 engl.: „Conceptual Modelling” (Guarino95, S. 3).
34 In der Theorie der Wissensschaffung im Unternehmen wird mit Externalisierung jener Prozess beschrieben, in dem
implizites, nur dem ´Inhaber´ zugängliches Wissen derart beschreibbar gemacht wird, dass es für andere verständlich
und erlernbar ist (s. Nonaka+97, S. 68-108). Dazu wird ein ausgereifteres Verständnis des Gegenstandsbereichs benötigt.
Diese Problematik stellt sich auch bei der Erstellung einer expliziten Konzeptionalisierung und wird später
ausführlicher behandelt (s. B.1.2).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 19
die Bestandteile einer solchen Konzeptionalisierung somit einen direkten Bezug zum
betrachteten Ausschnitt der realen Welt haben, werden sie auch als „Domänentheorie 35 “
bezeichnet. Eine Domänentheorie unterscheidet sich von anderen schematischen Erfassungen
einer Wissensdomäne hinsichtlich der Intention der Modellierung. Während in
Datenbank-Schemata oder Objektmodellen aus der konventionellen Softwaretechnik das
Modell lediglich zur Erstellung einer informationsverarbeitenden Applikation dient, soll in
einer Ontologie ein Verständnismodell der Wissensdomäne geschaffen werden (s. Studer
+98, S. 11). Dieser Aspekt wird später ausführlicher behandelt (s. B.1.2.1).
Die Forderung nach der Geteiltheit bedeutet, dass die strukturelle Erfassung einer
Wissensdomäne in der Konzeptionalisierung von den Beteiligten als Verständnismodell
der Domäne angesehen und akzeptiert wird. Diese Anforderung lässt sich ebenfalls vor
dem Hintergrund der Verwendung einer Ontologie als bedeutungsdefinierendes Konstrukt
einer Wissensdomäne begründen, da eine effiziente Nutzung einer solchen Struktur
nur durch eine Akzeptanz des darin postulierten Verständnisses gewährleistet werden
kann. 36 Der Grad der Akzeptanz durch einen Agenten (menschlich oder künstlich) wird
durch dessen „ontologische Verpflichtung 37 “ beschrieben. Damit kann im Sinne der
Wissensebenen-Hypothese (s. A.1.1.1) erfasst werden, in wieweit der Agent das in der
Ontologie intendierte Verständnis der Domäne in seinem Verhalten berücksichtigt (s.
Gruber93, S. 3).
A.2.1.2 Formale Spezifikation
Durch die Formalisierung der zugrundeliegenden Konzeptionalisierung soll die Maschinenlesbarkeit
erreicht und somit die Verwendbarkeit einer Ontologie in computergestützten
Informationssystemen ermöglicht werden. Dazu werden entsprechende Repräsentationsschemata
und -formalismen (s. A.1.1.2) benötigt. Wesentlich dabei ist, dass
diese die Fähigkeit zur semantischen Beschreibung der Struktur einer Wissensdomäne
aufweisen. Diese Anforderung an geeignete Darstellungstechniken für Ontologien kann
durch das von Guarino postulierte „Ontologische Level 38 “ in der Hierarchie von
Repräsentationsformalismen verdeutlicht werden.
Level Repräsentationsprimitive Zielsetzung
logisch Prädikate logische Formalisierung
epistemologisch strukturierte Relationen Strukturerfassung
ontologisch Bedeutungspostulate Bedeutungsdefinition
konzeptionell kognitive Primitive Konzeptionalisierung
linguistisch linguistische Primitive natürlich-sprachliche Darstellung
Tabelle 1: Level der Wissensrepräsentation 39
35 engl: „domain theory“ (Fensel00, S. 1).
36 Dazu sei hier ein bekannter Ausspruch aus dem Gebiet des Wissensmanagements angeführt: „People can´t share
knowledge if they don´t speak a common language“ (Schreiber+00, S. 4. nach: Davenport, T.H.; Prusak, L.: Working
Knowledge. How organisations manage what they know. Boston, USA: Havard Business Scholl Press 1998). Eine
Ontologie soll in diesem Sinne eine gemeinsame Verständnisgrundlage definieren.
37 engl.: „ontological commitment“ (Gruber93, S. 2).
38 engl.: „ontological level“ (Guarino94, S. 1).
39 aus: (Guarino94, S.9). Das Modell wurde darin lediglich um das ontologische Level ergänzt.

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 20
Die Differenzierung der in Tabelle 1 unterschiedenen Arten von Repräsentationsformalismen
beruht auf der Art des mit den Formalismen darstellbaren Wissens. Die Art
des darstellbaren Wissens wird über die Verbundenheit der jeweiligen Repräsentationsprimitive
mit Strukturen der realen Welt definiert (siehe Spalte ´Zielsetzung´ in Tabelle 1).
Es werden fünf Level von Repräsentationsformalismen unterschieden, welche hier kurz
erläutert werden sollen.
Mit Formalismen des logischen Levels können logische Ausdrücke definiert werden,
wobei die Bedeutung der Variablen nicht an Objekte der realen Welt gebunden ist. Der
logische Ausdruck f(x)=>t(x) stellt erst eine sinnvolle Aussage dar, wenn x als Repräsentant
eines Objekt definiert wird. Das epistemologische Level beschreibt Formalismen
zur Darstellung der Struktur einer Wissensdomäne. Ein Beispiel dafür stellen die
Formalismen für die traditionellen Repräsentationsschemata dar (s. A.1.1.2). Während
epistemologische Formalismen lediglich den Aufbau und die Zusammengehörigkeit von
Wissenselementen erfassen können, sollen Formalismen des ontologischen Levels die
Spezifikation der Beschaffenheit von Wissenselementen beschreiben können. Um dieses
zu ermöglichen, werden entsprechende Beschreibungsprimitive benötigt. Die Anforderungen
an entsprechende Formalismen werden im Zusammenhang des Ontologie-
Entwicklungsprozesses genauer erörtert (s. B.1.3). Die letzten beiden Level von Repräsentationsformalismen
dienen der Beschreibung von Wissensstrukturen für deren Verständnis
durch den Menschen und sind daher nicht für eine maschinelle Verarbeitung
geeignet.
A.2.2 Motivation zur Verwendung von Ontologien
Die genannten Anforderungen an Ontologien lassen sich nur unter Berücksichtigung ihrer
antizipierten Verwendung nachvollziehen. Dazu soll im Folgenden die schon erwähnte
Funktion von Ontologien als bedeutungsdefinierender Komponente eines computergestützten
Systems besprochen werden, ebenso die potenziellen Einsatzfelder ontologiebasierter
Verfahren der Wissensmodellierung.
A.2.2.1 Bedeutungsdefinition
In den bisherigen Ausführungen wurden Ontologien als bedeutungsdefinierendes Konstrukt
beschrieben, welches ein Vokabular der Wissensdomäne bezüglich deren Struktur
definieren soll. Der resultierende funktionale Zugewinn wird auch als maschinenverarbeitbare
Beschreibung der „Semantik von Daten 40 “ bezeichnet. Diese Bezeichnung
sowie die hintergründige Intention zur Erstellung eines solchen Konstrukts bedürfen
einer genaueren Betrachtung.
Wie als Zielsetzung der Verwendung von Ontologien als Wissensmodell im Knowledge
Engineering herausgearbeitet wurde (s. A.1.2.1.2), soll eine Ontologie ein Strukturmodell
der betrachteten Wissensdomäne beschreiben, welches dann als Basis zur Entwicklung
von Anwendungen genutzt wird. Die Intention liegt dabei in der Schaffung einer
zentralen Erfassung der Wissensdomäne, in der die strukturellen Zusammenhänge
definiert werden. Durch die Nutzung und Einhaltung dieser Bedeutungsdefinition der
40 engl.: „ … the semantics of the data.“ (Fensel00, S. 1).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 21
Wissensstruktur zur Erstellung weiterführender Modelle sollen konzeptionelle Fehler
vermieden werden, wie die Verwendung von Ontologien in den vorgestellten Methodologien
des Knowledge Engineering veranschaulicht (s. A.1.2.2).
Überträgt man diese spezielle Intention auf eine allgemeinere Ebene, so stellt die
Bedeutungsdefinition durch eine Ontologie eine konzeptionelle Strukturierung dar, mit
der ein „geteiltes und gemeinsames Verständnis einer Wissensdomäne 41 “ erreicht werden
kann – unter der Bedingung der entsprechenden ontologischen Verpflichtung der Beteiligten
(s. A.2.1.1). Um diesen Anforderungen gerecht zu werden, muss in der Ontologie
die Struktur der Domäne korrekt, also in Übereinstimmung mit der realen Welt
erfasst werden, wobei eine objektive oder zumindest intersubjektive Wahrnehmung
derselben angestrebt werden sollte. Dabei sind die Begrifflichkeiten derart zu definieren,
dass die intendierte Bedeutung präzise ausgedrückt wird und durch Ausschluss, beziehungsweise
Verminderung von Mehrdeutigkeiten eine einheitliche Verwendung gewährleistet
werden kann. Es kann insofern von einer semantischen Struktur gesprochen
werden, da in einer Ontologie die Bedeutungsbeziehungen zwischen Konzepten als
Verständnismodellen, den zugehörigen Objekten der realen Welt und deren symbolische
Repräsentation gemäß dem semiotischen Dreieck 42 erfasst werden sollen. Weiterhin
werden mit den Anforderungen der präzisen Bedeutungserfassung und der Verhinderung
von Mehrdeutigkeit Problemfelder der Semantik aufgefasst (s. Glück00, S. 618-621).
Allerdings ist die Bezeichnung einer ontologiebasierten Anwendung als „semantische
Technologie“ (s. Smolle02, S.5) mit Vorsicht zu genießen, da die modellhafte Erfassung
einer Wissensstruktur mittels einer Ontologie lediglich als semantische Komponente in
einem Informationssystem fungieren soll, damit aber keine semantische Analyse des
betrachteten Weltausschnitts im Sinne der semiotischen Bedeutungslehre angestrebt wird.
A.2.2.2 Einsatzmöglichkeiten
Eine Ontologie als bedeutungsdefinierende Basis im vorgestellten Sinne kann zu verschiedenartigen
Zwecken verwendet werden, wobei sich jeweils Nutzenzugewinne durch
die Existenz einer geteilten und allgemeinen Verständnisgrundlage der Wissensdomäne ergeben.
Die wichtigsten Einsatzgebiete sollen hier nur kurz aufgeführt werden, da diese
Thematik später ausführlicher behandelt wird (s. C.1.2).
Zunächst können Ontologien als unterstützende Komponente bei der Entwicklung
von Systemen genutzt werden, wie bei der Verwendung in den Methodologien zur Entwicklung
Wissensbasierter Systeme aufgezeigt wurde (s. A.1.2.2). Dieser Verwendungszweck
lässt sich für Systeme generalisieren, die für wissensintensive Aufgabenfelder eingesetzt
werden. Dabei dienen Ontologien vor allem als qualitätssichernde Reliabilitätskontrolle
sowie als wiederverwendbare Modellierung einer Wissensdomäne (s. A.1.2.2.2).
Eine weitere Anwendung findet sich als Komponente in Informationssystemen zur Gewährleistung
der Interoperabilität von Systemen, beziehungsweise deren Komponenten,
41 engl.: „… shared and common understanding of a domain …“ (Fensel00, S. 1).
42 Mit dem semiotischen Dreieck wird versucht, die Funktionsweise der menschlichen Bedeutungswahrnehmung zu
veranschaulichen. Ein Zeichen oder Symbol trägt eine Bedeutung, welche für ein Bezugsobjekt der realen Welt steht.
Die Bedeutungswahrnehmung geschieht durch ein sogenanntes mentales Konzept, worüber der Mensch die Verbindung
zwischen Symbol und Bezugsobjekt herstellt (s. Glück00, S. 625f).

Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 22
womit Ontologien einen Lösungsansatz für den Datenaustausch zwischen heterogenen
Informationsquellen als wesentliches Problemfeld des Informationsmanagements darstellen.
Ein weiteres Einsatzgebiet von Ontologien sind kommunikationsintensive Bereiche
wie das Wissensmanagement oder die Kommunikation zwischen Software-Agenten,
wobei die einheitliche Begriffsverwendung innerhalb einer Wissensdomäne oder zwischen
verschiedenen einen Zugewinn bietet (s. Uschold+96, S.7-13).
A.2.3 Ergänzende Anmerkungen
Aus den Ausführungen wird zunächst deutlich, dass Ontologien als Technik der Wissensmodellierung
mit dem Ziel der Bedeutungsdefinition eine neuartige Herangehensweise für
die Entwicklung wissensverarbeitender Systeme darstellen, womit unter anderem das
wachsende Forschungsinteresse auf diesem Gebiet zu erklären ist. Des Weiteren fällt auf,
dass zur Realisierung dieser Methodik viele bekannte Aspekte verwandt werden können,
so dass ontologiebasierte Verfahren nicht als ein völlig neuartiger Ansatz der Wissensmodellierung
zu verstehen sind.
Weiterhin ist anzumerken, dass eine Vielzahl sehr unterschiedlicher Konstrukte als
Ontologien bezeichnet werden. Diese breite Fächerung beruht zum einen auf den unterschiedlichen
Anforderungen, welche aus der antizipierten funktionalen Verwendung einer
Ontologie resultieren. Zum anderen werden Konstrukte mit unterschiedlichen Formalisierungsgraden
als Ontologie bezeichnet, soweit sie eine bedeutungsdefinierende Erfassung
einer Wissensdomäne beinhalten. Dabei werden folgende drei Abstufungen unterschieden.
Als informelle Ontologien werden solche bezeichnet, die eine bedeutungsdefinierende
Strukturerfassung darstellen, aber nicht formal spezifiziert sind. Diese
Ontologien dienen lediglich als Verständnismodell einer Wissensdomäne, sind aber nicht
zur maschinellen Verarbeitung geeignet. Dies ist erst mit formalisierten Ontologien
möglich, wobei semi-formale und hoch formalisierte Ontologien unterschieden werden.
In letzteren sind die inferenziellen Zusammenhänge in axiomatischen Ausdrücken erfasst
(s. Uschold+96, S.6).
Vor diesem Hintergrund sind auch die Unterschiede in den verschiedenen definitorischen
Erfassungen einer Ontologie zu verstehen. Während eine informelle
Ontologie eher als konzeptionelle Erfassung einer Wissensdomäne verstanden werden
kann, stellt eine hoch-formalisierte Ontologie eine Spezifikation einer logischen Theorie
dar (s. Guarino +95, S. 1-3). Die einzige Gemeinsamkeit solcher vom Wesen her sehr
unterschiedlichen Konstrukte ist lediglich die bedeutungsdefinierende Erfassung einer
Wissensdomäne. In dieser sehr allgemeinen Anforderung kann die Begründung für das
noch nicht ganz ausgereifte Verständnis von Ontologien gesehen werden. Trotz der Unklarheiten
über die Wesenseigenschaften von Ontologien besteht ein Konsens darüber,
dass ein solches Modell einer Wissensstruktur zum einen eine gemeinsame Verständnisgrundlage
derselben schaffen und zum anderen als bedeutungsdefinierende
Komponente in wissensverarbeitenden Informationssystemen eingesetzt werden kann.

Kapitel B: Ontologie-Entwicklung 23
B Ontologie-Entwicklung
Anschließend an die Erfassung der Charakteristika ontologiebasierter Wissensmodellierung
werden in diesem Kapitel die wesentlichen Aspekte der Ontologie-Entwicklung
erarbeitet, wobei der Fokus vor allem auf der Erfassung der Problemstellungen bei der
Konstruktion solcher bedeutungsdefinierender Konstrukte liegen soll. Dies erfordert eine
alle wesentlichen Aspekte umfassende Betrachtung der Entwicklung von Ontologien in
der Praxis, da nur so das für die Untersuchung der Verwendung von Ontologien im
Semantic Web benötigte Verständnis dieses Verfahrens der Wissensmodellierung erlangt
werden kann. Die Erarbeitung dieses Themengebiets an Hand eines entsprechenden
Beispiels würde einerseits einen beträchtlichen Aufwand zur Erläuterung desselben
erfordern und andererseits nur eine partielle Beleuchtung der zu betrachtenden Aspekte
erlauben. Daher wird hier auf eine solche Vorgehensweise verzichtet und stattdessen die
relevant erscheinenden Errungenschaften des sogenannten „Ontology Engineering“ (vgl.
Noy01) herausgearbeitet, wodurch ein vertiefendes Verständnis von Ontologien erreicht
werden soll.
Unter dem Begriff des Ontology Engineering werden seit Anfang der 1990er Jahre
Forschungsaktivitäten zusammengefasst, die sich vornehmlich mit der Entwicklung von
Ontologien beschäftigten. Wie im Software Engineering oder im Knowledge Engineering
(s. A.1.2) wird dabei das Ziel verfolgt, wissenschaftlich fundierte Methodologien für die
Praxis auszuarbeiten. Schwerpunktmäßig wird dabei umsetzungstechnischen Fragestellungen
nachgegangen, für die entsprechende Lösungsansätze erarbeitet sowie unterstützende
Techniken und Werkzeuge entwickelt werden. Auch hierbei werden methodologische
Verfahrensmodelle angestrebt, welche die Entwicklung von Ontologien als
eine ingenieursartige Tätigkeit erleichtern und eine entsprechende Qualitätssicherung
gewährleisten sollen. Allerdings werden die Erkenntnisse dieser relativ jungen Disziplin als
noch nicht in dem Maße ausgereift betrachtet wie jene des Software Engineering oder des
Knowledge Engineering (s. Gómez-Pérez99, S. 1f).
Die Erarbeitung der zu betrachtenden Aspekte in diesem Kapitel wird in zwei aufeinander
aufbauenden Teilen vorgenommen. Zunächst wird der in verschiedene Phasen zu
unterteilende Prozess zur Entwicklung einer Ontologie beschrieben. Dabei werden
Lösungsansätze für die wesentlichen Aktivitäten jeder Phase aus unterschiedlichen Forschungsansätzen
zusammengetragen, womit die umfassende Betrachtung dieser grundlegenden
Thematik erreicht werden soll. Daran anknüpfend werden weiterführende
Errungenschaften angeführt, durch deren Berücksichtigung bei der Entwicklung einer
Ontologie deren funktionale Qualität als bedeutungsdefinierende Erfassung einer
Wissensdomäne sichergestellt, beziehungsweise gefördert werden soll. Abschließend wird
der derzeitige Kenntnisstand des Ontology Engineering zusammengefasst und es werden
zukünftige Forschungsziele aufgezeigt.

Kapitel B: Ontologie-Entwicklung 24
B.1 Ontologie-Entwicklungs-Prozess 43
Im Entwicklungsprozess werden die nötigen Aktivitäten zur Entwicklung einer Ontologie
identifiziert und es wird eine Reihenfolge für deren Bearbeitung festgelegt. Daraus geht
ein in aufeinander aufbauende, sukzessiv zu erarbeitende Phasen gegliedertes Vorgehensmodell
für die Ontologie-Entwicklung hervor – ähnlich entsprechender Methodologien
des Software oder Knowledge Engineering. Dazu wurden in verschiedenen Forschungsgruppen
methodologische Ansätze entwickelt, von denen hier die Ansätze von ´Uschold,
King´, ´Grüninger, Fox´ und ´METHONTOLOGY´ vorgestellt werden. Dabei ist anzumerken,
dass diese drei Ansätze jeweils eine Verallgemeinerung von Vorgehensweisen
beschreiben, die zur Entwicklung von Ontologien in konkreten Anwendungsprojekten
verfolgt wurden. Daher sind sie nicht als ausgereifte Methodologien im Sinne einer
wissenschaftlich fundierten Methodik für die Ontologie-Entwicklung zu verstehen,
sondern lediglich als erste Ansätze zur Entwicklung einer solchen. 44 Trotzdem lassen sich
gemeinsame, in allen drei Ansätzen erwähnte Phasen für die Entwicklung von Ontologien
bestimmen, welche in den weiteren Ausführungen jeweils detaillierter besprochen werden.
Die Auswahl der drei genannten methodologischen Ansätze begründet sich damit, dass
darin jeweils der komplette Entwicklungsprozess betrachtet wird. Es existieren weitere
Ansätze, welche allerdings jeweils nur Teilaspekte bearbeiten und daher für den hier verfolgten
Zweck nicht geeignet erscheinen 45 .
Als „Skelettale Methodologie 46 ” bezeichnen ´Uschold, King´ ihre Verfahrenweise der
Ontologie-Entwicklung, welche aus den Erfahrungen der im Zusammenhang eines
Frameworks zur Unternehmensmodellierung erstellten „Enterprise Ontology“ (vgl.
Uschold+96b) als bedeutungsdefinierender Basis im oben erläuterten Sinne (s. A.2.2.1)
hervorgegangen ist. Es werden vier Entwicklungsphasen unterschieden. Zunächst muss
der „Zweck 47 “ der Ontologie identifiziert werden, wobei die antizipierte Anwendung und
daraus resultierende Anforderungen zu spezifizieren sind. Die zweite Phase umfasst den
kompletten Erstellungsprozess der Ontologie, in der drei weitere sukzessiv durchzuführende
Aktivitäten differenziert werden. Durch die sogenannte „Eroberung 48 “ wird die
konzeptionelle Erfassung der Struktur einer Wissensdomäne vorgenommen, diese dann in
der Kodierungsphase in eine formale Darstellung überführt und als letzter Schritt werden
existente Ontologien integriert. In der dritten Phase soll die Ontologie bezüglich ihrer
konzeptionellen Korrektheit evaluiert und zum Schluss eine entsprechende Dokumentation
zur Gewährleistung ihrer Verwendbarkeit durch Dritte erstellt werden (s. Uschold
+95, S.2-4; Uschold+96, S. 14-17).
43 engl.: „Ontology Development Process“ (Fernández+97, S.1).
44 Obwohl die drei hier genannten methodologischen Ansätze keine ausgereiften Methodologien sind, stellen sie die
erschöpfendsten Arbeiten zu dieser Thematik dar. Hierin offenbart sich der oben angeführte momentane Erkenntnisstand
des Ontology Engineering, in dem die Ausarbeitung umfassender Methodologien noch aussteht.
45 Entsprechende Übersichten dieser Ansätze finden sich in (Jones+98, S. 6-12) und in ´OntoRoadmap – Index of
Methodologies´ unter: http://babage.dia.fi.upm.es/ontoweb/wp1/OntoRoadMap/index/methodology.html
(16.05.2002).
46 engl: „Skeletal Methodology“ (Uschold+95, S.2). Damit wird deutlich, dass damit lediglich eine Grundlage für
eine umfassende Methodologie geschaffen werden sollte.
47 engl.: „Purpose“ (Uschold+95, S. 2).
48 engl.: „Capture“ (Uschold+95, S.3).

Kapitel B: Ontologie-Entwicklung 25
Die methodologische Beschreibung der Ontologie-Entwicklung durch ´Grüninger,
Fox´ resultiert ebenfalls aus einem Projekt zur Unternehmensmodellierung, in dem ein
externalisiertes Unternehmensmodell zur Erleichterung der Entwicklung informationstechnischer
Optimierungslösungen geschaffen werden sollte. 49 Als erste Tätigkeit für die
Entwicklung einer Ontologie werden in diesem Ansatz „motivierende Szenarien 50 “
ermittelt, wodurch die mögliche Nutzenzugewinne verdeutlicht werden. Die Anforderungen
an die Ontologie werden genauer durch sogenannte „Kompetenzfragen 51 “ spezifiziert.
Darunter werden mögliche Anfragen an die Ontologie verstanden, mit denen die
konzeptionelle und die inferenzielle Korrektheit evaluiert werden können. Im dritten
Schritt wird die Terminologie, also die Bestandteile der Ontologie in einer formalen
Sprache spezifiziert, wobei für alle Kompetenzfragen entsprechende wissensrepräsentierende
Konstrukte definiert werden müssen. Dann werden die Kompetenzfragen auf der
Grundlage der zuvor definierten Terminologie formalisiert und anschließend die terminologischen
Erfassungen axiomatisiert, also in logischen Ausdrücken dargestellt. Abschließend
werden „Vollständigkeitstheoreme 52 “ spezifiziert, welche Testszenarien bezüglich
der Beantwortungsfähigkeit der Kompetenzfragen darstellen und somit eine
formale Evaluation der Ontologie ermöglichen sollen (vgl. Grüninger+95).
Der letzte vorzustellende Ansatz trägt die Bezeichnung METHONTOLOGY und
basiert auf den Erfahrungen der Entwicklung einer Chemie-Ontologie (vgl. Fernandéz
+99). Der Entwicklungsprozess beginnt mit der Spezifikationsphase, worin die antizipierte
Anwendung, der zu erfassende Weltausschnitt sowie der benötigte Formalisierungsgrad
der Ontologie festgehalten wird. Dann wird zunächst das benötigte Wissen
akquiriert und in der anschließenden Konzeptionalisierungsphase das grundlegende konzeptionelle
Modell erstellt. In dieser Phase werden auch existente Ontologien bezüglich
einer möglichen Integration geprüft und das Design des konzeptionellen Modells wird
dementsprechend ausgerichtet. Die Überführung in einen geeigneten Repräsentationsformalismus
erfolgt in der Implementierungsphase. Die qualitative Evaluation sowie die
Erstellung einer entsprechenden Dokumentation sollen als begleitende Tätigkeit während
des gesamten Erstellungsprozesses durchgeführt werden, wodurch eventuelle Fehler
frühzeitig behoben und die Dokumentation auf dem aktuellen Stand gehalten werden
kann (vgl. Fernández+97).
Wie einführend angedeutet, lassen sich offensichtlich Phasen des Ontologie-
Entwicklungsprozesses auffinden, welche in allen drei vorgestellten methodologischen
Ansätzen genannt und in gleicher Reihenfolge angegeben werden. Zunächst erfolgt eine
Spezifikation bezüglich der antizipierten Verwendung der zu erstellenden Ontologie.
Dann wird das entsprechende konzeptionelle Modell erstellt, dieses in eine formale
Darstellung überführt und schließlich die Ontologie hinsichtlich ihrer konzeptionellen
Korrektheit evaluiert. In Tabelle 2 sind diese vier aus den vorgestellten Ansätzen verallgemeinerten
Phasen dargestellt.
49 Das Projekt trägt die Bezeichnung TOVE - TOronto Virtual Enterprise (s. Grüninger+95, S. 1).
50 engl.: „motivating szenarios“ (Grüninger+95, S.2).
51 engl.: „compentency questions“ (Grüninger+95, S.3), abgekürzt als CQs.
52 engl.: „completeness theorems“ (Grüninger+95, S.9).

Kapitel B: Ontologie-Entwicklung 26
Gemeinsame
Phasen
´Uschold, King´ ´Grüninger, Fox´ METHONTOLOGY
Spezifikation
(s. B.1.1)
1) Zweck der Ontologie
identifizieren
1) motivierende Szenarien
2) Kompetenzfragen
formulieren (informell)
1) Spezifikation
2) Wissensakquisition
Konzeptionalisierung
(s. B.1.2)
Formalisierung
(s. B.1.3)
2) Erstellung der Ontologie
a. Eroberung
3) Terminologie-
Spezifikation (formal)
3) Konzeptionalisierung
4) Integration
b. Kodierung
c. Integration
4) Kompetenzfragen
formalisieren
5) Axiomatisierung
5) Implementierung
Evaluation
(s. B.1.4)
3) Evaluation
4) Dokumentation
6) Vollständigkeitstheoreme
6) Evaluation
7) Dokumentation
Tabelle 2: Phasen des Ontologie-Entwicklungs-Prozesses
Im Folgenden werden die wesentlichen Aspekte der identifizierten Phasen ausführlicher
behandelt, wobei neben den drei erläuterten Ansätzen weitere relevante Forschungsergebnisse
vorgestellt werden. Bezüglich der Charakteristik des Ontologie-
Entwicklungsprozesses ist anzumerken, dass er auf Grund der durchzuführenden Tätigkeiten
sowie der Reihenfolge einen Modellierungsprozesses gemäß des modell-basierten
Ansatzes (s. A.1.1.3) darstellt. Als Lebenszyklusmodell wird jenes der „Evolving Prototypes
53 “ favorisiert, da für die Erstellung einer Ontologie sowie für Korrekturen und
Erweiterungen jeweils alle Phasen durchlaufen werden müssen (s. Fernández+97, S. 3f).
Die hier und auch in den weiteren Ausführungen deutlich werdende Orientierung am
Software Engineering ist auf den primären Verwendungszweck von Ontologien als
bedeutungsdefinierender Komponente in Informationssystemen zurückzuführen.
B.1.1 Spezifikation
In allen drei vorgestellten methodologischen Ansätzen beginnt der Entwicklungsprozess
mit einer Spezifikationsphase. Da Ontologien in sehr unterschiedlichen Anwendungsszenarien
eingesetzt werden können (s. A.2.2.2), ist eine klassifizierende Zuordnung einer
zu entwickelnden Ontologie zu einem vordefinierten Anwendungsgebiet nur begrenzt
möglich (s. Uschlod+95, S. 2). Somit kann lediglich als vage Aussage festgehalten werden,
dass das spezifische Einsatzgebiet sowie die daraus resultierenden Anforderungen an eine
Ontologie zu Beginn deren Entwicklung zu erfassen sind.
Als der Spezifikation vorgelagerte Aktivität ist zunächst eine Durchführbarkeitsstudie
durchzuführen, in welcher der Entwicklungsumfang aus managerialer Sicht erfasst wird.
Wird die Durchführung des Projektes entschieden, so kann die hierbei entstehende erste
Erfassung der Spezifika der Ontologie als Grundlage zur Verfeinerung in den nachfolgenden
Schritten genutzt werden. 54
53 Evolving Prototypes: Lebenszyklusmodell (= Entwicklungsphasen eines Softwaresystems von der ersten Idee bis
zum Einsatz), welches sequentiell-linare und zyklische Aspekte verbindet. Dabei müssen für jede Änderung alle
Entwicklungsphasen sequentiell durchlaufen werden, bevor die nächste Änderung vorgenommen werden kann.
Dieses Lebenszyklusmodell beschreibt Systeme, deren funktionale Qualität sich in ihrer konzeptionellen Geschlossenheit
manifestiert (s. Draheim00, S. 52-61).
54 Für die Durchführbarkeitsstudie können existente Verfahren aus dem Bereich des Knowledge Engineering
verwandt werden, da deren Aussagekraft auf Grund der gleichartigen Anforderungen auch für die Ontologie-
Entwicklung bestehen bleibt. (Schnurr+00) favorisieren dazu das Verfahren der CommonKADS-Methodologie (s.

Kapitel B: Ontologie-Entwicklung 27
B.1.1.1 Anforderungsanalyse
In den drei vorgestellten methodologischen Ansätzen wird die Anforderungsanalyse zwar
einheitlich als erste durchzuführende Tätigkeit bei der Ontologie-Entwicklung angeführt,
jedoch mit jeweils unterschiedlichen Herangehensweisen. Während ´Uschold, King´ lediglich
die Notwendigkeit einer Festlegung des Zwecks der Ontologie ohne die Nennung
einer entsprechenden Methodik betonen (s. Uschold+95, S. 2), wird im Ansatz von
´Grüninger, Fox´ ein explizites Verfahren zur Anforderungsspezifikation mittels der
Kompetenzfragen gegeben (s. Grüninger+95, S. 1f). In METHONTOLGY wird die
Erstellung eines Spezifikationsdokumentes verlangt, welches die benötigten Informationen
enthält (s. Fernández+97, S. 4).
Ein derartiges Dokument scheint eine gehaltvolle Spezifikation zu erlauben, da in
bewährten Methodologien des Knowledge oder Software Engineering ebensolche eingesetzt
werden. Daher soll der Aufbau eines solchen Dokuments für die Ontologie-
Entwicklung am Beispiel des „Anforderungs-Spezifikations-Dokumentes 55 “ von On-To-
Knowledge 56 eingehender betrachtet werden. Dieses Dokument enthält natürlichsprachliche
Kurzbeschreibungen des Verwendungsziels, der relevanten Wissensdomäne und der
antizipierten Einsatzumgebung, sowie Auflistungen der wesentlichen Aspekte der zu
erstellenden Ontologie (s. Schnurr+00, S. 26-28). Eine derartig strukturierte Erfassung der
wesentlichen Informationen erlaubt einen umfassenden Überblick der Charakteristika der
zu entwickelnden Ontologie.
B.1.1.2 Wissensakquisition
Zur Erstellung einer Ontologie wird natürlich auch das entsprechende Wissen über den
zu erfassenden Weltausschnitt benötigt. Dessen Erwerb ist allerdings keine spezifische
Tätigkeit der Ontologie-Entwicklung, sondern eine generell durchzuführende Tätigkeit bei
der Entwicklung von Informationssystemen. Daher kann erstens auf bekannte Techniken
des Wissenserwerbs verwiesen und zweitens die Betrachtung dieses Aspekts mit einer
Übersicht der wichtigsten Verfahren in Tabelle 3 abgeschlossen werden.
Erwerbstechnik
Interview
Textanalyse
Data Mining
Wissenseingabe
Beschreibung
Der Wissensingenieur befragt einen Experten und arbeitet die Erkenntnisse
mit analytischen Methoden auf.
Analyse von Dokumenten, welche die benötigte Wissensstruktur der
Domäne beschreiben.
Auswertung in elektronischer Form vorliegender Daten, vornehmlich für
statistische Informationen.
Direkte Eingabe des benötigten Wissens durch einen Experten in ein vom
Wissensingenieur vordefiniertes Domänenmodell.
Tabelle 3: Techniken des Wissenserwerbs 57
A.1.2.2.1), worin nach der Erfassung des Anwendungsumfeldes im Organisationsmodell eine Entscheidung bezüglich
der Durchführbarkeit des Projektes gefällt werden kann (s. Schreiber+00, S. 28-35).
55 engl.: „requirement specification dodument“ (Schnurr+00, S. 26). Ein Werkzeug zur Erstellung dieses Dokuments
wird mit „OntoKick“ bereitgestellt (vgl. Boyens01).
56 Das Forschungsprojekt ´On-To-Knowledge´ beschäftigt sich mit der Verwendung von Ontologien im Wissensmanagement.
Der darin verfolgte methodologische Ansatz zur Ontologie-Entwicklung erweitert die Herangehensweise
von METHONTOLOGY (s.o.). Eine ausführliche Darstellung findet sich in (Schnurr+00) und unter:
http://www.ontoknowledge.com (12.07.2002).
57 nach (Puppe+00, S. 606-617). Eine ausführliche Diskussion der allgemeinen Verfahren und Problemstellungen des
Wissenserwerbs sowie Vor- und Nachteile der Techniken finden sich in (Schreiber+00, S. 187-213). Im Übrigen sind

Kapitel B: Ontologie-Entwicklung 28
B.1.2 Konzeptionalisierung
Aufbauend auf der Spezifikationsphase wird als nächstes das konzeptionelle Modell der
Ontologie erstellt. Darin werden die im Hinblick auf den Verwendungszweck relevanten
Wissensstrukturen der Domäne in einem geeigneten Abstraktionsgrad erfasst und somit
das Design, also der Aufbau und Inhalt der Ontologie bestimmt. Die Konzeptionalisierungsphase
stellt den eigentlichen Modellierungsprozess dar, da hierin das externalisierte
Verständnismodell der Wissensdomäne in einer modellhaften Darstellung im Sinne
des Modellbasierten Ansatzes (s. A.1.1.3) erarbeitet wird. Dabei treten sehr komplexe und
stark interdependente Problemstellungen auf. Erstens soll das konzeptionelle Modell eine
Beschreibung der Domäne auf der Wissensebene (s. A.1.1.1) darstellen, zweitens soll diese
Erfassung explizit, also eindeutig definiert sein, und drittens als geteilte Konzeptionalisierung
einen durch die Beteiligten der Wissensdomäne akzeptierten Konsens des
Verständnisses derselben beinhalten (s. A.2.1.1).
Während die beiden erstgenannten Aspekte sich vornehmlich auf die modellierungstechnische
Herangehensweise der Ontologie-Entwickler beziehen, wird mit der Geteiltheitsforderung
ein sozialer Aspekt angesprochen. Die Schaffung eines gemeinschaftlich
akzeptierten Konsens über die Beschaffenheit einer Wissensdomäne erfordert die
Bereitschaft und Mitarbeit aller Beteiligten und stellt somit eine klassische Aufgabe des
Wissensmanagement dar. Ohne im Detail auf die dabei auftretenden Problemstellungen
einzugehen 58 , soll hier ein aus dem Kontext des Wissensmanagements hervorgegangenes
Prozessmodell zur Erstellung der Konzeptionalisierung vorgestellt werden. Dabei erstellt
der Ontologie-Entwickler basierend auf der Anforderungsspezifikation eine initiale Ontologie,
welche an Hand des in der Wissensakquisition erworbenen Wissens detaillierter
ausgearbeitet wird. Daran schließt sich ein iterativer Prozess an, in dem in direkter
Zusammenarbeit mit den Beteiligten deren Verständnis der Domäne solange mit dem in
der Ontologie dargestellten Verständnismodells abgeglichen wird, bis ein entsprechender
Konsens erreicht ist (s. Holsapple+02, S. 44-46).
Dieses Prozessmodell verdeutlicht, wie komplex und aufwendig die Erstellung des
konzeptionellen Modells als Grundlage einer qualitativ hochwertigen Ontologie ist. Da
eine vertiefende Betrachtung der Problematik der Konsensfindung jedoch über die
Errungenschaften des Ontology Engineering und damit über den hier behandelten
inhaltlichen Schwerpunkt hinausgeht, sollen im Folgenden methodologische Aspekte im
Vordergrund der Betrachtungen stehen. Dazu werden die grundlegenden Modellierungsprimitive
einer Ontologie vorgestellt, die Zielsetzung der Konzeptionalisierung in der
Ontologie-Entwicklung herausgearbeitet und anschließend entsprechende Repräsentationsschemata
vorgestellt.
diese Techniken des Wissenserwerbs im Knowledge Engineering jenen des Datenerwerbs der empirischen
Sozialforschung sehr ähnlich – siehe dazu: Diekmann, A.: Empirische Sozialforschung. Grundlagen, Methoden,
Anwendungen. 4. durchges. Aufl. Reinbeck: Rowohlt 1995, S. 371-516).
58 Hierbei sind vor allem die Bereitschaft zur Wissensteilung durch die Beteiligten, das Finden eines allgemeinen
Verständnisses sowie die persönliche Akzeptanz des operationalen Nutzenzugewinns durch Schaffung neuartiger
Strukturen zu nennen. Ausführliche Abhandlungen zu diesen Themen finden sich in der einschlägigen Fachliteratur,
siehe u. a.: Kurtzke, C.; Popp, P.: Das wissensbasierte Unternehmen. Praxiskonzepte und Management-Tools.
München: Hanser 1999.

Kapitel B: Ontologie-Entwicklung 29
B.1.2.1 Modellierungsprimitive
Zur Erstellung eines konzeptionellen Modells als Grundlage einer Ontologie werden
Modellierungsprimitive benötigt, die den Anforderungen an Bedeutungspostulate im
Sinne des ontologischen Levels der Wissensrepräsentation (s. A.2.1.2) genügen. Hier
werden lediglich die grundlegenden Primitive kurz eingeführt, um eine terminologisch einheitliche
Verwendung in den weiteren Ausführungen zu gewährleisten. Ein vertiefendes
Verständnis zur korrekten Verwendung dieser Primitive soll im Rahmen der Meta-
Modellierung erarbeitet werden (s. B.2.2).
Schon öfters erwähnt wurde das Primitiv Konzept, welches zur Erfassung der grundlegenden
Objekte einer Wissensdomäne dient (s. Uschold+95, S. 1). Mit einem Konzept
kann sowohl der Typ eines realen Objektes als auch ein Verständnismodell im Sinne eines
semiotischen mentalen Konzeptes (s. A.2.2.1) beschrieben werden. Konkrete Ausprägungen
eines Konzeptes werden als Instanz bezeichnet. Die Eigenschaften von Konzepten
und Instanzen werden durch sogenannte Properties 59 und Attribute beschrieben. Als
Property wird dabei eine inhärente Eigenschaft eines Konzeptes oder einer Instanz verstanden,
während ein Attribut eine funktionale Zuschreibung des Wertes eines anderen
Konzeptes darstellt (s. KBSI-94, S.16f). 60 Das Primitivum zur Beschreibung der nichtcharakterisierenden
Beziehungen zwischen Konzepten und Instanzen wird als Relation
bezeichnet (s. Fernández+97, S.6). Tabelle 4 fasst die definitorischen Erfassungen dieser
Basis-Modellierungsprimitive zusammen.
Primitivum Verwendung zur Modellierung von ...
Konzept
Objekttyp / mentales Verständniskonstrukt
Instanz
Konkrete Ausprägung eines Konzeptes
Property / Attribut Erfassung der Eigenschaften von Konzepten / Instanzen
Relation
Nicht-charakterisierende Beziehung zwischen Konzepten / Instanzen
Tabelle 4: Modellierungsprimitive ontologiebasierter Wissensmodellierung
B.1.2.2 Zielsetzung der Konzeptionalisierung
Bei den vorgestellten Modellierungsprimitiven ist die definitorische Ähnlichkeit, ja sogar
Äquivalenz mit entsprechenden Begrifflichkeiten aus dem Software Engineering sehr
auffällig. Diese findet sich auch in weiterführenden Aspekten wie der taxonomischen
Strukturierung als ein Kernaspekt der Modellierung oder im Umgang mit komplexen
Konzepten wieder und bedarf daher einer genaueren Betrachtung. Dazu soll an dieser
Stelle der wesentliche Unterschied zwischen Datenbank-Schemata, beziehungsweise
objektorientierter Modellierung und einem konzeptionellen Modell als Grundlage einer
Ontologie herausgearbeitet werden.
Die schematische Erfassung der Struktur des relevanten Weltausschnittes in einem
Modell des konventionellen Software Engineering dient der Abbildung dieses Ausschnitts
59 Hier wird der englische Begriff als Terminus Technicus beibehalten, da der Gebrauch des deutschen Begriffs
´Eigenschaften´ eine hohe Gefahr für begriffliche Unklarheit birgt.
60 Dieser Unterschied kann an folgendem Beispiel der Beschreibung der Farbe eines Objektes verdeutlicht werden.
Als Property wird dieses wie folgt ausgedrückt: OBJEKT – IST – ROT; als Attribut würde die Beschreibung
OBJEKT – HAT_FARBE – ROT ausgedrückt. Während in der ersteren Darstellung die Farbe eine direkte Eigenschaft
des Objektes darstellt, wird im letzteren dem Objekt die Instanz ROT des Konzeptes FARBE als Eigenschaft
zugewiesen (s. KBSI-94, S.16).

Kapitel B: Ontologie-Entwicklung 30
in einer Darstellungsform gemäß dem Datenmodell, welches durch die verwendete Technologie
verarbeitet werden kann. In der Welt der relationalen Datenbanken werden die
Strukturen der realen Welt in einem Entity-Relationsship-Diagramm erfasst, welches zwar
nur eine geringe semantische Aussagekraft hat, die Informationen aber im relationalen
Datenmodell darstellt und somit deren Verarbeitung durch die Datenbanktechnologie
ermöglicht (s. O´Neil+01, S. 329-396). Ähnlich verhält es sich bei der Erstellung des
Analysemodells in der objektorientierten Software-Entwicklung. Der Weltausschnitt wird
in Objektstrukturen derart erfasst, dass das Modell als Basis zur Entwicklung entsprechender
Applikationen unter Verwendung objektorientierter Technologien dienen
kann (s. Balzert99, S. 17-88).
Im Gegensatz zu einer solchen technologisch determinierten Modellierung soll ein
konzeptionelles Modell als Basis der Ontologie-Entwicklung die Struktur der realen Welt
selber beschreiben. Das heißt, dass mittels der beschriebenen Modellierungsprimitive das
externalisierte und gemeinsam akzeptierte Verständnismodell über das Wesen des betrachteten
Weltausschnitts erfasst werden und nicht die Struktur der Wissensdomäne in
ein technologisch konzipiertes Modell zur Weltinterpretation überführt werden soll. Das
dabei entstehende konzeptionelle Modell beschreibt die Beschaffenheit der Wissensdomäne
als Ergebnis eines Modellierungsprozesses, in dem die Wissensstrukturen
analysiert werden. Dieses Modell wird als „ontologische Theorie 61 “ bezeichnet, da es ein
objektives oder zumindest intersubjektives Verständnismodell der Wissensstrukturen der
Domäne darstellt.
Trotz dieses fundamentalen Unterschiedes in der Zielsetzung der konzeptionellen
Erfassung können für die Ontologie-Entwicklung gleichartige Modelle und damit gleichartige
Modellierungsprimitive wie im Software Engineering genutzt werden. Wesentlich ist
lediglich die Unterscheidung der verfolgten Intentionen. Die Erfassbarkeit des Verständnismodells
einer Wissensdomäne mit Hilfe von klassifizierenden und assoziierenden
Darstellungen wird mit Bezug auf psychologische Untersuchungen gerechtfertigt, in
denen derartige Vorgehensweisen auch für die menschliche Wahrnehmung nachgewiesen
wurden (s. Luger01, S. 227f).
B.1.2.3 Repräsentationsschemata
Zur Erstellung eines konzeptionellen Modells wird eine Darstellungsform im Sinne eines
Repräsentationsschemas benötigt (s. A.1.1.2). Dabei ist insbesondere das Potenzial zur
expliziten Bedeutungserfassung der identifizierten Wissensstrukturen in der Domäne für
die Eignung eines Repräsentationsschemas für diesen Zweck ausschlaggebend.
Bei der diesbezüglichen Betrachtung der drei einleitend vorgestellten methodologischen
Ansätze zur Ontologie-Entwicklung ist festzustellen, dass jeweils die Wichtigkeit
der Konzeptionalisierungsphase betont wird. Es werden allerdings sehr unterschiedliche
Herangehensweisen in den einzelnen Ansätzen vorgeschlagen. ´Uschold,
King´ behandeln ausführlich die sogenannte „Prozedur zur Ontologie-Eroberung 62 “, in
61 engl.: „ontological theory“ (Uschold+95, S, 1). Allgemeiner wird ein Erklärungsmodell einer Wissensdomäne als
Domänentheorie bezeichnet (s. A.2.1.1).
62 engl.: „A Procedure for Ontology Capture“ (Uschold+95, S, 9).

Kapitel B: Ontologie-Entwicklung 31
dem sie Schritte zur Erstellung des konzeptionellen Modells differenzieren und für jeden
Schritt entsprechende „Vorgehensrichtlinien 63 “ angeben (s. Uschold+95, S. 9-11). Diese
Prozedur stellt ein praxisorientiertes Vorgehensmodell für die Konzeptionalisierung, aber
kein Repräsentationsschema im hier verstandenen Sinne dar. Bei ´Grüninger, Fox´ wird
gar kein explizites konzeptionelles Modell entworfen, sondern der Ontologie-Entwickler
definiert in der Terminologie-Spezifikations-Phase die benötigten Wissensstrukturen der
Domäne an Hand der zuvor erstellten Kompetenzfragen direkt in einer formalen Darstellung
(s. Grüninger+95, S. 5). Hier wird also die Erstellung des konzeptionellen
Modells implizit durch den Entwickler ohne eine vorgelagerte modellhafte Erfassung
vorgenommen.
In der Konzeptionalisierungsphase von METHONTOLOGY werden mittels sogenannter
„intermediärer Repräsentationen 64 “ die aufgefundenen Wissensstrukturen in einer
standardisierten Darstellung erfasst. Dazu werden für die einzelnen Modellierungsprimitive
spezifische Tabellen verwendet, in denen die benötigten Informationen in natürlicher
Sprache festgehalten werden (s. Gómez-Pérez+96, S. 2-11). Die Erstellung dieser Tabellen
erfolgt sukzessiv gemäß einem Vorgehensmodell ähnlich dem genannten Ontologie-
Eroberungs-Prozess von ´Uschold, King´. Es werden zunächst die Konzepte erfasst und
in einer Taxonomie geordnet, dann die Attribute und Properties beschrieben und
anschließend die Relationen erfasst (s. Gómez-Pérez+96, S. 2), so dass die konzeptionelle
Erfassung der Domäne sukzessiv von der Bestimmung der Konzepte bis hin zu den
Relationen verfeinert wird. Die Darstellung der Wissensstrukturen mittels derartiger intermediäre
Darstellungen kann dann auf Grund der Standardisierung der Erfassungstabellen
für eine automatisierte Formalisierung verwendet werden. 65
Trotz der in den Ansätzen herausgestellten Wichtigkeit der Konzeptionalisierung ist es
erstaunlich, dass mit Ausnahme von METHONTOLOGY keine geeigneten Repräsentationsschemata
für die Erstellung des konzeptionellen Modells einer Ontologie vorgestellt
werden. Dies kann eventuell auf die Abstinenz ausgereifter Methodologien zurückgeführt
werden, wobei dieser Aspekt in der Literatur nicht aufgegriffen wird und somit die Suche
nach Begründungen rein spekulativen Charakter hätte. Es ist allerdings anzumerken, dass
bei der Darstellung des konzeptionellen Modells durch die intermediären Repräsentationen
von METHONTOLOGY keine visuelle Darstellung desselben erfolgt. Dadurch
kann das Modell bei wachsendem Umfang schnell unübersichtlich werden und die oben
als wesentliche Herausforderung vorgestellte gemeinsame Erarbeitung durch den
Ontologie-Entwickler und Beteiligte der Domäne auf Grund mangelnden technischen
Verständnisses sich als äußerst schwierig erweisen. Eine solche Visualisierungsmethode
erscheint auch vor dem Hintergrund sinnvoll, dass in den vergleichbaren Methodologien
63 engl.: „Guidelines“ (Uschold+95, S, 11).
64 engl.: „intermediate representations“ (Fernández+97, S. 2).
65 Für die automatische Generierung der formalen Darstellung einer Ontologie aus den intermediären Repräsentationen
wurde das ´Ontolgy Design Environment´ entwickelt, das die Überführung in verschiedene Repräsentationsformalismen
ermöglicht (s. Fernandéz+99, S. 43-45). Dieser Ansatz wird auch von anderen Ontologie-Entwicklungs-
Werkzeugen verfolgt, von denen die bekanntesten hier aufgeführt werden sollen.
1) OntoEdit der Firma ontoprise: Die Demoversion 2.5 ist unter: http://www.ontoprise.de (15.08.2002) erhältlich.
2) Protégé2000: Shareware, erhältlich unter: http://protege.semanticweb.org/download.html (08.06.2002).
3) OilEd: Shareware, erhältlich unter: http://oiled.man.ac.uk (16.07.2002).

Kapitel B: Ontologie-Entwicklung 32
des Software und Knowledge Engineering ebensolche verwandt werden. Aus diesem
Grund soll hier die visualisierende Darstellung des konzeptionellen Modells aus der
IDEF5 66 -Methodologie vorgestellt werden.
In der sogenannten „schematischen Sprache 67 “ von IDEF5 sind Repräsentationssymbole
für die einzelnen Modellierungsprimitive definiert, so dass strukturelle Zusammenhänge
der aufgefundenen Wissenselemente visualisiert werden können. Dabei sind
die Bedeutungen der Symbole vordefiniert, so dass eine eindeutige semantische Definition
der Begrifflichkeiten sichergestellt ist. Abbildung 6 zeigt beispielhaft die Darstellung einer
´Teil-von´– Relation. Die Konzepte sind als Kreise mit jeweiligen Bezeichnern dargestellt
und die Relation als gerichtete, bipolare Verknüpfung mit der entsprechenden Bezeichnung.
68 Da mit dieser Darstellungsmethode den Anforderungen an Repräsentationsschemata
entsprochen wird (s. A.1.1.2) und außerdem die Darstellung von Bedeutungspostulaten
bezüglich des ontologischen Levels der Wissensrepräsentation (s. A.2.1.2)
möglich ist, kann es als geeignete Visualisierungsmethodik für die Konzeptionalisierungsphase
der Ontologie-Entwicklung bezeichnet werden.
Abbildung 6: Beispiel IDEF5-Modellierung 69
B.1.3 Formalisierung
In der dritten Phase des Ontologie-Entwicklungsprozesses wird das konzeptionelle
Modell in eine formale Darstellung überführt, so dass die Maschinenlesbarkeit der Ontologie
gewährleistet ist. Dazu werden spezifische Repräsentationsformalismen (s. A.1.1.2)
verwandt, welche auf Grund ihrer Fähigkeit zur formalen Spezifikation von Ontologien
auch als „Ontologie-Spezifikations-Sprachen 70 “ bezeichnet werden. In dieser Phase wird
mit der Erstellung einer maschinenlesbaren Darstellung von Ontologien deren primäres
Verwendungsziel als bedeutungsdefinierende Komponente in computergestützten
Informationssystemen realisiert, weswegen die Forschungsaktivitäten auf diesem Feld
weiter fortgeschritten sind als in anderen Phasen. Dabei ist für den hier untersuchten
Zusammenhang kein Vergleich existenter Spezifikationsformalismen hinsichtlich deren
Repräsentationsfähigkeiten interessant, sondern vielmehr eine genauere Betrachtung der
66
IDEF5 Ontology Description Capture Method: Methodologie zur Ontologie-Entwicklung aus dem IICE
(Information Integration for Concurrent Engineering) – Projekt der KBSI (Knowledge Based Systems, Inc.), Texas,
USA. Dieser Ansatz bietet eine methodologische Beschreibung des Ontologie-Entwicklungsprozesses, welcher eine
differenzierte Betrachtung der Modellierungsprimitive, einen Erstellungsprozess für Ontologien und ein graphisches
Repräsentationsschema sowie einen entsprechenden Repräsentationsformalismus beinhaltet (vgl. KBSI-94). Obwohl
dieser Ansatz zeitlich vor den drei hier behandelten entwickelt wurde, wird er in der Literatur aus nicht direkt
nachvollziehbaren Gründen nur selten erwähnt. Daher wird er hier lediglich ergänzend aufgeführt und nicht als
methodologische Basis herangezogen. Weitere Informationen finden sich unter: http://www.idef.com (15.08.2002).
67 engl.: „schematic language“ (KBSI-94, S. 64).
68 Eine ausführliche Darstellung der Repräsentationssymbole und deren Verwendung findet sich in (KBSI-94, S. 64-
101). Dabei werden auch mögliche Lösungen zur Modellierung komplexer Konzepte und Zusammenhänge gegeben,
welche von Ontologie-Entwicklern als Referenz genutzt werden können - ähnlich wie Analysemuster aus dem Bereich
des objektorientierten Software Engineering (s. Balzert99, S. 89-118).
69 entnommen aus: (KBSI-94, S. 70).
70 engl.: „Ontology Specification Languages“ (s. Corcho+00, S. 1).

Kapitel B: Ontologie-Entwicklung 33
Anforderungen an derartige Repräsentationsformalismen – insbesondere im Hinblick auf
die Analyse der webbasierten Ontologie-Spezifikations-Sprachen als entsprechende Formalismen
für die formale Darstellung von Ontologien im Semantic Web (s. D.2). Dazu
werden im Folgenden die wesentlichen Bewertungskriterien für Ontologie-Spezifikations-
Sprachen erläutert und als entsprechendes Beispiel das Ontolingua-System vorgestellt,
welches sich als Quasi-Standard für die formale Spezifikation von Ontologien etabliert
hat.
B.1.3.1 Anforderungen an Ontologie-Spezifikations-Sprachen
Die Anforderungen an einen als Ontologie-Spezifikations-Sprache verwendbaren Repräsentationsformalismus
lassen sich derart zusammenfassen, dass sie den Anforderungen an
derartige Formalismen im Allgemeinen 71 genügen und eine Repräsentation von Wissensstrukturen
auf dem ontologischen Level (s. A.2.1.2) erlauben müssen. Konkreter bedeutet
dies, dass die in der Konzeptionalisierungsphase erfassten Strukturen der Wissensdomäne
korrekt in die formalen Spezifikation übertragbar sein müssen und dass die Eindeutigkeit
der entstandenen Ausdrücke durch eine entsprechende formale Semantik des Formalismus
(s. A.1.1.2) gewährleistet sein soll. Während der letztere Aspekt bei den zur Verfügung
stehenden Sprachen als gegeben angesehen werden kann, besteht die wesentliche
Aufgabe des Ontologie-Entwicklers in der Auswahl eines geeigneten Formalismus
hinsichtlich des ersteren Aspekts. Daher sollen die dazu erforderlichen Kenntnisse zur
Bewertung der Spezifikationsfähigkeit einer solchen Sprache hier genauer untersucht
werden.
B.1.3.1.1 Spezifikationsfähigkeit
Für die Bewertung der Ausdrucksstärke einer Ontologie-Spezifikations-Sprache sind
deren Darstellungsmöglichkeiten für Modellierungsprimitive sowie für die im konzeptionellen
Modell erfassten Zusammenhänge (s. B.1.2) zu betrachten. Dazu sollen hier
Kriterien erläutert werden, die für einen Vergleich von Ontologie-Spezifikations-Sprachen
herangezogen wurden (vgl. Corcho+00).
Zunächst ist die Qualität der formalen Erfassung für die oben erläuterten Modellierungsprimitive
zu bewerten. Zur Definition eines Konzeptes ist zu beachten, ob
entsprechende Metaklassen zur Beschreibung des Konzeptes definiert werden können
und damit die Darstellung einer taxonomischen Struktur der Konzepte möglich ist. Dabei
kommt der Behandlung von Taxonomien besondere Bedeutung zu, da die taxonomische
Struktur einer Ontologie konstituierenden Charakter hat und daher die darin erfassten
Zusammenhänge richtig bezüglich der intendierten Bedeutung und explizit bezüglich ihrer
eindeutigen Interpretation ausgedrückt werden müssen. 72 Für die Handhabung von Instanzen
ist zu prüfen, ob diese sich als Unterklassen von Konzepten erzeugen lassen und
71 Die allgemeine Anforderungen an Repräsentationsformalismen (zusammenfassend aus: A.1.1.2) sind:
(1) qualitatives Wissen beschreiben,
(2) neues Wissen durch inferenzielle Verknüpfungen generieren,
(3) allgemeine und spezielle Zusammenhänge darstellen,
(4) komplexe semantische Bedeutungen beschreiben und
(5) Metawissen darstellen können.
72 Es sind verschiedene Arten von Beziehungen zwischen Entitäten in einer Ontologie zu differenzieren, z.B. „is-a“ –
und „is-part-of“ – Relationen. Eine genauere Betrachtung dieser Problematik wird in (B.2.2) vorgenommen.

Kapitel B: Ontologie-Entwicklung 34
in wieweit ein Vererbungsmechanismus für zugehörige Attribute, Properties und Relationen
unterstützt wird. Da Attribute und Properties zur Beschreibung von Eigenschaften
der Konzepte und Instanzen verschiedenartige Charakteristika aufweisen können, sollten
die diesbezüglichen Ausdrucksfähigkeiten der Sprache beachtet werden. Als wesentliche
Aspekte seien hier die Unterscheidung von Konzept- und Instanzattributen sowie die
Behandlung polymorpher Attribute, beziehungsweise Properties genannt. 73 Zur formalen
Darstellung von Relationen ist zu beachten, wie diese mit Konzepten oder Instanzen
verknüpft, ob Integritätsbeschränkungen angegeben und ob Definitionen für inferenzielle
Funktionalitäten definiert werden können. Schließlich ist die Dokumentationsmöglichkeit
innerhalb des Formalisierungs-Kodes zu berücksichtigen, wodurch die Verständlichkeit
und damit die Wiederverwendbarkeit der Ontologie durch Dritte gewährleistet wird (s.
Corcho+00, S. 1-2).
Neben den Fähigkeiten zur formalen Erfassung und Manipulation der grundlegenden
Modellierungsprimitive sollte eine Ontologie-Spezifikations-Sprache auch Möglichkeiten
zur Darstellung von komplexeren Zusammenhängen mittels entsprechender inferenzieller
Konstrukte bieten. Dazu ist – je nach angestrebtem Formalisierungsgrad – zu prüfen, in
wieweit sich axiomatisierte Ausdrücke erstellen und verwenden lassen und ob sogenannte
„Produktionsregeln 74 “ für die Spezifikation komplexer Prozessabläufe innerhalb der
Domäne definiert werden können (s. Corcho+00, S. 2-3).
B.1.3.1.2 Entwicklungsumgebung
Eine Ontologie-Spezifikations-Sprache kann nur sinnvoll für die Formalisierung einer
Ontologie genutzt werden, wenn sie in eine entsprechende Entwicklungsumgebung
eingebettet ist. Dazu ist hinsichtlich der Operationalisierbarkeit die Qualität vorhandener
Interpreter sowie die Möglichkeiten zur softwaretechnischen Integration der Ontologie in
Informationssysteme zu berücksichtigen. Weiterhin sollte eine solche Entwicklungsumgebung
geeignete Werkzeuge für die Entwicklung und die Handhabung von Ontologien
bieten sowie den Zugang durch Dritte ermöglichen. Eine ausführlichere Diskussion
derartiger Hilfsmittel geht über die grundsätzlichen Anforderungen an Ontologie-
Spezifikations-Sprachen hinaus, weshalb in Tabelle 5 lediglich die wichtigsten Werkzeuge
mit eine entsprechenden Erläuterung aufgelistet werden.
Werkzeug
Funktion
Editor
Editierung der formalen Darstellung.
Browser Ansicht existenter Ontologien aus der Bibliothek.
Wartung Wartung und Änderbarkeit der Ontologie.
Übersetzer Übersetzung in andere Repräsentationsformalismen.
Integrator Integration der Meta-Ontologie / anderer zu integrierender Ontologien.
Tabelle 5: Werkzeuge einer Ontologie-Entwicklungsumgebung 75
73 Durch diese Unterscheidungen aus der objektorientierten Software-Entwicklung können Bedeutungsunterschiede
erfasst werden, ohne sie explizit zu formalisieren. Ein Konzept,- bzw. Klassenattribut hat den gleichen Wert für alle
Instanzen während ein Instanzattribut einen spezifischen, temporären Wert für seine Instanz hat (s. Balzert99, S. 35).
Polymorphe Attribute tragen nur eine Bezeichnung, je nach Kontext aber eine andere Bedeutung (s. Balzert99, S. 43).
74 engl.: „production rules“ (Corcho+00, S. 2).
75 nach: (s. Fernández+97, S. 6f). Übersetzung der Begrifflichkeiten durch den Autor.

Kapitel B: Ontologie-Entwicklung 35
B.1.3.2 Ontolingua
Mit dem Ontolingua-System können Ontologien derart dargestellt werden, dass sie mit
der Darstellung in anderen Repräsentationsformalismen kompatibel sind. Somit dient die
formale Erfassung einer Ontologie in der Ontolingua-Sprache als Austauschformat für
Ontologien zwischen verschiedenen Systemumgebungen, so dass dieselbe Ontologie in
verschiedenen technischen Umgebungen verwendet werden kann (s. Gruber93b, S. 5).
Um eine derartige Funktionalität bieten zu können, muss die Spezifikationsfähigkeit von
Ontolingua diejenigen aller zu unterstützenden Formalismen umfassen, was beim Vergleich
von Ontologie-Spezifikations-Sprachen deutlich wird (s. Cocho+00, S.6-9). Da
somit eine Referenz für entsprechende Sprachen entstand, hat Ontolingua sich als Quasi-
Standard für die formale Spezifikation von Ontologien etabliert (s. Motta98, S. 4f) und
soll daher hier stellvertretend vorgestellt werden.
Die Spezifikation von Ontologien mit Ontolingua umfasst drei Teile. Zunächst existiert
eine syntaktische Notation, mit der Wissenselemente durch die entsprechenden Modellierungsprimitive
deklariert und mit einer natürlichsprachlichen Beschreibung versehen
werden können. Als zweiter Teil können den einzelnen Wissenselementen KIF-
Ausdrücke 76 zur Spezifikation inferenzieller Zusammenhänge zugefügt werden. Den dritten
Teil bildet die Frame-Ontology 77 , welche formale Spezifikationen der Modellierungsprimitive
enthält und als Wissensrepräsentations-Ontologie zur Definition von Ontologien
in Ontolingua dient. Abbildung 7 zeigt als Beispiel für eine bibliographische Ontologie
die Definition eines Konzeptes AUTHOR in Ontolingua, wobei der Autor mindestens
ein Dokument erstellt haben muss und über seinen echten Namen identifiziert wird. Die
drei Teile der Spezifikation sind durch Erläuterungen gekennzeichnet. Die Zeilen 1 bis 3
um-fassen den Deklarationsteil und die Zeilen 4 bis 9 den Teil mit den KIF-Ausdrücken.
Im letzteren werden zur Definition der Relationen in den Zeilen 5, 6 und 7 vordefinierte
ontologische Relationen aus der Frame-Ontology genutzt. Die in diesen Ausdrücken
referenzierten Objekte sind Attribute des Konzepts AUTHOR, die an anderer Stelle der
Ontologie-Spezifikation definiert worden sind. In den Zeilen 8 und 9 werden die inferenziellen
Beziehungen für den Zugehörigkeitsprüfung definiert (s. Gruber93b, S. 9f).
KIF-
Ausdrücke
1
2
3
4
5
6
7
8
9
Konzeptdeklaration
Beschreibung
(define-class AUTHOR (?author)
" An author must have created at least one document. In
this ontology, an author is known by his or her real name."
:def (and (person ?author)
(= (value-cardinality ?author AUTHOR.NAME) 1) Attribut-
Relationen (value-type ?author AUTHOR.NAME biblio-name) Zugriffe
(>= (value-cardinality ?author AUTHOR.DOCUMENTS) 1)
( (author.name ?author ?name) inferenzielle Beziehungen
(person.name ?author ?name))))
Abbildung 7: Konzeptdefinition in Ontolingua 78
76 KIF (Knowledge Interchange Format): deklarative Sprache basierend auf der Prädikatenlogik, welche vor allem
zum Austausch von formalisierten Wissensstrukturen zwischen heterogenen Repräsentationsformalismen entwickelt
wurde. Dabei stellt KIF keine Implementierungssprache dar, sondern dient lediglich der strukturierten Formalisierung
von Wissensstrukturen (s. Gruber93, S. 4f).
77 Eine Übersicht der definierten Elemente findet sich in (Gruber93b, S.22-23).
78 entnommen aus: (Gruber93b, S. 10). Anmerkungen durch den Autor.

Kapitel B: Ontologie-Entwicklung 36
Eine Entwicklungsumgebung im oben erläuterten Sinne wird mit dem „Ontolingua
Server“ (vgl. Farquhar+96) bereitgestellt. Darin existiert ein Editor zur Ontologie-
Erstellung, ein webbasierter Browser zur Ansicht von Ontologien sowie die Möglichkeit
zur Wartung und Änderung von Ontologien als authentifizierter Benutzer des Servers.
Die wichtigste Komponente stellen die Übersetzer zur Überführung von Ontologie aus
Ontolingua in mehrere andere Repräsentationsformalismen dar. Abschließend sei angemerkt,
dass Ontolingua selber kein Formalismus für eine konkrete Implementierung,
sondern lediglich für die formale Spezifikation von Ontologien ist (s. Gruber93b, S.5f).
B.1.4 Evaluation und Dokumentation
Als abschließende Aktivitäten der Ontologie-Entwicklung werden in den drei eingangs betrachteten
methodologischen Ansätzen die Evaluation sowie die Dokumentation genannt
(s. Tabelle 2). Dabei wird – wie auch für andere Phasen – die Wichtigkeit der Qualitätsprüfung
für Ontologien betont, jedoch werden nur relativ vage Aussagen zur konkreten
Durchführung gemacht. ´Uschold, King´ weisen lediglich darauf hin, dass eine Ontologie
evaluiert und dokumentiert werden sollte (Uschold+95, S. 4). Die Vollständigkeitstheoreme
und die formalisierten Kompetenzfragen im Ansatz von ´Grüninger, Fox´ ermöglichen
automatisierte Evaluation (Grüninger+95, S. 9), wodurch zwar die Richtigkeit der
Schlussfolgerungsfähigkeiten der Ontologie geprüft, jedoch nicht die konzeptionelle Korrektheit
evaluiert werden kann. In METHONTOLOGY werden die Evaluation sowie die
Erstellung einer entsprechenden Dokumentation als begleitende Tätigkeiten in allen
Phasen des Ontologie-Entwicklungs-Prozesses proklamiert (s. Fernández+97, S. 7f).
Daraus wird ersichtlich, dass noch keine ausgereiften Mechanismen zur Qualitätsprüfung
von Ontologien existieren, so dass hier lediglich die bisher aufgefundenen Erkenntnisse
zusammenfasst werden können. Hinsichtlich der Dokumentation einer Ontologie
steht vor allem deren Nutzbarkeit zur Entwicklung darauf basierender Applikationen
im Vordergrund. Die Erläuterung dieser beiden Aspekte schließt die Betrachtung
des Ontologie-Entwicklungs-Prozesses ab.
B.1.4.1 Evaluation
Die Evaluation von Ontologien wird wie in entsprechenden Vorgehensmodellen aus dem
Bereich des Knowledge Engineering (vgl. Schreiber+00, S. 181f) in eine interne und eine
externe Prüfung unterteilt. Bei der ersteren, bezeichnet als „Verifikation 79 “, wird die technische
Korrektheit der formalen Darstellung hinsichtlich Syntax und Einbettung in die
softwaretechnische Umgebung geprüft. In der letzteren wird die Erfüllung der Anforderungen
aus der Spezifikationsphase (s. B.1.1.1) sowie die konzeptionelle Korrektheit der
ontologischen Theorie (s. B.1.2.1) geprüft, weshalb diese Prüfung als „Validierung 80 “ bezeichnet
wird. Für diese beiden Aspekte sollen im Folgenden Evaluationskriterien sowie
typische Fehler bei der Ontologie-Entwicklung vorgestellt werden, welche aus den
bisherigen Erfahrungen hervorgegangen sind und als Grundlage für die Entwicklung
entsprechender Evaluationstechniken dienen können (s. Gómez-Pérez01, S. 407f).
79 engl.: „Verfication“ (Gómez-Pérez01, S. 393).
80 engl.: „Validation“ (Gómez-Pérez01, S. 393).

Kapitel B: Ontologie-Entwicklung 37
B.1.4.1.1 Kriterien der Qualitätsprüfung
Zur Evaluation der Qualität einer Ontologie ist sie unter den folgenden fünf Gesichtspunkten
zu betrachten. Werden dabei keine Fehler aufgefunden, ist die Ontologie verifiziert
und validiert. Das erste Kriterium ist die Konsistenz (engl.: „Consistency“), wobei
die interpretatorische Eindeutigkeit aller erfassten Wissenselemente in der Ontologie zu
prüfen ist. Die Konsistenz ist erreicht, wenn die informelle sowie die formale Definition
jeweils eindeutig in ihrer intendierten Bedeutung sind und die Bedeutungsdefinitionen der
informellen und der formalen Definition konsistent zueinander sind. Als zweites ist die
Vollständigkeit (engl.: „Completeness“) zu prüfen. Als vollständig wird eine Ontologie
bezeichnet, wenn alles zur antizipierten Funktionalität der Ontologie benötigte Wissen der
Domäne direkt oder indirekt, also durch inferenzielle Ableitungen in der Ontologie erfasst
ist. Konträr dazu wird mit dem dritten Kriterium der Prägnanz (engl.: „Conciseness“) die
Vermeidung von Redundanz gefordert. Redundante Strukturerfassungen liegen vor, wenn
zwei Elemente die gleiche formale Spezifikation aufweisen. Das vierte Kriterium der
Erweiterbarkeit (engl.: „Expandability“) erfasst den Aufwand zur Änderung der Ontologie.
Mit dem fünften Kriterium soll hinsichtlich der Stabilität (engl.: „Sensitiveness“) der
Ontologie geprüft werden, inwiefern kleine Änderungen in der Ontologie signifikante
Änderungen deren grundlegender Struktur hervorrufen. 81
B.1.4.1.2 Typische Fehler der Ontologie-Entwicklung
Zur Verdeutlichung der vorgestellten Kriterien zeigt Tabelle 6 einige typische Fehler auf,
die bei der Ontologie-Entwicklung häufig beobachtet werden können.
Fehlertyp
Inkonsistenz
Unvollständigkeit
Redundanz
Beispiel
- Vererbung (z. B. Behandlung disjunkter / erschöpfender Spezialisierungen)
- falsche semantische Klassifikation
- fehlende, unvollständige Konzepte / Relationen
- unvollständige Erfassung der taxonomischen Struktur
mehrere Konzepte / Relation mit gleicher formaler Spezifikation
Tabelle 6: Typische Fehler bei der Ontologie-Entwicklung 82
B.1.4.2 Dokumentation
Eine ausführliche und qualitativ hochwertige Dokumentation von Ontologien ist vor dem
Hintergrund von deren Nutzung, Wiederverwendung und Integration als bedeutungsdefinierendes
Konstrukt in mehreren Applikationen als ein wichtiger Aspekt zu betrachten.
Obwohl einige Dienste, beispielsweise der angesprochene Ontolingua Server (s.
B.1.3.2), die Einsicht in existente Ontologien ermöglichen, stellen diese Übersichten bisher
proprietäre Lösungen dar. Um Entwicklern die Auswahl einer geeigneten Ontologie
für die Entwicklung einer darauf basierenden Applikation oder zur Integration in eine
neue Ontologie zu erleichtern, sollten für jede Ontologie entsprechende Informationen
dokumentiert sein. Zu den wichtigsten Aspekten zählen dabei die spezifizierte Verwendung,
die Beschreibung des konzeptionellen Modells sowie dessen Validierung, die
Verifikation der formalen Darstellung sowie die Portabilität, also die Überführbarkeit in
mögliche Implementierungssprachen (s. Gómez-Pérez01, S. 395-396).
81 Die Kriterien sowie deren Erläuterung sind (Gómez-Pérez01, S. 394-395) entnommen. Die Übersetzung der
Begriffe wurde durch den Autor vorgenommen, wobei jeweils das englische Original mit angegeben wurde.
82 Fehlertypen und Beispiele entnommen aus (Gómez-Pérez01, S. 397-399). Übersetzungen durch den Autor.

Kapitel B: Ontologie-Entwicklung 38
B.2 Qualitätssichernde Aspekte
Anschließend an die Erläuterungen der Phasen des Ontologie-Entwicklungsprozesses
sowie der dabei auftretenden Problemstellungen sollen weiterführende Errungenschaften
des Ontology Engineering vorgestellt werden, durch deren Kenntnis und Beachtung bei
der Ontologie-Entwicklung vor allem konzeptionelle Fehler vermieden oder zumindest
gemindert werden sollen.
Als erstes werden dazu sogenannte „Design-Kriterien 83 “ (B.2.1) vorgestellt. Damit
werden Prinzipien beschrieben, die bei den Design-Entscheidungen für eine zu entwickelnde
Ontologie von der initialen Planung in der Spezifikationsphase bis hin zur Formalisierung
befolgt werden sollten. Dahinter steht die Zielsetzung, Ontologien als bedeutungsdefinierende
Konstrukte so allgemein wie möglich zu halten und somit deren Verwendungsmöglichkeiten
so vielfältig wie möglich zu gestalten. Als zweiter Aspekt soll die
sogenannte „OntoClean Methodologie 84 “ als ein auf philosophischen Erkenntnissen
beruhender Ansatz der Meta-Modellierung (B.2.2) vorgestellt werden. Darin wird eine
differenzierte Analyse der Charakteristika von Wissenselementen und deren Beziehungen
untereinander für ein vertiefendes Verständnis ontologischer Modellierungsprimitive
gegeben und außerdem eine Evaluationstechnik zur Validierung der taxonomischen
Struktur von Ontologien entwickelt.
Durch die im Folgenden vorzustellenden Aspekte sollen dem Ontologie-Entwickler
vertiefende Kenntnisse zur Verfügung gestellt werden, mit deren Hilfe zum einen die
angestrebte „Teilung von Wissen 85 “, also die Nutzung einer gemeinsamen Verständnisgrundlage
einer Wissensdomäne als ein Hauptziel ontologiebasierter Wissensmodellierung,
verbessert werden kann und zum anderen typische Fehler in der Konzeptionalisierungs-
und Formalisierungsphase (s. B.1.4.1.2) der Ontologie-Entwicklung vermieden
werden können. Daher vermag die Berücksichtigung dieser Kenntnisse bei der Entwicklung
von Ontologien zur Erhöhung der Qualität beitragen, weshalb der zweite Teil
dieses Kapitels entsprechend mit ´Qualitätssichernde Aspekte´ betitelt wurde.
B.2.1 Designkriterien
Unter dem Designaspekt einer Ontologie werden Entscheidungen darüber verstanden,
wie diese aufgebaut, strukturiert und dargestellt werden soll, um die antizipierte Funktionalität
gewährleisten zu können. Dabei determinieren die funktionalen Anforderungen an
eine Ontologie die Art und Weise des Aufbaus und der Darstellung der erfassten Wissensstrukturen
in allen Entwicklungsphasen (s. Gruber93, S. 2). Werden dafür allgemein
gehaltene Vorgaben zur Handhabung derartiger Implikationen erstellt, so können diese als
Design-Prinzipien bezeichnet werden. Hier sollen jene von Gruber definierten Prinzipien
vorgestellt werden, die er als Design-Kriterien bezeichnet. Diese umfassen die grundlegenden
Design-Entscheidungen und werden in der Literatur jeweils als die wesentlichen
Design-Prinzipien referenziert. (vgl. Uschold+96, S. 17f; Gómez-Pérez99, S.2). In Tabelle
7 werden diese Kriterien aufgelistet und erläutert.
83 engl.: „design criteria“ (Gruber93, S. 2).
84 engl.: „OntoClean methodology“ (Guarino+02).
85 engl.: „knowledge sharing“(Gruber93, S. 0 (Abstract)).

Kapitel B: Ontologie-Entwicklung 39
Kriterium
Klarheit
(engl.: „Clarity“)
Kohärenz
(engl.: „Coherence“)
Erweiterbarkeit
(engl.: „Extendibility“)
Minimaler Implementierungseinfluss
(engl.: „minimal encoding
bias“)
Minimale ontologische
Verpflichtung
(engl.: „minimal ontological
commitment“)
Beschreibung
Mit diesem Kriterium wird die definitorische Klarheit, also eine möglichst objektive,
allgemein verständliche Beschreibung der in der Ontologie erfassten
Wissenselemente gefordert. Sind Zusammenhänge axiomatisiert, so
sollen entsprechend notwendige und hinreichende Bedingungen definiert
werden. Weiterhin wird für jedes erfasste Wissenselement eine natürlichsprachliche
Beschreibung gefordert.
Hiermit wird die schon im Zusammenhang der Evaluation (s. B.1.4.1.1) erwähnte
Konsistenz der beschriebenen Wissensstrukturen innerhalb einer
Ontologie gefordert. Dieses erstreckt sich nicht nur über die interpretative
Eindeutigkeit einzelner Elemente, sondern auch auf deren strukturellen Zusammenhang.
Die ebenfalls im Rahmen der Evaluation erwähnte Erweiterbarkeit einer
Ontologie sollte bei Design-Entscheidungen berücksichtigt werden. Je einfacher
eine Ontologie zu erweitern ist, desto besser kann sie für die Verwendung
in einer konkreten Anwendungssituation modifiziert werden.
Hierunter wird verstanden, dass bei der formalen Spezifikation einer Ontologie
keine implementierungstechnischen Aspekte eines eventuell favorisierten
Repräsentationsformalismus berücksichtigt werden sollen, da Ontologien
die Beschreibung von Wissensdomänen auf der Wissensebene (s.
A.1.1.1) darstellen. Dieses Kriterium ist unter dem Hintergrund zu verstehen,
dass dessen Autor im Ontolingua-Projekt (s. B.1.3.2) tätig war und
daher Ontologien in erster Linie als formale Spezifikation einer ontologischen
Theorie (s. B.1.2.2) ohne Implementierungsziel versteht.
Dieses Kriterium besagt, dass eine Ontologie von den sie nutzenden Agenten
eine möglichst geringe ontologische Verpflichtung (s. A.2.1.1) verlangen
sollte. Dass bedeutet, dass die ontologische Theorie möglichst wenig
wertende Annahmen über die Wissensdomäne beinhaltet und somit den
Agenten größtmögliche interpretative Freiheiten erlaubt. Dadurch soll ein
breites Verwendungsfeld der Ontologie durch Nutzer mit unterschiedlichen
Inten-ionen ermöglicht werden.
Tabelle 7: Design-Kriterien für Ontologien 86
Die ersten beiden Kriterien (Klarheit und Kohärenz) beziehen sich auf die konzeptionelle
Korrektheit der in der Ontologie erfassten Wissensstruktur. Mit den Forderungen
nach hoher Erweiterbarkeit und einer minimalen ontologischen Verpflichtung soll die
ermöglichte Wissensteilung durch eine Ontologie als generelles Ziel ontologiebasierter
Wissensmodellierung erhöht werden. Die Forderung nach minimalem Implementierungseinfluss
soll den bedeutungsdefinierenden Charakter einer Ontologie als Domänenbeschreibung
auf der Wissensebene verdeutlichen. Die Ähnlichkeit dieser Design-Kriterien
mit den oben vorgestellten Kriterien zur Evaluation von Ontologien (s. B.1.4.1.1) beruht
auf der gleichartigen Zielsetzung der Qualitätssicherung und impliziert, dass durch deren
Berücksichtung während der Entwicklung die Qualität einer Ontologie verbessert werden
kann.
86 Kriterien und Erläuterungen entnommen aus (Gruber93, S. 2f). Übersetzungen durch den Autor, wobei für die
Kriterienbezeichnung das englische Original mit angegeben wurde. Weitere Prinzipien mit ähnlicher Zielsetzung sind
in (Gómez99, S.2f) aufgeführt.

Kapitel B: Ontologie-Entwicklung 40
B.2.2 Meta-Modellierung
Als weiterer Aspekt der Qualitätssicherung der Ontologie-Entwicklung soll ein methodologischer
Ansatz vorgestellt werden, aus dem ein vertiefendes Verständnis der für die
Ontologie-Entwicklung zur Verfügung stehenden Modellierungsprimitive gewonnen
werden kann und der weiterhin eine formale Evaluation taxonomischer Strukturen als
strukturgebende Basis einer Ontologie ermöglicht. Forschungsarbeiten im Rahmen dieses
Ansatzes, auf Grund seiner evaluatorischen Fähigkeiten auch als „OntoClean Methodologie
87 “ bezeichnet, werden seit Mitte der 1990er Jahre im Umfeld von N. Guarino und
C. Welty durchgeführt. 88 Ziel der Arbeiten ist die Entwicklung einer Methodologie zur
„ontologiebasierten konzeptuellen Analyse 89 “, worin die im Folgenden vorzustellende
Methodik den funktionalen Kern bildet (s. Guarino+00a, S. 1).
Die Methodologie beruht auf Basisbegriffen aus der philosophischen Ontologie
(´Lehre des Seins´, vgl. A.), mit welchen die „ontologische Natur 90 “, also die wesensbeschreibenden
Charakteristika von Entitäten und deren Beziehungen untereinander
genauer erfasst werden können. Diese Begrifflichkeiten sind zum einen derart allgemein
definiert, dass sie domänenunabhängig zur charakterlichen Beschreibung aufgefundener
Wissenselemente und -strukturen verwandt werden können. Zum anderen sind sie als formale
Ausdrücke definiert, so dass sich daraus allgemeingültige, regelhafte Beschränkungen
für Relationen zwischen Wissenselementen bezüglich deren ontologischer Korrektheit
ableiten lassen. Mit Hilfe dieser wesensbeschreibenden, formalen Begrifflichkeiten als
sogenannte „Meta-Properties 91 “ können Taxonomien validiert werden. Dazu wird jedes
Wissenselement einer taxonomischen Struktur im Sinne einer Meta-Modellierungs-
Sprache (s. Guarino+00, S. 1) mit den Basisbegriffen beschrieben. An Hand der allgemeinen
Regeln und Beschränkungen kann die taxonomische Struktur bezüglich Inkonsistenzen
oder verfälschender Modellierungsentscheidungen auf eine formale Art und
Weise evaluiert und korrigiert werden.
Der Begriff der Taxonomie hat in diesem Ansatz entscheidende Bedeutung und soll
daher genauer betrachtet werden. Eine Taxonomie beschreibt die Struktur von Wissenselementen
einer Domäne in einer Hierarchie, die ausschließlich durch Subsumptions-
Relationen (auch „is_a“- oder „Subclass“-Relation) gebildet wird (s. Guarino+00b, S. 63).
Eine Subsumptions-Relation liegt vor, wenn die wesensdefinierenden Eigenschaften einer
untergeordneten Klasse denen der ihr übergeordneten Oberklasse entsprechen und somit
eine Vererbung im Sinne von Spezialisierung und Generalisierung besteht (s. Luger01, S.
252ff). Taxonomische Strukturen eignen sich gut für eine leicht verständliche Darstellung
87 engl.: „OntoClean methodology“ (Guarino+02).
88 NICOLA GUARINO: Wissenschaftler am ´Institute for System Theory and Biomedical Engineering of the Italian
National Research COUNCIL (CNR)´, Padova, Italien. CHRISTOPHER WELTY: Assistant Professor for Computer
Science, Vassar College in Poughkeepie, New York, USA.
89 engl.: „ontology-driven conceptual analysis (ODCA)“ (Guarino+00a, S. 1).
90 engl.: „ontological nature“ (Guarino+00a, S. 1).
91 Der Begriff „Meta-Property“ (Guarino+00a, S. 1) wird hier als Terminus Technicus beibehalten. Es sei an dieser
Stelle auf die andersartige Verwendung der Begrifflichkeiten durch die Autoren im Vergleich zu den bisherigen Ausführungen
hingewiesen. In der vorliegenden Literatur zu diesem Themengebiet wird der Begriff ´Property´ als Oberbegriff
aller Bestandteile einer Ontologie verwendet, während in dieser Ausarbeitung eine Property als Modellierungsprimitivum
für Eigenschaften verwendet wurde (s. B.1.2.1). Um eine begriffliche Einheitlichkeit in den
Ausführungen zu erhalten, wird im weiteren Verlauf ´Wissenselement´ als entsprechender Oberbegriff verwendet.

Kapitel B: Ontologie-Entwicklung 41
von Zusammenhängen, weshalb sie insbesondere im Bereich der konzeptionellen Modellierung
vielfach eingesetzt werden. Dabei werden häufig fälschlicherweise Subsumptions-
Relationen proklamiert, was sowohl auf die Ausnutzung der strukturierenden Funktion als
auch auf methodische Unkenntnisse zurückgeführt wird (s. Guarino+02, S. 63ff). In
konventionellen softwaretechnischen Bereichen dient eine solche vom Prinzip her fehlerhafte
Verwendung von Subsumptions-Relationen häufig als Hilfsmittel zur technischen
Realisierung, welche keine Auswirkungen auf die funktionale Qualität des Systems hat.
Die diesbezügliche Korrektheit von Taxonomien als strukturkonstituierende Basis von
Ontologien ist dagegen als sehr wichtig zu betrachten, da die ontologische Theorie durch
die Definition fehlerhafter Subsumptions-Beziehungen ihrem Anspruch als korrektes und
allgemeines Verständnismodell der Domäne nicht gerecht werden kann. Daher wird mit
dem hier vorgestellten Ansatz das Ziel verfolgt, die taxonomische Struktur einer Ontologie
hinsichtlich der Richtigkeit proklamierter Subsumptions-Relationen mit Hilfe einer
differenzierten Analyse der Wesenseigenschaften der erfassten Wissenselemente zu evaluieren
(s. Guarino+00b, S. 3-5).
Aus diesem methodologischen Ansatz können zweierlei Erkenntnisse gewonnen
werden. Zum einen bieten die Basisbegriffe ein vertiefendes Verständnis zur korrekten
Verwendung der Modellierungsprimitive für eine valide Konzeptionalisierung (s. B.1.2).
Zum anderen ergibt sich durch deren Nutzung zur Meta-Modellierung eine formale, theoretisch
fundierte Methodik zur qualitativen Analyse des konzeptionellen Modells, welche
als Evaluationstechnik zur Qualitätsprüfung von Ontologien (s. B.1.4.1.1) verwendet
werden kann. Um diese Aspekte herauszuarbeiten, werden im Folgenden zunächst die
Basisbegriffe sowie die daraus resultierenden Implikationen als theoretisches Fundament
dieses Ansatzes erläutert und anschließend die darauf basierende Methodik zur Validierung
von Taxonomien vorgestellt.
B.2.2.1 Theoretische Grundlagen
Der Vorstellung der Basisbegriffe dieses methodologischen Ansatzes ist zunächst eine
kurze Erläuterung ihrer Herkunft voranzustellen. Es handelt sich dabei um grundlegende
Begrifflichkeiten der sogenannten „Formalen Ontologie 92 “, welche sich mit Objekten der
realen Welt und deren Verknüpfungen beschäftigt, dafür formale Aussagen definiert und
so die ontologische Natur, also die Wesenseigenschaften betrachteter Objekte mittels allgemeingültiger
Beschreibungen erfassen möchte (s. Smith98, S.1). Ohne ausführlicher auf
die Erkenntnisse dieser philosophische Disziplin einzugehen, seien hier die drei wesentlichen
theoretischen Grundlagen genannt. Die erste ist die als Mereologie bezeichnete
formale Theorie der Relation zwischen Teil und Ganzem (s. Brockhaus96 Bd. 14, S. 512).
Die Topologie als mathematische Theorie zur Strukturierung von Räumen und Gegenständen
(s. Brockhaus96-14 Bd. 22, S. 186ff) stellt die zweite Theoriebasis dar und die
dritte ist die Theorie der Abhängigkeit 93 , worin existentielle Abhängigkeiten zwischen
Objekten untersucht werden.
92 engl.: „Formal Ontology“ (Smith98, S.1).
93 engl.: „theory of dependence“ (Smith98, S. 1).

Kapitel B: Ontologie-Entwicklung 42
B.2.2.1.1 Basisbegriffe
Zur Erläuterung der Basisbegriffe werden diese zunächst in Tabelle 8 übersichtlich dargestellt
und deren Definition natürlichsprachlich wiedergegeben. 94 Weiterhin wird in der
Tabelle die Notation angegeben, welche bei der Zuweisung der Basisbegriffe als Meta-
Properties zu Wissenselementen einer Taxonomie zwecks deren Validierung (s. B.2.2.2)
verwendet wird. Dazu werden drei dem Symbol für den Basisbegriff vorangestellte Präfixe
genutzt. (+) bedeutet, dass alle Instanzen des Wissenselementes die Meta-Property erfüllen.
Als Gegenteil dazu bedeutet (-), dass nicht alle Instanzen sie tragen. (~) besagt,
dass keine Instanz diese Meta-Property erfüllt, was eine stärkere Einschränkung darstellt
als (-) (s. Guarino+ 00a, S. 1). Anschließend an die tabellarische Übersicht soll die Bedeutung
der Basisbegriffe für die Wesensbeschreibung von Wissenselementen und -strukturen
an Hand entsprechender Beispiele verdeutlicht werden.
Basisbegriff Erläuterung Notation
Rigidität
(engl.: „rigidity“)
Ein Wissenselement ist rigide, wenn es für alle seine Instanzen
essentiell ist: Also, wenn es immer wahr ist und sich nicht ändert.
+R, -R, ~R
Identität
(engl.: „identity“)
Über ihre Identität können einzelne Wissenselemente identifiziert
werden. Diese ist durch die Ungleichheit zweier Entitäten bezüglich
eines Identitätskriteriums (eine charakterisierende Eigenschaftsbedingung,
die notwendig oder hinreichend ist) in einer sogenannten
„Identitätskondition 95 “ (IC) definiert. Nur rigide Entitäten können ICs,
also eine eigene Identität tragen; diese kann an nicht-ridige Unterklassen
vererbt werden. Ein Wissenselement unterstützt eine IC,
wenn es selber diese IC trägt, aber sie nicht von allen seinen untergeordneten
Elementen getragen wird.
+I, -I
(Identität
tragend)
+O, -O
(Identität
unterstützend)
Zusammengehörigkeit
(engl.: „unity“)
Durch die Zusammengehörigkeit wird erfasst, ob ein Wissenselement
ein Ganzes, also eine abgeschlossene und eigenständige Entität
darstellt. Dies ist der Fall, wenn alle seine Teile miteinander und
mit nichts anderem verbunden sind. Ein Wissenselement trägt eine
„Zusammengehörigkeitsbedingung 96 “ (UC), wenn alle seine Instanzen
zu allen Zeitpunkten Ganze sind.
+U, -U, ~U
Abhängigkeit
(engl.: „dependence“)
Ein Wissenselement ist abhängig von einem anderen, wenn es ohne
das Andere nicht existieren kann.
Tabelle 8: Basisbegriffe der OntoClean Methodologie 97
+D, -D
Die folgenden Beispiele sollen die Möglichkeit zur expliziten Beschreibung der intendierten
Bedeutung aufgefundener Wissenselemente durch die Annotation mit den Basisbegriffen
in einer Taxonomie verdeutlichen. Mit der Rigidität kann beispielsweise ein wesentlicher
Unterschied zwischen PERSON und STUDENT beschrieben werden. Während
eine PERSON immer eine solche ist (also +R), ist der Studentenstatus temporär für den
Zeitraum der Immatrikulation und somit anti-rigide (~R) (s. Guarino+02, S. 62).
94 Auf eine Erläuterung der formalen Definitionen wird hier verzichtet, da dies den Rahmen dieser Untersuchung
sprengen würde (siehe dazu Guarino+00a, S.2-4).
95 engl.: „identity condition“ (Guarino+00a, S. 3), abgekürzt als IC.
96 engl. „unity condition“ (Guarino+00a, S. 3), abgekürzt als UC.
97 Basisbegriffe und Erläuterungen aus (Guarino+00a, S. 2-4) und (Guarino+02, S.61-63). Übersetzungen durch den
Autor mit Angabe des englischen Originals.

Kapitel B: Ontologie-Entwicklung 43
Die Problematik der Identitätsbestimmung kann an Hand einer fehlerhaften Subsumptions-Relation
erläutert werden, wozu das Wissenselement INTERVALL dem Element ZEIT-
DAUER untergeordnet sein soll (intendierte Bedeutung: jedes Intervall ist eine Zeitdauer).
Hat man nun zwei Instanzen von INTERVALL von je 1 Stunde, so sind diese als Instanzen
von ZEITDAUER gleich, da die Zeitspanne dafür das Identitätskriterium darstellt und hier
den gleichen Wert hat. Diese Subsumption ist insofern falsch, da jede Instanz eines untergeordneten
Elementes auch genau eine Instanz des übergeordneten sein muss (s. Guarino
+02, S. 62f). Zur Verdeutlichung einer unterstützten Identität kann wieder das Person-
Student-Beispiel mit PERSON als übergeordnetem Element aufgegriffen werden. Das Identitätskriterium
für PERSON, beispielsweise die Sozialversicherungsnummer, wird zwar von
direkten Instanzen getragen, aber STUDENT trägt eine eigene Identität, z.B. die Immatrikulationsnummer.
Somit ist PERSON mit (+O), STUDENT aber nur mit (+I-O) zu beschreiben
(s. Guarino+00a, S. 3).
Auch die Zusammengehörigkeit kann an einer fehlerhaften Subsumptions-Relation erläutert
werden. WASSER möge dem Element OZEAN übergeordnet sein. Hierbei ist WASSER
nicht als ein Ganzes zu verstehen (~U), da es nicht isoliert betrachtbar ist. Ein Ozean hingegen
stellt ein Ganzes dar (bestehend aus einer Menge von Wasser, Lebewesen, etc.) und
kann mit (+U) beschrieben werden. Der Subsumptionsfehler liegt in einer Vererbung
zwischen Entitäten mit unterschiedlichen Wesenseigenschaften (s. Guarino+02, S. 63).
Ein Beispiel für die Abhängigkeit stellt die Entität HAUS (+D) dar, welche unter anderem
existenziell von WAND abhängig ist (s. Guarino+00a, S. 4).
B.2.2.1.2 Implikationen
Wie an den Beispielen deutlich wurde, können mit Hilfe der Basisbegriffe wesenscharakterisierende
Unterschiede zwischen Wissenselementen aufgefunden und diese dann
als Meta-Properties den jeweiligen Wissenselementen zugewiesen werden. Entsprechend
der Definition einer Subsumptions-Relation, wonach eine derartige Vererbungsstruktur
nur dann vorliegt, wenn alle Instanzen eines untergeordneten Elementes auch Instanzen
des übergeordneten sind (s.o.), können regelhafte „Beschränkungen 98 “ für korrekte
Subsumptions-Relationen zwischen Wissenselementen auf Grund ihrer Meta-Properties
definiert werden. Diese dienen als Ausgangspunkt zur Validierung von Taxonomien und
werden in Tabelle 9 zusammenfassend aufgelistet.
Basisbegriff
resultierende Beschränkung
Rigidität 1) (+R) kann nicht von (~R) erben.
Identität 2) (-I) kann nicht von (+I) erben.
Zusammengehörigkeit 3) (-U) kann nicht von (+U) erben.
4) (+U) kann nicht von (~U) erben.
Abhängigkeit 5) (-D) kann nicht von (+D) erben.
Tabelle 9: Beschränkungen für Subsumptions-Relationen in Taxonomien 99
98 engl.: „Constraints“ (Guarino+00a, S. 4).
99 Definitionen nach (Guarino+00a, S. 4f). Weitere dort genannte, aber im Hinblick auf die Taxonomie-Validierung
nicht relevante Implikationen sind: (1) Wissenselemente mit inkompatiblen Identitätsbedingungen sind disjunkt. (2)
Wissenselemente mit inkompatiblen Zusammengehörigkeitsbedingungen sind disjunkt.

Kapitel B: Ontologie-Entwicklung 44
B.2.2.2 Taxonomie-Validierung
Wie schon angesprochen, kann die taxonomische Struktur eines konzeptionellen Modells
durch die Beschreibung der Wissenselemente mit den vorgestellten Meta-Properties
evaluiert werden, indem die Korrektheit von Subsumptions-Relationen an Hand der ebenfalls
vorgestellten Beschränkungen geprüft wird. Da diese Evaluationsmethodik lediglich
eine Anwendung der bisher ausgeführten Aspekte dieses methodologischen Ansatz ohne
signifikante neuartige Erkenntnisse darstellt, wird sie hier nur kurz besprochen. Vor der
Erläuterung der einzelnen Schritte des Verfahrens soll zunächst der bei diesem Verfahren
wesentliche Begriff der sogenannten „Basis-Taxonomie 100 “ erläutert werden.
B.2.2.2.1 Basis-Taxonomie
Die sogenannte Basis-Taxonomie besteht nur aus den rigiden Wissenselementen der
erfassten taxonomischen Struktur. Somit sind lediglich die invarianten Elemente der betrachteten
Wissensdomäne erfasst, welche die essentielle Struktur der Domäne beschreiben
und somit konstituierenden Charakter haben. Das Ziel bei der Erfassung dieser
grundlegenden Taxonomie ist eine übersichtliche Darstellung der wesentlichen Aspekte
einer Domäne, welche die Zuordnung weiterer Wissenselemente vereinfachen soll. Des
Weiteren können verschiedene Ontologien bezüglich ihrer Basis-Taxonomien verglichen
werden, wodurch die Integration von Ontologien erleichtert wird (s. Guarino+02, S. 63).
Drei Arten von Wissenselementen 101 werden als Bestandteile der Basis-Taxonomie
unterschieden. Erstens sogenannte „Kategorien 102 “ mit den Meta-Properties (+R -I -O),
welche allgemein als abstrakte Elemente die höchste Hierarchie-Ebene bilden. Zweitens
„Typen 103 “ mit den Meta-Properties (+R +I +O), mit denen die in der Domäne existenten
Wissenselemente im Sinne von Datentypen beschrieben werden und drittens sogenannte
„Quasi-Typen 104 “ mit den Meta-Properties (+R +I -O), welche die gleiche
Funktion haben wie „Typen“, jedoch keine Identitäten unterstützen (s. Guarino+00b, S.
10-12).
B.2.2.2.2 Vorgehensmodell
Auf der Grundlage der bisher erarbeiteten theoretischen Aspekte kann die Validierung
von Taxonomien durch einen sechsstufigen Prozess durchgeführt werden, welcher in
Abbildung 8 aufgeführt wird. Dabei wird das konzeptionelle Modell aus der Konzeptionalisierungsphase
lediglich bezüglich seiner taxonomischen Struktur, jedoch nicht
bezüglich der erfassten Wissenselemente geprüft und verbessert. Somit stellt dieses Verfahren
eine formale Evaluationstechnik für die Qualitätskriterien der Konsistenz und der
Prägnanz einer Ontologie dar, welches aber die anderen oben aufgeführten Kriterien (s.
B.1.4.1.1) nicht zu überprüfen vermag.
100 engl.: „Backbone Taxonomie“ (Guarino+00a, S. 5): Hier wurde eine freie Übersetzung mit gleichartiger
Bedeutung durch den Autor gewählt, da die wörtliche im Deutschen unpassend erschien.
101 In (Guarino+00b, S. 10-14) wird eine Ontologie von Wissenstypen-Arten vorgestellt, welche auf einer Differenzierung
der möglichen Kombinationen der hier vorgestellten Meta-Properties beruht.
102 engl.: “Categories” (Guarino+00b, S. 11).
103 engl.: “Types” (Guarino+00b, S. 11).
104 engl.: “Quasi-Types” (Guarino+00b, S. 12).

Kapitel B: Ontologie-Entwicklung 45
Schritte der Taxonomie-Validierung
1) Wissenselemente mit Meta-Properties beschreiben.
2) Konsistenzcheck* für alle Wissenselemente, eventuelle Korrektur.
3) Basis-Taxonomie erstellen (alle nicht-rigiden Elemente entfernen).
4) Konsistenzcheck* der Basis-Taxonomie, eventuelle Korrektur.
5) andere Wissenselemente wieder hinzufügen, Konsistenzcheck*.
6) eventuell fehlende Konzepte hinzufügen, so dass in der validierten
Taxonomie keine Konsistenzverletzungen mehr vorhanden sind.
* bezüglich der Beschränkungen für korrekte Subsumptions-Relationen (s. Tabelle 9).
Abbildung 8: Taxonomie-Evaluation mit OntoClean 105
B.3 Abschließende Bemerkungen
Wie die vorhergehenden Ausführungen zeigen, liegt ein grundsätzliches Verständnis der
Aufgaben- und Problemstellungen bei der Entwicklung von Ontologien als bedeutungsdefinierende
Beschreibung von Wissensdomänen vor. Allerdings wird auch deutlich, dass
die existenten Lösungsansätze jeweils nur partielle Problemstellungen bearbeiten und dass
sie weiterhin aus unabhängigen und voneinander getrennt arbeitenden Forschungsaktivitäten
hervorgegangen sind und somit lediglich proprietäre Lösungen darstellen. Daher
kann festgehalten werden, dass die Erstellung umfassender ingenieursartiger Methodologien
als Ziel des Ontology Engineering bisher noch nicht erreicht worden ist, weshalb
die Ontologie-Entwicklung derzeit „ ... eher eine Kunstfertigkeit als einer Ingenieurstätigkeit
darstellt. 106 “ Im Folgenden sollen zum Abschluss der Ausführungen zur
Ontologie-Entwicklung die sehr breit gefächerten Aufgabengebiete innerhalb des Entwicklungsprozesses
von Ontologien aufgezeigt sowie diese Aspekte betreffende Forderungen
zur Integration entsprechender Kenntnisse aus verschiedenen Wissenschaftsdisziplinen
in eine umfassende Methodologie dargelegt werden.
Die unterschiedlichen Kompetenzanforderungen an Ontologie-Entwickler sollen an
Hand einer sukzessiven Erläuterung der wesentlichen Aufgabengebiete in den einzelnen
Phasen des oben besprochenen Ontologie-Entwicklungsprozesses (s. B.1.) herausgestellt
werden. In der Spezifikationsphase werden für die Anforderungsanalyse zum einen
Kenntnisse über das antizipierte Einsatzfeld der zu entwickelnden Ontologie und zum
anderen softwaretechnische Kenntnisse für die Verwendungskonzeption der Ontologie
innerhalb eines computergestützten Informationssystems benötigt. Weiterhin müssen die
Techniken zur Wissensakquisition beherrscht werden. Zur Erstellung eines hinsichtlich
der ontologischen Theorie validen konzeptionellen Modells in der Konzeptionalisierungsphase
sind vor allem analytische Fähigkeiten, Kenntnisse über die zur Verfügung
stehenden Modellierungsprimitive für eine korrekte Handhabung sowie über die Methoden
für deren Darstellung relevant. Wichtig ist hier auch die Fähigkeit zur Konsensfindung,
um ein von allen Beteiligten akzeptierten Verständnismodells der betrachteten
Wissensdomäne entwickeln zu können. In der Formalisierungsphase werden program-
105 Die Schritte sowie die Beschreibungen sind (Guarino+00a, S. 5ff) entnommen. Darin findet sich ein ausführlich
dokumentiertes Beispiel zur Taxonomie-Validierung mit OntoClean.
106 „ The ontology building process is rather a craft than an engineering activity. “ (Gómez99, S. 37).

Kapitel B: Ontologie-Entwicklung 46
miertechnische Fähigkeiten zur Erstellung einer korrekten formalen Spezifikation gefordert.
Darüber hinaus sind umfassende Kenntnisse alternativ verwendbarer Repräsentationsformalismen
erforderlich, um den geeignetsten für die gegebene Anwendungssituation
auszuwählen. Schließlich werden in der Evaluationsphase Kenntnisse über Verfahren
zur Qualitätsprüfung der Ontologie benötigt.
Die aufgezeigten Aufgabengebiete sind jenen der konventionellen Software-
Entwicklung sehr ähnlich, weshalb die vorgestellten Techniken und Methoden auf existenten
Ansätzen für gleichartige Problemstellung aus dem Software Engineering basieren
oder sich zumindest daran orientieren. Allerdings können die Verfahren des Software
oder Knowledge Engineering nicht einfach für die Ontologie-Entwicklung übernommen
werden, da deren angestrebte Funktionalität als bedeutungsdefinierendes Konstrukt
basierend auf einer ontologischen Theorie der Wissensdomäne anders gelagert ist und
somit die Entwicklung spezifischer Verfahren erfordert (s. Gómez-Pérez01, S. 392). Dies
gilt grundsätzlich für alle aufgezeigten Aufgabenfelder. Die Spezifikation einer Ontologie
erfordert genaue Kenntnisse über das Einsatzpotenzial von Ontologien. Zur Erstellung
der Konzeptionalisierung werden spezifische Modellierungsmethoden und ein genaueres
Verständnis derselben benötigt. Spezielle Fachkenntnisse über geeignete Repräsentationsformalismen
sind für die Formalisierung gefordert und zur Evaluation von Ontologien
müssen die entsprechenden Techniken bekannt sein und richtig eingesetzt werden
können.
Auf Grund der strukturellen und inhaltlichen Ähnlichkeiten zu den ausgereifteren Methodologien
des Software und Knowledge Engineering wird innerhalb der Forschungsgemeinde
des Ontology Engineering eine stärkere Orientierung an diesen und anderen
relevanten Wissenschaftsdisziplinen gefordert. Dabei können für die Differenzierung der
Aufgabengebiete im Ontologie-Entwicklungsprozess die entsprechenden Untergliederungen
aus dem Software Engineering in Analyse-, Implementierungs-, und
Architekturaufgabenfelder als Vorlage dienen (vgl. Devedžić02). Die Orientierung an der
Formalen Ontologie aus der Philosophie wurde schon erwähnt und als theoretische Basis
für sehr wichtig erachtet (s. Guarino95, S. 3f). Mit derartigen Ausgangspunkten soll die
Erstellung einer umfassenden Methodologie der Ontologie-Entwicklung, die Verfahren
im Sinne der vorgestellten Evaluationstechnik der Konsistenz von Taxonomien (S.
B.2.2.2) für alle Phasen und Aufgabenfelder des Ontologie-Entwicklungsprozesses
beinhalten soll, erleichtert werden.

Kapitel C: Verwendung von Ontologien in Informationssystemen 47
C Verwendung von Ontologien in Informationssystemen
Als letzten zu betrachtenden Aspekt zur Erfassung der Charakteristika ontologiebasierter
Verfahren der Wissensmodellierung im ersten Teil der Arbeit beschäftigt sich dieses
Kapitel mit der Verwendung von Ontologien als bedeutungsdefinierender Komponente
in computergestützten Informationssystemen. Dabei sollen die grundsätzlichen Anwendungsmöglichkeiten
(s. A.2.2.2) dieses Verfahrens der Wissensmodellierung genauer betrachtet,
die wesentlichen Spezifika ontologiebasierter Applikationen aufgezeigt und die
aus der Verwendung von Ontologien resultierenden softwaretechnischen Implikationen
herausgearbeitet werden. Hinsichtlich des Untersuchungsziels der Verwendung von Ontologien
im Semantic Web im zweiten Teil dieser Arbeit konzentrieren sich die folgenden
Ausarbeitung vor allem auf jene Aspekte, die für die Erlangung eines hintergründigen
Verständnisses des Semantic Web als ontologiegestützter Informationstechnologie
relevant erscheinen.
Zunächst wird eine Typologisierung der grundlegenden Einsatzmöglichkeiten von Ontologien
in Informationssystemen vorgenommen. Dazu wird ein Klassifikationsschema
vorgestellt und es werden die damit aufgefundenen grundsätzlichen Verwendungsszenarien
aufgeführt. Zur Verdeutlichung dieser Verwendungsszenarien werden im zweiten Teil
des Kapitels Beispiele für die Ontologieverwendung in Informationssystemen diskutiert,
wobei sich die Auswahl der vorgestellten Anwendungsgebiete in ihrer Relevanz für das
Semantic Web als ontologiebasierter Informationstechnologie begründet. Anschließend
daran werden im dritten Teil umsetzungstechnische Implikationen aufgezeigt, welche sich
für die Entwicklung ontologiebasierter Informationssysteme ergeben und als zusätzliche
Anforderungen neben der im vorhergehenden Kapitel behandelten inhaltlichen Qualität
an Ontologien gestellt werden. Auch dieser Aspekt ist für die Handhabung von Ontologien
im Semantic Web relevant.
C.1 Typologie des Ontologie-Einsatzes
Die im Folgenden erläuterte Typologisierung der Verwendungsmöglichkeiten von Ontologien
beruht auf einem Klassifikationsansatz, der existente ontologiebasierte Applikationen
bezüglich allgemeiner Betrachtungsdimensionen zu klassifizieren versucht. Damit
soll ein gemeinsames Verständnis der Nutzbarkeit ontologiebasierter Verfahren der
Wissensmodellierung innerhalb und zwischen den im Ontologie-Entwicklungsprozess
beteiligten Wissenschaftsdisziplinen erreicht werden (s. Uschold+99, S. 1f). Weiterhin
kann diese Typologisierung als Hilfestellung in der Spezifikationsphase der Ontologie-
Entwicklung (s. B.1.1) genutzt werden, wobei die Klassifikation allerdings sehr allgemein
gehalten ist und eher dem intellektuellen Verständnis verschiedenartiger Einsatzmöglichkeiten
von Ontologien dient als dass es eine verwendbare Klassifikationsvorlage darstellt.
Es werden zunächst die Betrachtungsdimensionen erläutert und durch über das Klassifikationsschema
hinausgehende Aspekte verdeutlicht. Anschließend daran werden die
mittels der Betrachtungsdimensionen unterschiedenen Verwendungsszenarien aufgezeigt
sowie eine verallgemeinernde Kategorisierung derselben vorgestellt.

Kapitel C: Verwendung von Ontologien in Informationssystemen 48
C.1.1 Klassifikationsdimensionen
In dem referenzierten Klassifikationsschema (vgl. Uschlod+99) werden drei wesentliche
Betrachtungsdimensionen unterschieden, die im Folgenden besprochen werden sollen.
Für jede dieser Dimensionen sind Kategorien vordefiniert, welche aus der Betrachtung
ontologiebasierter Applikationen verallgemeinernd gewonnen wurden und als einheitliche
Beschreibungshilfen zur Charakterisierung der verschiedenen Verwendungsszenarien von
Ontologien dienen sollen. Neben den hier aufgeführten Dimensionen wurde auch die
Existenz unterstützender Technologien für die softwaretechnische Einbindung der Applikationen
sowie deren Reifegrad betrachtet. Da diese beiden Aspekte nur peripher zur
Charakterisierung der Verwendungsmöglichkeiten von Ontologien in Informationssystemen
beitragen, werden sie hier nicht weiter beachtet (s. Uschold+99, S. 2).
C.1.1.1 Verwendungszweck 107
Mit der ersten Betrachtungsdimension soll der Verwendungszweck und intendierte
Nutzengewinn durch die Verwendung einer Ontologie beschrieben werden, welcher in
der Anforderungsanalyse der Ontologie-Entwicklung (s. B.1.1.1) festzuhalten ist. Hierfür
werden drei grundsätzliche Verwendungszwecke von Ontologien unterschieden, die im
Zusammenhang der Charakteristika ontologiebasierter Wissensmodellierung bereits erwähnt
wurden (s. A.2.2.2) und daher hier nur kurz wiedergegeben werden.
Die erste Funktionalität stellt die Kommunikationsunterstützung zwischen Agenten als
Oberbegriff für die menschlichen und technischen Akteure in einer Wissensdomäne dar,
wobei kommunikative Fehler durch die ontologische Verpflichtung (s. A.2.1.1) gegenüber
dem in der Ontologie erfassten Verständnismodell der Ontologie vermieden werden
sollen. Als zweite Funktionalität wird die Verbesserung der Interoperabilität zwischen
Computersystemen oder deren Komponenten aufgeführt. Dabei sollen Ontologien vor
allem die Transformation zwischen verschiedenartigen Wissensmodellen ermöglichen, so
dass die semantische Korrektheit von ausgetauschten Informationen gewährleistet wird.
Unter der dritten Funktionalität werden mehrere Aspekte zur Verbesserung wissensverarbeitender
Systeme zusammengefasst. Hier sei zunächst die Optimierung des Informationsmanagements
durch ontologiebasierte Indizierung genannt, während die Aspekte bezüglich
der Systementwicklung im dritten Teil dieses Kapitels ausführlicher behandelt
werden sollen (s. Uschold+99, S.1f).
Neben den drei grundlegenden Verwendungsmöglichkeiten ist für das Design der
Ontologie sowie der Architektur des Informationssystems zu beachten, wie die Ontologie
mit den anderen Komponenten interagiert und inwiefern dieses die Konzeption der Ontologie
determiniert. Wird die Ontologie als allgemeines Verständnismodell zur Wissensteilung
verwendet, so stellt sie meist ein externes, vorab definiertes normatives Modell dar.
Bei der Nutzung als Austauschbasis zwischen heterogenen Informationsquellen ist die
Ontologie ein Meta-Modell der zu verbindenden Wissensmodelle. Für die Indizierungsfunktionalität
wird der Inhalt der ontologischen Struktur zur Laufzeit des Systems ständig
bezüglich geänderter Informationsquellen aktualisiert (s. Uschold+99, S. 4f).
107 engl.: „Purpose and Benefits“ (Uschold+99, S. 2).

Kapitel C: Verwendung von Ontologien in Informationssystemen 49
C.1.1.2 Rolle der Ontologie 108
Die zweite wesentliche Betrachtungsdimension erfasst die Rolle, welche eine Ontologie
innerhalb eines Informationssystems einnimmt. Darunter wird verstanden, welche Art
von Wissensstruktur durch die Ontologie erfasst wird. Dazu wird im hier vorgestellten
Klassifikationsschema eine dreistufige Hierarchie sogenannter „Informationslevel 109 “ zur
Differenzierung von Wissensstrukturen in ontologiebasierten Applikationen eingeführt.
Die unterste Ebene stellen darin die „operationalen Daten 110 “ dar, worunter in einer
beispielhaften Anwendung zur ontologiegestützten Informationsindexierung die laufend
aktualisierten Informationen aus den überwachten Quellen fallen würden. Diese Daten
werden auf der nächsthöheren Stufe durch eine Ontologie beschrieben, welche wiederum
durch einen Repräsentationsformalismus als höchste Hierarchiestufe beschrieben wird (s.
Uschold+99, S. 3). Somit lassen sich die in einer ontologiebasierten Applikation verwandten
Wissensstrukturen hinsichtlich ihres funktionalen Zusammenhangs unterscheiden.
Da Ontologien zumeist auf dem mittleren Informationslevel als Beschreibungen von
operationalen Daten verwendet werden, erscheint eine erweiternde Betrachtung verschiedener
Arten von Ontologien zur Differenzierung der damit dargestellten Wissensstrukturen
sowie des intendierten Verwendungszwecks als sinnvoll. Dazu werden in
Tabelle 10 die wesentlichen in der Literatur unterschiedenen Ontologie-Arten vorgestellt
und an Hand von häufig referenzierten Beispielen verdeutlicht.
Ontologie-Art
Meta- / Generische
Ontologie
Wissensrepräsentations-
Ontologie
Top Level / Generelle
Ontologie
Domänen-Ontologie
Beschreibung
Beschreibung von grundlegenden Zusammenhängen für die Erstellung
von Ontologien. Ein Beispiel ist die „Mereology Ontology 111 “.
Ontologische Erfassung der Modellierungsprimitive für die Ontologie-
Entwicklung als spezielle Art von Meta-Ontologie. Das bekannteste
Beispiel ist die Frame-Ontology des Ontolingua-Systems (s. B.1.3.2).
Beschreibung allgemeinen Wissens über die reale Welt. Die darin erfassten
Wissensstrukturen können von Ontologien für konkrete Anwendungsgebiete
genutzt werden, so dass für die automatische Problemlösung
benötigtes Alltagswissen zur Verfügung steht. Dieser Ansatz
wird im CYC-Projekt 112 verfolgt.
Beschreibung der Struktur einer Wissensdomäne im Sinne einer ontologischen
Theorie (s. B.1.2.2), welche für verschiedene Anwendungen
der Domäne wiederverwendet werden kann. Als Beispiel sei hier die
(KA) 2 -Ontologie 113 genannt.
108 engl.: „Role of the Ontology“ (Uschold+99, S. 3).
109 engl.: „information levels” (Uschold+99, S. 3).
110 engl.: „operational data” (Uschold+99, S. 3).
111 Mereology Ontology: Formale Spezifikation der mereologischen “part-of”-Relation im Sinne der korrekten
Zusammengehörigkeit eines Ganzen und seiner Teile (s. B.2.2.1.1). Entstanden im Rahmen des PHYSYS-Projektes,
worin eine Bibliothek wiederverwendbarer Ontologien zur Beschreibung physischer Systeme entwickelt wurde (s.
Borst97, S. 28-33; S. 128-131).
112 CYC: Seit Mitte der 1980er Jahre versucht das Entwicklungsteam um Douglas Lenat, eine umfassende Wissensbasis
menschlichen Alltagswissens zu erstellen, welche als entsprechende Referenz für Wissensbasierte Systeme
dienen soll. Die CYC-Wissensbasis umfasst verschiedene Domänen, wobei die Wissensstrukturen jeweils in Modulen,
sogenannten Mikrotheorien, mit dem entsprechenden Domänen- und Inferenzwissen erfasst sind (vgl. Elkan
+93). Ein Teil der CYC-Wissensbasis ist öffentlich zugänglich unter: www.cyc.com. Eine ausführliche Beschreibung
der Intention und der Herangehensweise findet sich in: Lenat, D. B.; Guha, R. V.: Building Large Knowledge
Based Systems. Representation and Inference in the CYC Project. Reading, Massachusetts (USA): Addison-Wesley,
1990.
113 (KA) 2 -Ontologie: Ontologie der Forscher in der Knowledge Annotation Initiative aus der Knowledge Acquisition
Community. Mit Annotationen können die Wissensstrukturen der Ontologie in die Web-Dokumente der Forschungsgemeinde
eingebunden werden, wodurch eine verbesserte Informationsverarbeitung erreicht werden soll (vgl. Benjamins+98).
Obwohl das Projekt eingestellt wurde, werden die Arbeiten in Nachfolgeprojekten fortgesetzt.

Kapitel C: Verwendung von Ontologien in Informationssystemen 50
Methoden-Ontologie
Aufgaben-Ontologie
Applikations-Ontologie
Domänenunabhängige Begriffsdefinition zur Beschreibung von Problemlösewissen
mittels Problem Solving Methods (s. A.1.2.1).
Allgemeine Begriffsdefinition für die Beschreibung von Aufgaben, z.B.
Begriffe wie ´Plan´, ´Zielsetzung´, etc.
Zusammenführung von Domänen-, Methoden- und Aufgaben-Ontologien
als konzeptionelles Modell für eine konkrete Applikation (s.
A.1.2.2.2.). Ein Bespiel ist die „Enterprise Ontology 114 “.
Tabelle 10: Ontologie-Arten 115
Die ersten beiden genannten Ontologie-Arten sind auf der obersten Ebene der im
Klassifikationsansatz definierten Informationslevel anzusiedeln, da sie Begriffsdefinitionen
für die Verwendung in ontologischen Erfassungen beinhalten. Alle anderen
Arten sind auf der mittleren Ebene einzuordnen, wobei mit Top-Level- und Domänenontologien
das statische Domänenwissen und mit Methoden- sowie Aufgabenontologien
das Problemlösewissen gemäß deren Trennung innerhalb des modellbasierten Ansatzes (s.
A.1.1.3) erfasst wird. Mit Hilfe dieser Differenzierung wird deutlich, dass mit Ontologien
sehr unterschiedliche Arten von Wissensstrukturen beschrieben und somit diesbezüglich
klassifiziert werden können. Als weitere Betrachtungskriterien zur Beschreibung einer
Ontologie sind unabhängig von der darin erfassten Art der Wissensstruktur die Größe
sowie der Formalisierungsgrad zu berücksichtigen (s. Uschold+99, S. 4).
C.1.1.3 Akteure 116
Als dritte Betrachtungsdimension einer ontologiebasierten Anwendung werden die Rollen
der beteiligten Akteure erfasst, welche in verschiedenen Anwendungen unterschiedlich
sein können. So kann beispielsweise die Entwicklung der Ontologie allein durch entsprechende
Spezialisten ausgeführt werden, während in einem anderen Projekt diese
Aufgabe arbeitsteilig von Personen aus unterschiedlichen Fachgebieten erfolgt. In dem
hier vorgestellten Klassifikationsschema werden dazu verschiedene Akteure differenziert,
die im Folgenden kurz erläutert werden sollen.
Der erste Akteur ist der Ontologie-Entwickler (engl.: „Ontology Author“), dessen Aufgabe
in der Erstellung der Ontologie besteht. Als zweite Art von Akteur wird der Daten-
Author (engl.: „(Operational) Data Author”) genannt. Damit ist beispielsweise der Autor
eines Dokuments gemeint, welches unter Nutzung einer Ontologie indiziert wird. Als
dritter Akteur wird der Entwickler einer ontologiebasierten Anwendung (engl.: „Application
Developer“) und als vierter Akteur der Benutzer (eng.: „Application User“) derselben
unterschieden. Der fünfte und letzte Akteur ist der Wissensarbeiter (engl.: „Knowledge
Worker“), der mit dem Wissen der Ontologie beziehungsweise jenem der ontologiebasierten
Anwendung arbeitet. Der Unterschied zwischen den beiden letztgenannten besteht
darin, dass der Wissensarbeiter zumeist ein Mensch ist, während der Anwendungsnutzer
auch ein Softwareprogramm sein kann. 117
114 Enterprise Ontology: Entwickelt als begriffsdefinierende Basis für ein Framework zur Unternehmensmodellierung
(vgl. Uschold+96b). Aus den bei der Erstellung gewonnenen Erfahrungen ging der methodologische Ansatz zur Ontologie-Entwicklung
von ´Uschold, King´ hervor (s. B.1).
115 Bezeichnungen und Erläuterungen entnommen aus (Gómez-Pérez99, S. 4f) und (Fensel00, S. 8f). Deutsche Übersetzungen
nach (Puppe+00, S. 623).
116 engl.: „Actors“ (Uschold+99, S. 4).
117 Bezeichnungen und Erläuterungen nach (Uschold+99, S. 3f). Übersetzungen durch den Autor mit Angabe des
englischen Originals.

Kapitel C: Verwendung von Ontologien in Informationssystemen 51
C.1.2 Verwendungsszenarien
Aus der Betrachtung existenter ontologiebasierter Applikationen postuliert der Klassifikationsansatz
verschiedene Verwendungsszenarien für Ontologien in Informationssystemen,
welche mittels der vorgestellten Betrachtungsdimensionen beschrieben werden.
Die Szenarien werden in drei grundlegende Kategorien unterteilt, welche in Abbildung 9
zunächst übersichtlich dargestellt und anschließend genauer erläutert werden. 118
Kategorien und Verwendungsszenarien von Ontologien
I. Neutrale Editierung (engl.: „Neutral Authoring“)
I.a Ontologie als wiederverwendbare Begriffsdefinition für verschiedene Zielsysteme.
I.b ... Terminologie-Spezifikation für die Handhabung operationaler Daten.
II. Gemeinsamer Informationszugang (engl.: „Common Access to Information“)
II.a ... von allen Beteiligten akzeptiertes Verständnismodell einer Wissensdomäne.
II.b ... Meta-Modell für korrekten Informationsaustausch zwischen heterogenen Wissensmodellen.
II.c ... Abgleich heterogener Ontologien für korrekten Informationsaustausch.
III. Indizierung (engl.: „Indexing“)
III.a ... Strukturdefinition des Indexes von Informationsquellen einer Wissensdomäne.
Abbildung 9: Klassifikation der Verwendung von Ontologien in Informationssystemen 119
Die Kategorie Neutrale Editierung (I.) umfasst jene Verwendungsszenarien, in denen
eine Ontologie als formal spezifizierte Begriffsdefinition einer Wissensdomäne erstellt und
als entsprechende Basis bei der Entwicklung von Applikationen für die Domäne genutzt
wird. Dadurch soll erstens die einheitliche und korrekte Nutzung der Wissensstrukturen
einer Domäne gewährleistet und zweitens die Wiederverwendbarkeit bereits formalisierter
ontologischer Erfassungen ermöglicht werden. Somit stellen die Verwendungsszenarien
dieser Kategorie hinsichtlich des Verwendungszwecks eine Hilfestellung für die Systementwicklung
dar, wobei vor allem Ontologien zur Beschreibung statischer Wissensstrukturen,
also Meta-, Top-Level sowie Domänenontologien erstellt werden. Die Unterscheidung
der beiden Szenarien beruht auf der Priorität der beteiligten Akteure. In (I.a)
erstellt der Ontologie-Entwickler als wichtigster Akteur die Ontologie als begriffsdefinierende
Basis für alle anderen Beteiligten, welche dann für die jeweiligen Anwendungszwecke
transformiert wird; beispielsweise unter Nutzung der Funktionalitäten des
Ontolingua-Systems (s. B.1.3.2). In (I.b) werden operationale Daten mit einer vordefinierten
Ontologie beschrieben, wobei die operationalen Daten als Kernteil der
Applikation die Schlüsselposition einnehmen und die Ontologie lediglich sekundären
funktionalen Charakter hat (Uschold +99, S. 5-7).
Die zweite Kategorie des Gemeinsamen Informationszugangs (II.) umfasst Verwendungsmöglichkeiten
von Ontologien, in denen mit Hilfe einer Ontologie ein gemeinsames Ver-
118 Anzumerken ist, dass die hierbei vorgenommene Klassifikation nicht auf einer statistischen Analyse existenter
Verwendungsszenarien beruht. Als Datenquelle wird lediglich angegeben, dass die postulierten Szenarien Abstraktionen
spezifischer ontologiebasierter Anwendungen aus der Forschung und der industriellen Praxis darstellen (s.
Uschold+99, S. 5). Trotz der wissenschaftlich nicht fundierten Grundlage wurde dieser Klassifikationsansatz als Ausgangspunkt
für die Erläuterung der Verwendungsmöglichkeiten von Ontologien in Informationssystemen ausgewählt,
weil darin eine verallgemeinernde Erfassung der Einsatzmöglichkeiten vorgenommen wird und somit ein höherer
Aussagegehalt geboten wird als bei der einfachen Auflistung von Verwendungsszenarien in vergleichbaren Arbeiten
(siehe z.B. (Obitko01)).
119 Bezeichnungen und Erläuterungen aus (Uschold+99, S. 5-10). Übersetzungen durch den Autor mit Angabe des
englischen Originals.

Kapitel C: Verwendung von Ontologien in Informationssystemen 52
ständnis der Wissensdomäne erreicht, beziehungsweise die korrekte Nutzung von Informationen
aus heterogenen Quellen hinsichtlich der intendierten Bedeutung gewährleistet
werden kann. In (II.a) wird eine Ontologie als gemeinsame Verständnisgrundlage für die
Wissensarbeiter der Wissensdomäne zur Verbesserung der zwischenmenschlichen Kommunikation
erstellt, wobei zumeist eine Domänenontologie verwendet wird. In (II.b) und
(II.c) werden Ontologien eingesetzt, um die Interoperabilität zwischen Softwarekomponenten
als Applikations-Nutzern zu ermöglichen. Dabei wird in (II.b) eine sogenannte
„geteilte Ontologie 120 “ erstellt, welche bei der Entwicklung entsprechender Applikationen
im Sinne einer ontologischen Verpflichtung (s. A.2.1.1) als bedeutungsdefinierende Basis
genutzt wird. Im Unterschied dazu basieren in (II.c) die einzelnen Systemkomponenten
auf eigenen Ontologien oder ähnlichen konzeptionellen Modellen und die Interoperabilität
durch einen „Abgleich 121 “ dieser heterogenen Wissensmodelle gewährleistet wird.
Da für die Interoperabilität zwischen Systemen oder ihren Komponenten Informationen
aus allen drei Informationslevels (s. C.1.1.2) benötigt werden, können in den beiden letztgenannten
Szenarien grundsätzlich alle in Tabelle 10 aufgeführten Ontologie-Arten Verwendung
finden (Uschold+99, S. 7-10).
Die letzte Kategorie der Indizierung (III.) beinhaltet nur ein Szenarium (III.a), welches
zur Verbesserung des Informationsmanagements, insbesondere der Suchfunktionalität in
Informationssystemen dient. Dabei werden die Informationsquellen mittels einer entsprechenden
Domänenontologie extern (im Gegensatz zur Dokumentenannotation)
indiziert, so dass eine kontextsensitive Suche erfolgen kann. Die wesentlichen Akteure in
diesem Szenario sind der Ontologie-Entwickler sowie die Wissensarbeiter, die mit Hilfe
ontologiebasierter Suchmaschinen schneller und effektiver das von ihnen benötigte
Wissen auffinden können (Uschold+99, S. 10).
C.2 Anwendungsgebiete von Ontologien
Obwohl mit Hilfe der vorgestellten Kategorisierung von Verwendungsszenarien die
Einsatzmöglichkeiten von Ontologien in Informationssystemen differenziert werden
können, sind die Beschreibungen der Szenarien sehr abstrakt gehalten. Um diese
konkreter zu erläutern, werden im Folgenden entsprechende Anwendungsgebiete ontologiebasierter
Applikationen vorgestellt. Dabei sollen mit den aufgeführten Anwendungsgebieten
zum einen Beispiele für die Verwendungsszenarien gegeben und zum anderen
grundlegende Aspekte des Semantic Web als ontologiebasierter Informationstechnologie
aufgezeigt werden.
Als erstes wird die Kommunikation in Multi-Agenten-Systemen als Beispiel der
Verwendungsszenarien der Kategorie A behandelt. Dieses Anwendungsgebiet ist insofern
für das Semantic Web von grundlegender Bedeutung, als das es selber ein Multi-Agenten-
System darstellt (siehe dazu das eingangs erwähnte Anwendungsszenario des Semantic
Web aus (Berners-Lee+01)). Mit der Informationsintegration als zweitem Anwendungsgebiet
wird ein Beispiel für die Verwendungsszenarien II.b und II.c besprochen. Die
Ermöglichung der Interoperabilität zwischen heterogenen Informationsquellen ist eine
120 engl.: „shared ontology“ (Uschold+99, S. 8).
121 engl.: „mapping“ (Uschold+99, S. 9).

Kapitel C: Verwendung von Ontologien in Informationssystemen 53
grundlegende Anforderung an moderne Informationssysteme und somit auch für das
Semantic Web relevant. Als drittes Anwendungsgebiet werden Verfahren des ontologiebasierten
Information Retrieval hinsichtlich des Verwendungsszenarios III.a vorgestellt,
wobei sich die Relevanz dieses Gebietes für das Semantic Web aus der grundlegenden
Anforderung der Verbesserung der Suchfunktionalität für webbasierte Informationstechnologien
ergibt.
Neben den drei hier ausführlich behandelten Anwendungsgebieten seien als weitere
wesentliche Verwendungsmöglichkeiten von Ontologien in Informationssystemen die Bereiche
des Wissensmanagements sowie der Sprachverarbeitung erwähnt. In den Ansätzen
des sogenannten „ontologiebasierten Wissensmanagements“ (vgl. Schnurr+01) werden
vor allem die Vorteile der gemeinsamen Verständnisgrundlage einer Wissensdomäne
durch eine Ontologie gemäß Verwendungsszenario II.a herausgestellt. Für die Sprachverarbeitung
werden sogenannte „Linguistische Ontologien 122 “ zur Analyse natürlicher
Sprache entwickelt. Damit kann das inhaltliche Verstehen von Texten automatisiert und
somit eine Grundlage für automatische Übersetzungen gewonnen werden, was hinsichtlich
der Multilingualitätsproblematik ein wichtiges Anwendungsgebiet von Semantic Web
– Technologien darstellt.
C.2.1 Multi-Agenten-Systeme
Seit Beginn der 1990er Jahre zeichnet sich in der Künstlichen Intelligenz ein Paradigmenwechsel
bei der Entwicklung wissensverarbeitender Systeme ab (s. A.1). Im Gegensatz zu
den zuvor entwickelten globalen, zentralisierten Architekturen für alleinstehende und
funktional abgeschlossene Systeme werden im agentenbasierten Ansatz integrierte, dezentrale
Systemstrukturen entworfen. Darin sollen autonom agierende Teilsysteme, sogenannte
Agenten, individuelle Ziele verfolgen und Lösungen für ihre spezifischen Aufgaben
in Kooperation mit anderen Agenten finden. Im Unterschied zu traditionellen
Wissenssystemen wird in solchen „Multi-Agenten-Systemen“ (Burkhard00, S. 996) anstelle
einer zentralen Wissensbasis das benötigte Wissen von den einzelnen Agenten selber
getragen und die Steuerungsfunktion von jedem Agenten individuell übernommen. Diesem
Ansatz liegt eine Verschiebung des Intelligenzbegriffs innerhalb der Künstlichen
Intelligenz zugrunde. Während mit dem logisch-rationalistischem Paradigma der Symbolsystemhypothese
(s. A.1.1.1) intelligentes Verhalten allein durch die Erstellung und Manipulation
entsprechender Symbolsysteme simuliert werden sollte, wird Intelligenz im
„agenten-orientierten Paradigma“ (Luger01, S. 268) als aus dem kollektiven Verhalten
autonom agierender Individuen hervorgehend verstanden (s. Luger01, S. 37). 123
122 engl.: „linguistic ontologies“ (Gómez-Pérez99, S. 4). Die bedeutendsten Ontologien dieses Anwendungsgebietes
sind das Generalized Upper Model (GUM) sowie WordNet. Im GUM werden die grundlegenden linguistischen
Konzepte einzelner Sprachen beschrieben und deren Relationen in den verschiedenen Sprachen dargestellt, wodurch
die Grundlage für eine bedeutungserhaltene Übersetzung gegeben werden soll (vgl. Bateman+95). WordNet ist eine
lexikalische Datenbank für die englische Sprache, in der Bedeutungszusammenhänge mittels grundlegender Konstrukte
der Semantik (Synonyme, Antonyme, etc.) beschrieben werden (vgl. Fellbaum98). Eine aktuelle Version von
WordNet sowie weiterführende Informationen sind erhältlich unter: http://www.cogsci.princeton.edu/~wn/ (08.06.
2002).
123 Andersartige Entwürfe des Intelligenzverständnisses in der Künstlichen Intelligenz resultieren aus den Schwierigkeiten,
welche sich bei der Entwicklung umfangreicher intelligenter Systeme auf der Grundlage reiner Symbolverarbeitungssysteme
ergaben. Dabei wurden Vorbilder intelligenten Verhaltens aus der Natur gesucht, wie beispiels-

Kapitel C: Verwendung von Ontologien in Informationssystemen 54
Ein Multi-Agenten-System besteht also aus einzelnen Agenten, die jeweils individuelle
Ziele verfolgen und zur Bearbeitung ihrer Aufgaben Dienste anderer Agenten in Anspruch
nehmen. Dabei soll ein Agent folgende Eigenschaften aufweisen. Erstens soll er
autonom handeln können, also selbstgesteuert ohne Einfluss von außen. Zweitens soll er
sich situiert verhalten, also kontextbezogen mit der Umwelt interagieren können. Drittens
soll er zu entsprechendem sozialen Verhalten fähig sein, worunter hier die Fähigkeit zur
Kommunikation und Kooperation mit anderen Agenten des Systems verstanden wird (s.
Luger01, S. 266f). Die erste Anforderung impliziert, dass ein Agent über eigene
Komponenten zur Problemlösung, Verhaltensentscheidung und Systemsteuerung verfügen
muss. Zur Gewährleistung der kontextbezogen Interaktion mit der Umwelt müssen
entsprechende Schnittstellen für den Austausch von Informationen unterstützt werden (s.
Burkhard00, S. 971-978). Hinsichtlich der Anforderung geeigneter Kommunikations- und
Kooperationsfähigkeiten müssen die Agenten eines Multi-Agenten-Systems gewissen
Konventionen genügen. Dabei spielen Ontologien eine wesentliche Rolle, weshalb dieser
Aspekt hier genauer beleuchtet werden soll.
C.2.1.1 Kommunikation in Multi-Agenten-Systemen
Um während eines kommunikativen Aktes zwischen Agenten die semantische Korrektheit
der ausgetauschten Informationen gewährleisten zu können, muss jeder Agent zum
einen über ein Verständnis des behandelten Wissens verfügen und zweitens in geeigneter
Form darüber kommunizieren können. Hinsichtlich der ersteren Anforderung muss ein
Agent über ein entsprechendes Modell der für seine Aufgaben relevanten Wissensstrukturen
verfügen, welches hier als „Umweltmodell“ (Burkhard00, S. 975) bezeichnet wird.
Bezüglich der zweiten Anforderung muss der Agent eine sogenannte „Agenten-Kommunikations-Sprache
124 “ unterstützen, wobei die Wichtigkeit der Kommunikationsfähigkeit
durch deren Proklamation als konstituierende Eigenschaft von Agenten in Multi-
Agenten-Systemen hervorgehoben wird (s. Finin+97, S. 1).
Zur Realisation dieser auch als „Kommunikation auf der Wissensebene 125 “ bezeichneten
Fähigkeit werden Konventionen auf drei technischen Ebenen verlangt: Erstens ein
gemeinsames Repräsentationsformat für den verlustfreien Austausch, zweitens ein geeignetes
Protokoll zur Sicherung der Konsistenz ausgetauschter Nachrichten und drittens
eine von allen Beteiligten akzeptierte Spezifikation des kommunizierten Inhaltes, also der
Wissensstrukturen (s. Gruber93, S. 1). Die Arbeiten der Knowledge Sharing Effort – Initiative
(KSE) 126 decken diese drei Gebiete ab und sollen daher hier vorgestellt werden.
weise die Funktionsweise des menschlichen Gehirns im Ansatz der Neuronalen Netze nachgeahmt wird (s. Görz+
00b, S. 11f). Der im agentenorientierten Paradigma aufgegriffene Intelligenzbegriff orientiert sich an der Funktionsweise
sozialer Systeme, in denen sich „ ... die Intelligenz .. in der Interaktion [manifestiert]“ (Görz+00b, S.2).
124 engl.: „agent communication language“ (Obitko01, S.20).
125 engl.: „knowledge level communication“ (Gruber93, S. 1).
126 Knowledge Sharing Effort (KSE): Forschungsinitiative zur Entwicklung technischer Infrastrukturen für die Teilung
von Wissen, also die Verwendung formal erfasster Wissensstrukturen in mehreren Applikationen. Seit Anfang
der 1990er Jahre arbeiten an unterschiedlicher US-amerikanischer Universitäten drei Forschungsgruppen in den
Bereichen der Austauschsprachen, wiederverwendbarer Wissensbasen und der Kommunikationsprotokolle (vgl.
Neches+91). Weiterführende Informationen sowie die wesentlichen Publikationen finden sich auf der Homepage der
Forschungsinitiative unter: http://ww-ksl.stanford.edu/knowledge-sharing/index.html (04.09.2002).

Kapitel C: Verwendung von Ontologien in Informationssystemen 55
Innerhalb des KSE wurden die Sprache KIF sowie das Ontolingua-System entwickelt.
Wie bei deren Vorstellung als Referenzbeispiel für die Formalisierung von Ontologien (s.
B.1.3.2) erläutert, dienen diese beiden Techniken der plattformunabhängigen formalen
Spezifikation einer Ontologie. Dabei sind sie auf Grund ihrer Ausdrucksstärke vornehmlich
als Format für den verlustfreien Austausch formalisierter Wissensstrukturen zwischen
verschiedenen Zielsystemen konzipiert und stellen somit eine Lösung für ein gemeinsames
Repräsentationsformat dar (s. Gruber93b, S. 5ff). Als Kommunikationsprotokoll
für den Nachrichtenaustausch im Sinne einer Agenten-Kommunikations-Sprache wurde
KQML 127 entwickelt, worin basierend auf den Erkenntnissen der Sprechakt-Theorie 128
grundlegende Kommunikationsakte mit entsprechend festgelegter Bedeutung definiert
sind. Eine KQML-Nachricht ist in drei Teile gegliedert: Der Inhaltsteil (engl.: „Content
Layer“) enthält die eigentlichen Informationen, im Kommunikationsteil (engl. „Communication
Layer“) werden Sender, Empfänger und eine Identifikation der Nachricht angegeben
und im Nachrichtenteil (engl.: „Massage Layer“) die verwendete Sprache sowie die
verwandte Ontologie spezifiziert (s. Finin+97, S. 6-16). Abbildung 10 zeigt ein Beispiel
einer KQML-Nachricht mit entsprechenden Erläuterungen.
Inhaltsteil
Nachrichtenteil
(ask-one
: sender joe
: content (PRICE IBM ?price)
: receiver stock-server
: reply-with ibm-stock
: language LPROLOG
: ontology NYSE-TICKS)
Performativum
Kommunikationsteil
Abbildung 10: Bespiel einer KQML-Nachricht 129
Die geteilte Spezifikation des Kommunikationsinhaltes als dritte Konventionsebene für
die Kommunikationsfähigkeit zwischen Agenten ist im hier betrachteten Zusammenhang
der Ontologieverwendung wesentlich und soll deshalb ausführlicher betrachtet werden.
C.2.1.2 Geteilte Ontologie als Inhaltsspezifikation
Mit einem gemeinsamen Repräsentationsformat und einer geeigneten Kommunikationssprache
kann der verlustfreie und korrekte Austausch von Wissen zwischen Agenten gewährleistet
werden. Allerdings ist die inhaltliche Korrektheit des ausgetauschten Wissens
damit noch nicht gesichert, weshalb zur Bedeutungsdefinition des Vokabulars der
zwischen den Agenten ausgetauschten Wissensstrukturen eine sogenannte „gemeinsame
Ontologie 130 “ genutzt wird. Diese Ontologie stellt eine vorab definierte Erfassung der
127 KQML: Knowledge Query and Manipulation Language. Entwickelt von der KSE-Forschungsgruppe für externe
Schnittstellen von Wissensbasen und als Quasi-Standard etabliert – ähnlich wie das Ontolingua-System zur formalen
Spezifikation von Ontologien. Eine äquivalente Sprache stellt die ´Agent Commication Language´ (ACL) der FIPA
dar (vgl. FIPA-97). FIPA(Foundation for Intelligent Physical Agents): Non-Profit-Organisation mit der Zielsetzung,
international akzeptierte Spezifikationen für Agententechnologien zu definieren. Siehe: www.fipa.org (04.09.2002).
128 Die Sprechakt-Theorie untersucht Sprechakte als die kleinsten Einheiten sprachlicher Kommunikation hinsichtlich
deren Struktur und Bedingungen für das Verstehen und Gelingen eines Sprechaktes. Dabei werden Sprechakte bezüglich
ihrer lautsprachlichen und semantischen Struktur, der Wirkungsintention des Sprechers sowie der Wirkung beim
Rezipienten unterschieden (vgl. Hindelang94). Diese verschiedenartigen Sprechakte werden in KQML als vordefinierte
Performative (engl.: „performatives“ (Finin+97, S.10)) übernommen.
129 entnommen aus: (Finin+97, S. 10). Erläuterungen durch den Autor.
130 engl.: „common ontology“ (Gruber93b, S. 3).

Kapitel C: Verwendung von Ontologien in Informationssystemen 56
relevanten Wissensstrukturen dar, wobei die Erhaltung der semantischen Korrektheit über
entsprechende ontologische Verpflichtungen durch die beteiligten Agenten erreicht wird
(s. Finin+97, S. 6). Ein derartiger Einsatz von Ontologien in Multi-Agenten-Systemen
wird im KRAFT-Projekt 131 verfolgt (s. Jones98, S. 2f). Hinsichtlich der oben vorgestellten
Verwendungsszenarien von Ontologien (s. C.1.2) entspricht eine solche gemeinsame
Ontologie zur Spezifikation des Inhalts von Kommunikation zwischen Agenten Szenario
I.a, beziehungsweise I.b – je nach Betrachtung der funktionalen Priorität.
Mit einer gemeinsamen Ontologie soll neben der primären Funktion der Sicherstellung
der Korrektheit ausgetauschter Wissensstrukturen das Ziel der Wissensteilung bei der
Entwicklung intelligenter Systeme realisiert werden, da eine gemeinsame Ontologie nur
einmal entwickelt werden muss und fortan für verschiedene Applikationen genutzt werden
kann (s. Gruber93b, S. 2ff). Um eine effiziente Nutzung einer solchen Ontologie zu
gewährleisten, müssen entsprechende infrastrukturelle Lösungen zur Verfügung stehen.
Grundlegende Bedeutung haben dabei „Ontologie Server 132 “, die existente Ontologien
bereitstellen, verwalten und den Zugang zu ihnen ermöglichen. Weiterhin muss die
Handhabung der Ontologien durch Agenten geregelt werden. Die FIPA (siehe Fußnote
127) entwirft dafür einen sogenannten „Ontology Agent“ (FIPA-98, S. 13), der alle diesbezüglichen
Aufgaben für die Verwendung von Ontologien in Multi-Agenten-Systemen
übernehmen soll.
Abschließend ist anzumerken, dass die Entwicklung einer geeigneten gemeinsamen
Ontologie für ein Multi-Agenten-System sehr aufwendig ist und in der Praxis als nicht
durchführbar angesehen wird. Daher werden Ansätze mit mehreren Ontologien zur
Sicherung der inhaltlichen Korrektheit der Kommunikation verfolgt (s. Campell+98, S.
1f). Bei derartigen Ansätzen treten neuartige Problemstellungen hinsichtlich der semantischen
Interoperabilität zwischen verschiedenen Ontologien auf, welche später ausführlicher
behandelt werden sollen (s. C.3.2).
C.2.2 Informationsintegration
Unter dem Begriff der Integration wird im informationstechnischen Umfeld die Zusammenführung
von Inhalten aus heterogenen, also nicht kompatiblen Quellen verstanden (s.
Wache+01, S.1). Dabei werden verschiedene Level der Integration gemäß der Unterscheidung
von Daten, Information und Wissen differenziert (s. Schreiber+00, S. 3-5). Als
Datenintegration wird die Schaffung der syntaktischen Kompatibilität, als Informationsintegration
die Zusammenführung bedeutungstragender Daten und als Wissensintegration
die Integration formal erfasster Wissensstrukturen verstanden (s. Rodrígez00, S 8ff). Hier
sollen Verfahren zur ontologie-basierten Informationsintegration besprochen werden.
Die grundlegende Problematik der Schaffung von Interoperabilität zwischen Systemen
oder ihren Komponenten besteht in der Heterogenität der Systemstrukturen, wobei vier
Stufen unterschieden werden. Die niedrigste Stufe stellt die Systemheterogenität hinsicht-
131 KRAFT: Projekt zur Informationsintegration aus heterogenen Quellen, wobei ein entsprechendes Multi-Agenten-
System , ´KRAFT Network´, entwickelt wurde. Darin werden die durchzuführenden Aufgaben an jeweils spezialisierte
Agenten delegiert, deren Kommunikation über eine geteilte Ontologie gesichert wird (s. Jones98, S. 3f).
132 engl.: „ontology server“ (Falasconi+96, S. 13).

Kapitel C: Verwendung von Ontologien in Informationssystemen 57
lich verwandter Hardware und Betriebssysteme dar. Die zweite Stufe der Syntaxheterogenität
bezieht sich auf Sprachen und Datenrepräsentationen. Die als strukturelle Heterogenität
bezeichnete dritte Stufe erfasst Unterschiede in verwandten Datenmodellen, und
die vierte Stufe der semantischen Heterogenität bezieht sich auf Unterschiede in der Bedeutung
der Informationen (s. Sheth98, S.4ff). Die ersten beiden Stufen fallen in den
Bereich der Datenintegration und die letzten beiden in jenen der Informationsintegration,
wobei mit der Verwendung von Ontologien vor allem die Problematik der semantischen
Heterogenität gelöst werden soll (s. Kashyap+96, S. 1f).
Dazu werden im Folgenden zwei Ansätze vorgestellt, in denen die semantische Kompatibilität
zwischen Informationsquellen mit Hilfe von Ontologien als bedeutungsdefinierende
Spezifikation der Inhalte erreicht werden soll (s. Wache+01, S. 2f). Abbildung 11
zeigt die grundlegenden Architekturstrukturen, die anschließend genauer erläutert werden.
Ansatz mit globaler Ontologie (s. C.2.2.1)
Ansatz mit lokalen Ontologien (s. C.2.2.2)
Abbildung 11: Ansätze ontologiebasierter Informationsintegration 133
C.2.2.1 Integration mit einer globalen Ontologie
Im ersten Ansatz enthält eine „globale Ontologie 134 “ bedeutungsdefinierende Beschreibungen
der Inhalte aller zu integrierenden Informationsquellen und stellt somit ein Meta-
Modell zur Gewährleistung der semantischen Interoperabilität zwischen heterogenen Informationsquellen
im Sinne des Verwendungsszenarios II.b (s. C.1.2) dar. Ähnlich wie
eine geteilte Ontologie für die Agentenkommunikation (s. C.2.1.2) wird dadurch ein
einheitliches, bedeutungserhaltendes Vokabular für die Verarbeitung von Informationen
definiert, wobei die Ontologie den maximal erreichbaren Konsens der semantischen
Struktur der einzelnen Informationsquellen darstellt. Je übereinstimmender dieser
Konsens, desto höher ist die geschaffene semantische Interoperabilität (s. Wache+01, S.
2).
Eine globale Ontologie zur Informationsintegration kann aus softwaretechnischen
Beweggründen aus mehreren Ontologien zusammengesetzt werden, wobei die funktionale
Intention jedoch gleich bleibt. Das DOME-Projekt 135 arbeitet mit einer solchen Struktur
und soll daher hier beispielhaft erläutert werden. Darin wird die globale Ontologie durch
eine Hierarchie von Ontologien realisiert, wobei die unterste Ebene die Ontologien der
133 entnommen aus: (Wache+01, S. 2).
134 engl.: „global ontology“ (Wache+01, S.1).
135 DOME (Domain Ontology Management Environment): Projekt der ´Intelligent Business Systems Research
Group´ der BT Group (siehe: http://193.113.209.147/projects/ibsr/dome/index.htm, 11.09.02) zur Entwicklung ontologiebasierter
Techniken für den Bereich des Electronic Business. Das DOME-Werkzeug ist eine Entwicklungsumgebung
für ontologiebasierte Anwendungen (s. Cui+01, S. 3ff).

Kapitel C: Verwendung von Ontologien in Informationssystemen 58
einzelnen Informationsquellen bilden. Die Ontologie auf der nächsthöheren Ebene stellt
eine Zusammenführung ähnlicher Ontologien als den maximal erreichbaren Konsens dar.
Diese Zusammenfassung wird solange vorgenommen, bis nur noch eine Ontologie als
oberste Ebene zur Gewährleistung der semantischen Interoperabilität innerhalb des
Systems existiert. Die Erstellung der einzelnen Ontologien wird durch entsprechende
Werkzeuge unterstützt, muss aber vom Ontologie-Entwickler manuell korrigiert werden
(s. Cui+00, S. 3-5).
Obwohl dieser Ansatz zur Informationsintegration das Problem der semantischen
Heterogenität zu lösen vermag, weist er in der Praxis ähnliche Schwierigkeiten wie bei der
Erstellung der geteilten Ontologie für die Agentenkommunikation auf. Denn je heterogener
die Strukturen der zu integrierenden Informationsquellen sind, desto schwieriger ist
die Findung eines gemeinsamen Verständniskonsenses für die globale Ontologie und desto
geringer ist die erreichbare semantische Interoperabilität (Wache+01, S. 2).
C.2.2.2 Integration mit mehreren lokalen Ontologien
Für verteilte und inhaltlich sehr heterogene Informationssysteme, wie das Internet,
respektive das Semantic Web eines darstellt, wird die Erstellung einer alles umfassenden
globalen Ontologie zur Informationsintegration als sehr schwierig bis unmöglich bewertet
(s. Kashyap+96, S. 1f). Daher wurde ein Ansatz für die Informationsintegration entworfen,
der auf die Erstellung einer globalen Ontologie und somit der Findung eines gemeinsamen
Verständniskonsenses verzichtet. Es werden – wie in Abbildung 11 dargestellt
– lediglich „lokale Ontologien 136 “ zur Inhaltsbeschreibung der einzelnen Ressourcen
verwendet und die semantische Interoperabilität durch sogenannte „interontologische Abbildungen
137 “ erreicht, so dass dieser Ansatz dem Verwendungsszenario II.b (s. C.1.2)
entspricht (s. Wache+01, S. 2).
Eine implementierte Lösung dieses Ansatzes stellt das OBSERVER-System 138 dar, dessen
wesentliche Aspekte hier kurz vorgestellt werden sollen. Gemäß dem Ansatz wird
darin jede Informationsquelle mit einer eigenen Ontologie beschrieben, ohne dass diese in
einer globalen Ontologie zusammengefasst werden. Stattdessen sind im sogenannten „Interontology
Relationship Manager (IRM)“ (Mena+00, S. 16) die Unterschiede zwischen
den Ontologien hinsichtlich der Bedeutungsdifferenzen einzelner Terme beschrieben und
entsprechende Transformationsfunktionen für den bedeutungserhaltenden Austausch von
Informationen definiert. Für diese Abbildungsfunktionen werden die Synonyme (äquivalente
Begriffe), Hyponyme (hierarchisch untergeordnet) und Hypernyme (hierarchisch
übergeordnet) der einzelnen Terme herangezogen (s. Mena+00, S. 17).
Die semantische Interoperabilität zwischen heterogenen Informationsressourcen wird
also durch die IRM-Komponente ermöglicht, wobei der kritische Punkt des Systems in
der manuell zu erstellenden Definition der semantischen Beziehungen sowie der darauf
basierenden Abbildungsfunktionen liegt.
136 engl.: “local ontologies” (Wache+01, S.2).
137 engl.: “inter-ontology mapping” (Wache+01, S.2).
138 OBSERVER (Ontology Based System Enhanced with Relationships for Vocabulary hEterogeneity Resolution).
Entstanden aus einem Forschungsprojekt der ´Universidad de Zaragoza´ zur Handhabung heterogener Ontologien.
Eine umfassende Beschreibung des Ansatzes findet sich in (Mena+00).

Kapitel C: Verwendung von Ontologien in Informationssystemen 59
Die Definition interontologischer Abbildungen fällt in den Bereich der Wissensintegration
und ist im Hinblick auf die Gewährleistung und Erhaltung der semantischen
Korrektheit sehr kompliziert. (s. Wache+01, S. 3). Hinsichtlich der Verwendung von Ontologien
im Semantic Web liegt eine grundlegende Herausforderung an die Forschung in
der Entwicklung zur Handhabung heterogener Ontologien, weshalb dieser Aspekt später
ausführlicher behandelt werden soll (s. C.3.2).
C.2.3 Information Retrieval
Unter Information Retrieval (IR) werden Techniken zum Auf-, beziehungsweise Wiederfinden
von Information in Informationssystemen verstanden. Dabei stellt der Benutzer
über eine entsprechende Schnittstelle eine Anfrage, welche das System mit den erfassten
Informationen abgleicht und als Suchresultat die passenden Informationen zurückgibt.
Auf Grund der wachsenden Menge an verfügbaren Informationen, vor allem in weltweit
vernetzten Informationssystemen wie dem Internet, werden immer höhere Qualitätsansprüche
an IR-Techniken gestellt, weshalb reichhaltige Forschungsaktivitäten auf
diesem Gebiet zu verzeichnen sind (s. Greengrass00, S. 6ff).
C.2.3.1 Ontologiebasiertes Information Retrieval
Der ontologiebasierte Ansatz des Information Retrieval basiert auf dem Einsatz von
Ontologien zur Strukturdefinition eines IR-Systems. Dabei wir die Anfrageschnittstelle
auf der Ontologiestruktur basierend konzipiert und die Indizierung der Informationen
durch deren Zuweisung als Instanzen der in der Ontologie erfassten Konzepte vorgenommen.
Als wesentliche Verbesserung der funktionalen Qualität des IR-Systems soll
dadurch das sogenannte „semantische Abgleichen 139 “ ermöglicht werden. Darunter wird
verstanden, dass die intendierte Bedeutung eines in der Anfrage formulierten
Suchbegriffes auf Grund dessen Zuordnung in der Ontologiestruktur in den richtigen
Kontext eingebettet werden kann und so das Suchresultat nur diejenigen Informationen
beihaltet, die dem Suchbegriff entsprechen und außerdem dem relevanten Kontext angehören.
Weiterhin kann eine Ontologie die im System existenten Informationen mit
hintergründigem Wissen ergänzen, wodurch eine erweiterte Informationsgewinnung für
den Nutzer des IR-Systems erreicht werden kann (s. McGuinness98, S. 304ff).
Da ontologiebasierte Verfahren mit den Wissensstrukturen eines Informationssystems
arbeiten, werden sie auch als „Knowledge Retrieval“ (Rodrígez00, S. 26) bezeichnet. Hinsichtlich
der wesentlichen Erfolgsmaße für IR-Systeme 140 wird ontologiebasierten Verfahren
eine höhere Effektivität als anderen Ansätzen zugeschrieben, was vor allem auf die
Möglichkeit der bedeutungsbeschreibenden Erfassung der Informationsressourcen sowie
auf die Möglichkeit zum semantischen Abgleichen derselben mit Anfragen zurückgeführt
wird. In einem Effizienzvergleich eines Keyword-Matching-Systems mit einem ontologiebasierten
Ansatz wird dieses empirisch bestätigt (s. Aitken+00, S. 3).
139 engl.: „semantic matching“ (Guarino97, S. 2).
140 Die grundlegenden Erfolgsmaße für IR-Systeme nach (Greengrass00, S. 10):
(1) Trefferquote (engl.: „recall factor“): Anteil der relevanten Informationen im Suchergebnis (Clason76, S.
320).
(2) Genauigkeit (engl.: „precision“): Verhältnis der relevanten Information im Suchergebnis zu den nicht im
Suchergebnis enthaltenen (Clason76, S. 301).

Kapitel C: Verwendung von Ontologien in Informationssystemen 60
C.2.3.1.1 Ontologie als Thesaurus
Wie schon erläutert, werden Ontologien in ontologiebasierten IR-System als strukturdefinierende
Ordnungssysteme verwendet und übernehmen somit eine klassische Thesaurusfunktionalität
(s. Gaus98, S. 148). Die Primitive der Ontologie stellen dabei die Deskriptoren
für die Informationsressourcen dar, wobei gemäß den Anforderungen an einen
Thesaurus bei der Erstellung der Ontologie vor allem die semantischen Zusammenhänge
der Begriffe zu berücksichtigen sind. 141 Die wesentlichen Anforderungen an Ordnungssysteme
im Information Retrieval hinsichtlich der vollständigen und konsistenten Erfassung
der Wissensstrukturen werden in gleicher Weise an Ontologien gestellt (s. B.1.4.1),
weshalb deren Verwendung zur Strukturdefinition für die Indizierung im Information Retrieval
im Sinne des Verwendungsszenarios III.a (s. C.1.2) als sinnvoll betrachtet werden
kann. Als entsprechendes Beispiel soll die Verwendung von Ontologien in ONTOSEEK
vorgestellt werden.
C.2.3.1.2 ONTOSEEK
ONTOSEEK 142 ist ein Information Retrieval – System, das eine Ontologie im vorgestellten
Sinne verwendet. Es ermöglicht einen semantischen Abgleich durch Nutzung sprachverarbeitender
Verfahren, was im Folgenden erläutert werden soll.
Zunächst wird die inhaltlich Struktur der Informationen mittels Sprachverarbeitungstechniken
in sogenannten „lexikalischen semantischen Graphen 143 “ dargestellt und dieser
Strukturerfassung unter Verwendung von SENSUS 144 die intendierte Bedeutung zugewiesen.
Diese inhaltlichen Beschreibungen der Informationen werden als bedeutungsbeschreibende
Indexierung in einer Datenbank abgelegt. Außerdem werden sie als
Instanzen der System-Ontologie zugeordnet, welche eine Domänenontologie der entsprechenden
Wissensdomäne darstellt.
Die natürlichsprachlichen Nutzeranfragen werden auf gleiche Art und Weise erfasst,
wobei ihnen die primäre Bedeutung aus der SENSUS-Ontologie zugewiesen wird. Auf
dieser Grundlage kann ein semantischer Abgleich vorgenommen werden: Dazu werden
nur jene Inhaltserfassungen in der Datenbank mit der Abfrage abgeglichen, die in der
System-Ontologie dem gleichen Konzept oder diesem untergeordneten Konzepten zugeordnet
sind wie die bearbeitete Anfrage. Somit soll das Suchergebnis hinsichtlich der Trefferquote
und der Genauigkeit verbessert werden (s. Borgo+97, S. 1-4).
141 Definition eines Thesaurus als Dokumentationssprache im Bereich des Information Retrieval:
“Ein Thesaurus im Bereich der Information und Dokumentation ist eine geordnete Zusammenstellung von Begriffen
und ihren (vorwiegend natürlichsprachlichen) Bezeichnungen, die in einem Dokumentationsgebiet zum Indexieren,
Speichern und Wiederauffinden dient. Er ist durch folgende Merkmale gekennzeichnet:
a) Begriffe und Bezeichnungen werden eindeutig aufeinander bezogen (´terminologische Kontrolle´), indem
- Synonyme möglichst vollständig erfasst werden,
- Homonyme und Polyseme besonders gekennzeichnet werden,
- für jeden Begriff eine Bezeichnung [...]festgelegt wird, die den Begriff vertritt,
b) Beziehungen zwischen Begriffen (repräsentiert durch ihre Bezeichnungen) werden dargestellt.“ (DIN 1463, S. 22).
142 ONTOSEEK: Ontologiebasiertes Information Retrieval – System, das mit dem Ziel der Verarbeitung natürlichsprachlicher
Anfragen entwickelt wurde (s. Borgo+97, S. 1f).
143 engl.: „Lexical Semantic Graphs“ (Borgo+97, S.2). Diese dienen der strukturellen Erfassung natürlichsprachlicher
Zusammenhänge und basieren auf dem Ansatz der Konzeptgraphen (s. A.1.1.2).
144 SENSUS: umfangreiche Top-Level-Ontologie, in der mehrere linguistische Ontologien (s. C.2) zusammengeführt
sind. Sie enthält eine einfache taxonomische Struktur der Bedeutung natürlichsprachlicher (englischer) Begriffe und
soll als wiederverwendbare Basis für sprachverarbeitende Applikationen dienen soll (s. Swartout+97).

Kapitel C: Verwendung von Ontologien in Informationssystemen 61
C.3 Implikationen für Ontologiebasierte Informationssysteme
Als Abschluss der Betrachtungen zur Verwendung von Ontologien in Informationssystemen
sollen die wesentlichen Implikationen herausgearbeitet werden, welche sich für
die Erstellung „ontologiebasierter Informationssysteme 145 “ ergeben. Da in den bisherigen
Ausführungen vornehmlich die Einsatzmöglichkeiten von Ontologien als bedeutungsdefinierende
Systemkomponenten behandelt worden sind, soll hier zunächst die Verwendung
von Ontologien als konzeptionelles Hilfsmittel in der Systemsentwicklung besprochen
werden.
Im Unterschied zu den bisher aufgezeigten Verwendungsmöglichkeiten stellt eine im
Entwicklungsprozess eines Systems genutzte Ontologie keine Funktionalität bereit, sondern
eine Konzeptionsgrundlage vor allem für die der Implementierung vor- und nachgelagerten
Entwicklungsstufen. Ein nutzenbringender Einsatz wird vor allem in vier Bereichen
gesehen, für welche die möglichen Vorteile durch die Verwendung einer Ontologie
kurz erläutert werden sollen. Der erste Bereich ist die Systemspezifikation, wobei
eine Domänenontologie als Verständnismodell des Anwendungsgebietes des zu entwickelnden
Systems die Basis zur Identifikation der Systemaufgaben und -funktionalitäten
bilden und somit eine höhere Qualität der Spezifikation gewährleisten kann (s. Borst 97, S.
23f). Weiterhin kann eine Ontologie als zweiter Bereich die Wissensakquisition unterstützen,
indem sie eine Ausgangsbasis für den Wissenserwerb durch ein grundlegendes
Verständnis der behandelten Wissensdomäne bietet und die Zuordnung akquirierter
Wissensstrukturen in den strukturellen Zusammenhang ermöglicht (s. vanHeijst+97, S.
33-50). Für die nachgelagerten Stufen der Systementwicklung kann eine Ontologie erstens
für Systemtests hinsichtlich der Reliabilität verwandt werden (s. Uschold+96, S. 13) und
zweitens die Grundlage für die Erstellung der Dokumentation des Systems bieten (s.
Uschold+99, S. 3).
Dabei kann für alle vorgestellten Bereiche die gleiche Ontologie genutzt werden,
weshalb eine solche Verwendung von Ontologien auch als „ontologiebasierter Ansatz der
Systementwicklung 146 “ bezeichnet wird. Dabei soll die Verwendung einer Ontologie eine
einheitliche, qualitätssichernde Grundlage für die Systementwicklung gewährleisten (s.
Guarino98, S. 8f). Da die Verwendung von Ontologien als Hilfsmittel in der Systementwicklung
für den hier verfolgten Untersuchungszusammenhang lediglich sekundäre
Bedeutung hat, soll dieser Themenbereich nicht weiter ausgeführt werden.
Wesentlicher erscheinen die softwaretechnischen Aspekte zur Handhabung von Ontologien
als wiederverwendbare und integrierbare Komponenten zur Bedeutungsdefinition
in Informationssystemen, da die angestrebten Verbesserungen wissensverarbeitender
Systeme durch ontologiebasierte Verfahren der Wissensmodellierung erst mit der
Bereitstellung entsprechender Techniken erreicht werden können. Dazu sollen die in den
Ausführungen schon häufiger erwähnten Aspekte der Wiederverwendung von Ontologien
in verschiedenen Zielsystemen sowie die Handhabung mehrerer heterogener Ontologien
in einem System genauer betrachtet werden.
145 engl.: „ontology-driven information systems“ (Guarino98, S. 8).
146 engl.: „ontology-driven information system development” (Guarino98, S. 8).

Kapitel C: Verwendung von Ontologien in Informationssystemen 62
C.3.1 Wiederverwendbarkeit
Die Wiederverwendung existenter Programmteile ist ein grundlegendes Anliegen bei der
Entwicklung computergestützter Systeme, wobei die Motivation relativ einfach nachzuvollziehen
ist: Die Entwicklung eines Systems ohne jegliche Vorlage ist sehr aufwendig
und kostenintensiv, außerdem sind umfangreiche Fachkenntnisse zur Gewährleistung einer
angemessenen Qualität des Systems nötig. Daher werden von Spezialisten wiederverwendbare
Komponenten für allgemeine Systemfunktionalitäten entwickelt, durch deren
Verwendung in einem neuen System erstens der Entwicklungsaufwand minimiert und
zweitens dessen funktionale Qualität gesichert werden kann (s. Borst97, S.1f).
Während für die Wiederverwendbarkeit in der konventionelle Softwareentwicklung die
Funktionalität der Komponenten sowie deren Integrierbarkeit durch die Unterstützung
entsprechender Schnittstellen entscheidend ist, müssen wiederverwendbare Komponenten
für wissensverarbeitende Aufgaben vor allem eine allgemeingültige Wissensstruktur
beinhalten, die für unterschiedliche Aufgaben eingesetzt werden kann. Die Erfassbarkeit
derartiger Wissensstrukturen wurde im Hinblick auf das sogenannte „Interaktionsproblem
147 “ in Frage gestellt, wobei diese Einwände durch die Entwicklung generischer
Wissensmodelle im Knowledge Engineering (s. A.1.2.1) entkräftet wurden. Ein generelles
Problem der Erstellung solcher allgemeingültiger Wissensmodelle liegt in der nötigen
Abwägung zwischen Verwendbarkeit und Wiederverwendbarkeit 148 , wozu im Folgenden
ein Lösungsansatz für Ontologien vorgestellt werden soll. Anschließend werden die
wesentlichen Aspekte des Prozesses zur Wiederverwendung von Ontologien dargelegt.
C.3.1.1 Verwendbarkeit und Wiederverwendbarkeit
In seiner Dissertation ging Willem N. Borst (vgl. Borst97) der Fragestellung nach, ob Ontologien
verwendbar für eine konkrete Anwendung und gleichzeitig wiederverwendbar für
verschiedene Applikationen sein können. Dazu wurden zunächst eine Gruppe allgemeingültiger
Ontologien namens PHYSYS zur Beschreibung physischer Systeme entworfen (s.
Borst97, S. 25-54), deren Verwendbarkeit hinsichtlich der Vollständigkeit der darin erfassten
Wissensstrukturen durch die Verwendung als Basis einer Ontologiebibliothek für
physikalische Simulationen bewiesen wurde (Borst97, S. 55-80). Mit der Nutzung der
PHYSYS-Ontologien als Grundlage einer Ontologie für die Produktionswirtschaft (Borst
97, S. 81-120) wurde nachgewiesen, dass die PHYSYS-Ontologien auch in andersartigen
Anwendungskontexten verwendbar sind.
Daraus resultiert, dass trotz des existenten Widerspruchs von Verwendbarkeit und
Wiederverwendbarkeit Ontologien entworfen werden können, die gleichzeitig und in angemessener
Qualität verwendbar und wiederverwendbar sind (s. Borst97, S. 121). Für die
Erstellung derartiger Ontologien ist ein entsprechendes Entwicklungsprinzip zu verfolgen,
wozu Borst das aus dem konventionellen Software Engineering bekannte Prinzip des
147 engl.: „interaction problem“ (Bylander+88, S. 2). Dieses besagt, dass formal erfasste Wissensstrukturen generell
nicht wiederverwendbar sind, weil ihre Struktur derart stark durch ihr spezifisches Anwendungsumfeld determiniert
ist, dass sie nicht auf einen anderen Anwendungszusammenhang übertragen werden können.
148 engl.: „reusability-usability trade-off“ (Klinker+91, S. 3). Damit ist folgender Widerspruch bezüglich der erreichbaren
Qualität generischer Wissensmodelle gemeint: Je wiederverwendbarer ein Wissensmodell ist, desto allgemeingültiger
muss es sein und je allgemeingültiger es ist, desto weniger ist es für eine spezifische Aufgabe verwendbar.

Kapitel C: Verwendung von Ontologien in Informationssystemen 63
„Teilens und Zusammenführens 149 “ proklamiert. Dabei wird eine Modularisierung der
Ontologie in kleinere Teilontologien vorgenommen, welche je eine inhaltlich abgeschlossene,
allgemeingültige Erfassung des Weltausschnitts darstellen (s. Borst97, S. 18f).
Diese Module können zusammengeführt und über sogenannte „ontologische Projektionen
150 “ als Grundlage der Ontologie für einen spezifischen Anwendungskontext verwandt
werden. Dabei werden drei Arten von Projektionen unterscheiden, wobei das
Ontologie-Modul jeweils in die Anwendungsontologie inkludiert und in deren Struktur
eingepasst wird. Die erste Art von Projektion wird als Inklusion und Erweiterung (engl.:
„include and extend“) bezeichnet, wobei das Ontologie-Modul unverändert übernommen
und lediglich dem Kontext entsprechend erweitert wird. Bei der Inklusion und Spezialisierung
(engl.: „include and specialize“) als zweiter Art dient ein abstraktes Ontologie-
Modul als Strukturvorgabe, wobei die Konzepte und Instanzen der Ontologie jenen des
Ontologie-Moduls untergeordnet werden. Bei der dritten Art, bezeichnet als Inklusion
und Abgleich (engl.: „include and map“), müssen die ontologischen Theorien auf Grund
semantischer Heterogenitäten abgeglichen werden (s. Borst97, S. 53f). Dieser Aspekt wird
anschließend genauer betrachtet (s. C.3.2).
C.3.1.2 Wiederverwendung von Ontologien
Durch die Erstellung modularisierter Ontologien und die Definition entsprechender
Operationen für deren Zusammenführung ist zwar die theoretische Möglichkeit der
Wiederverwendung von Ontologien gegeben, jedoch keine Erfassung der nötigen Schritte
zur Integration existenter Ontologien in die Ontologie eines konkreten Anwendungskontextes.
Diese Aufgabe erfordert einen strukturellen Abgleich der zu integrierenden
Ontologie-Module mit den Anforderungen der zu erstellenden Anwendungsontologie
und muss hinsichtlich der konzeptionellen Aspekte manuell vom Ontologie-Entwickler
ausgeführt werden. Eine Unterstützung kann lediglich durch Werkzeuge für einzelne Teilaufgaben
gegeben werden (s. Uschlod+98, S. 179).
In den methodologischen Ansätzen der Ontologie-Entwicklung wird die Wiederverwendung
existenter Ontologien bei der Entwicklung einer neuen Ontologie als zentrales
Ziel ontologiebasierter Verfahren der Wissensmodellierung herausgestellt (s. B.1). Die
dazu durchzuführenden Schritte werden in Tabelle 11 zusammenfassend erläutert.
Tätigkeit
Erläuterung
1. Wiederverwendbarkeit Die Eignung der zu integrierenden Ontologie muss bezüglich der darin erfassten
Wissensstrukturen hinsichtlich des für die Anwendungsontologie benötig-
prüfen
ten Wissens geprüft werden.
2. Übersetzbarkeit prüfen Die Darstellbarkeit in gewünschten Zielsystem ist zu prüfen und eventuell existente
semantische Unterschiede zwischen der zu integrierenden und der Anwendungsontologie
sind hinsichtlich deren Auflösbarkeit zu bewerten.
3. Transformation Falls 1. und 2. positiv ausfallen, wird die Integration vorgenommen. Dazu wird
das konzeptionelle Modell der Anwendungsontologie mit den Definitionen der
integrierten Ontologie erweitert (s. C.3.2)
4. Verifikation der Prüfung der Funktionalität, Vollständigkeit und Konsistenz der neuen Anwendungsontologie
bezüglich der dafür spezifizierten Anforderungen.
Anwendungsontologie
Tabelle 11: Prozess der Wiederverwendung von Ontologien 151
149 engl.: „Divide and Conquer“ (Borst97, S. 18).
150 engl.: „Ontology Projections“ (Borst97, S. 53).
151 nach: (Uschold+98, S. 181-190). Übersetzungen der Begrifflichkeiten durch den Autor.

Kapitel C: Verwendung von Ontologien in Informationssystemen 64
C.3.2 Integration von Ontologien
Die besprochenen Verwendungsmöglichkeiten zeigen einige signifikante funktionale Verbesserungen
durch den Einsatz von Ontologien in Informationssystemen auf. Dabei
wurde jedoch deutlich, dass die Erstellung einer globalen, alle benötigten Wissensstrukturen
erfassenden Ontologie auf Grund der hohen Umweltkomplexität zumeist nicht realisierbar
erscheint und daher Ansätze mit mehreren heterogenen Ontologien innerhalb
eines Systems als praktikabler angesehen werden (s. C.2.1.2, C.2.2.2). Um die semantische
Interoperabilität als fundamentales Ziel der Verwendung von Ontologien in Informationssystemen
in derartigen Ansätzen zu gewährleisten, muss diese zwischen den heterogenen
Ontologien ermöglicht werden. Entsprechende Techniken werden als Verfahren
der „Ontologie-Integration 152 “ bezeichnet.
Das grundlegende Problem stellt dabei die semantischen Heterogenität, spezieller die
als „ontologische Heterogenitäten 153 “ bezeichneten Differenzen in der bedeutungsdefinierenden
Erfassung einer Wissensdomäne durch unterschiedliche Ontologien dar. Zur
Gewährleistung der größtmöglichen Interoperabilität wird mit der „Vereinheitlichung 154 “
heterogener Ontologien das höchste Level der Integration angestrebt. Ähnlich der Wiederverwendung
von Ontologien kann diese Aufgabe hinsichtlich der Anforderungen auf
der konzeptionellen Ebene nicht vollständig automatisiert, sondern lediglich durch entsprechende
Werkzeuge unterstützt werden (s. Gangemi+98, S. 166f).
Die Forschungsarbeiten auf diesem Gebiet sind noch nicht weit fortgeschritten, was
auf die Komplexität dieser Problemstellung zurückgeführt wird (s. Wache+01, S. 3). Da
die Ontologie-Integration für Verwendung von Ontologien im Semantic Web von wesentlicher
Bedeutung ist, soll hier eine Klassifikation ontologischer Heterogenitäten sowie
ein Ansatz zur werkzeuggestützten Behandlung derselben vorgestellt werden.
C.3.2.1 Klassifikation ontologischer Heterogenitäten
Mit der Klassifikation ontologischer Heterogenitäten 155 verfolgen Visser et al. das Ziel,
den Aufwand für die Integration zweier Ontologien abschätzen und somit die Umsetzbarkeit
der Integration differenzierter bewerten zu können. Es werden zwei Gruppen von
Heterogenitäten unterschieden, wobei in der erste Gruppe Differenzen in den konzeptionellen
Modellen zusammengefasst sind und in der zweiten Unterschiede in der formalen
Spezifikation. 156 Jede Gruppe ist in mehrere verschiedenartige Heterogenitäten untergliedert
(Visser+98, S. 151-154).
Hinsichtlich des Behebungsaufwandes werden die unterschiedenen Heterogenitäten in
drei Schwierigkeitsstufen eingeordnet. Als einfach behebbar werden dabei die Heterogenitäten
in der formalen Spezifikation bewertet, Term- und Attributzugehörigkeiten
werden als kontextabhängig eingestuft und taxonomische sowie andersartige strukturelle
152 engl.: „Ontology Integration“ (Gangemi+98, S. 163).
153 engl.: „ontological heterogeneity“ (Visser+98, S. 149).
154 engl.: „unification“ (Gangemi+98, S. 166).
155 Die Heterogenitäten werden dabei als „ontological mismatches“ (Visser+98, S. 151) bezeichnet. Obwohl damit
nicht die wortwörtliche Übersetzung gewählt wurde, sollen sie zur Erhaltung der begrifflichen Einheitlichkeit in dieser
Arbeit als ontologische Heterogenitäten bezeichnet werden.
156 Die erste Gruppe wird als „conceptualisation mismatches“, die zweite als „explication mismatches“ bezeichnet
(Visser+98, S. 151).

Kapitel C: Verwendung von Ontologien in Informationssystemen 65
Heterogenitäten als nur schwer lösbar betrachtet (Visser +98, S. 161f). Mit Hilfe dieser
Klassifikation kann sowohl über die generelle Umsetzbarkeit der Integration zweier Ontologien
entschieden als auch der entsprechende Aufwand abgeschätzt werden.
C.3.2.2 Halbautomatisierte Ontologie-Integration
Das ONION-System 157 bietet eine werkzeuggestützte Lösung zum Auffinden und zur Behandlung
ontologischer Heterogenitäten. Zur Erläuterung der Funktionsweise des Systems
sollen zunächst die mathematischen Operationen erläutert werden, welche der Zusammenführung
zweier Ontologien zugrunde liegen.
Die Erstellung einer zwei Quellenontologien integrierenden Ontologie beruht auf drei
algebraischen Operationen, welche auch als „Ontologie-Algebra 158 “ bezeichnet werden.
Die erste Operation heißt Intersektion (engl.: „Intersection“), welche die Schnittmenge
der übereinstimmenden Entitäten aus den beiden Quellenontologien zurückliefert und in
Anlehnung an die Mengenalgebra mit dem Operator ´∩´ beschrieben wird. Die Operation
der Vereinigung (engl.: „Union“), bezeichnet durch den Operator ´U´, vereinigt die beiden
Ontologien mit Angabe der Herkunft für jene Entitäten, die in den Quellenontologien unterschiedlich
sind. Die dritte Operation der Differenzierung (engl.: „Difference“), gekennzeichnet
durch den Operator ´–´, liefert diejenigen Entitäten der ersten Ontologie zurück,
die nicht jenen mit der zweiten Ontologie übereinstimmen (s. Wiederhold94, S. 9f).
Für die Ontologie-Integration mit ONION werden die beiden Quellenontologien zunächst
in das systemeigene Repräsentationsformat überführt, um eine einheitliche formale
Darstellung zu erreichen. Dann werden mit Hilfe entsprechender Algorithmen die
Strukturen der Ontologien erfasst und für die Behebung aufgefundener ontologischer
Heterogenitäten sogenannte „Artikulationsregeln 159 “ definiert. 160 Diese müssen von menschlichen
Domänenexperten hinsichtlich ihrer semantischen Korrektheit überprüft und
gegebenenfalls korrigiert werden, da die Algorithmen lediglich eine Struktur-, aber keine
Bedeutungsanalyse erlauben. Auf dieser Grundlage kann als Vereinheitlichung der beiden
Quellenontologien eine neue Ontologie generiert werden, wodurch die Interoperabilität
zwischen den durch die Quellenontologien beschriebenen Informationsressourcen ermöglicht
wird (s. Mitra+01, S. 319-325). Für diesen Vorgang werden die erläuterten algebraischen
Operationen verwendet. Das ONION-System loggt die dabei vorgenommenen
Schritte, so dass der Integrationsprozess nachverfolgt, korrigiert und bei Änderungen in
den Quellenontologien aktualisiert werden kann (s. Mitra+01, S. 325f).
Mit Hilfe eines solchen Systems lässt sich die Ontologie-Integration zwar erleichtern,
die Prüfung der semantischen Korrektheit der Integration bedarf jedoch weiterhin der
Überprüfung durch den Menschen.
157 ONION (ONtology compositION): Im Information Laboratory der Stanford University entwickeltes Werkzeug
zur semi-automatischen Interoperation heterogener Informationsressourcen (s. Mitra+01, S. 1f).
158 engl.: „Ontology Algebra“ (Mitra+01, S. 325).
159 engl.: „articulation rules“ (Mitra+01, S. 319).
160 Da die Diskussion der verwandten Algorithmen über das hier verfolgte Ziel der grundlegenden Erläuterung des
Ansatzes hinausginge, wird an dieser Stelle lediglich auf deren ausführliche Darstellung in (Mitra+99) verwiesen.

Kaptitel D: Ontologien im Semantic Web 66
D Ontologien im Semantic Web
Als zweiter Teil der Arbeit befasst sich dieses Kapitel mit der Verwendung von Ontologien
im Semantic Web, wobei die bisher erarbeiteten Charakteristika ontologiebasierter
Verfahren der Wissensmodellierung als Verständnisgrundlage dienen sollen. Wie eingangs
schon erwähnt, soll mit dem Semantic Web 161 eine Erweiterung der existenten Web-
Technologien als informationstechnische Infrastruktur geschaffen werden. Die Intention
liegt dabei in einer Verbesserung der informationsverarbeitenden Funktionalitäten des
Internets, wodurch dessen Qualität als weltweit vernetztes Informationssystem erhöht
werden soll. Zur Realisierung dieses Vorhabens müssen wissensverarbeitende Techniken
für das Internet bereitgestellt werden, wobei Ontologien als bedeutungsdefinierende
Komponente eingesetzt werden sollen (s. Berners-Lee+01, S. 26-30). Im Folgenden wird
diese Vision genauer erläutert sowie der Stand der Forschung hinsichtlich der
Realisierungen vorgestellt, wobei vor allem die Beweggründe für die Verwendung von
Ontologien genauer untersucht werden sollen. Dazu ist folgenden drei Fragestellungen
nachzugehen: Welche funktionale Rolle sollen Ontologien im Semantic Web übernehmen,
inwieweit sind die Verfahren ontologiebasierter Wissensmodellierung für eine derartige
Verwendung von Ontologien ausgereift, und welche Implikationen resultieren daraus für
konkrete Semantic Web – Anwendungen?
Zur Bearbeitungen dieser Fragestellungen wird zunächst der geplante funktionale
Aufbau des Semantic Web erörtert, wobei vor allem die darin antizipierte Rolle von Ontologien
herausgearbeitet werden soll. Aus der Verwendung von Ontologien als bedeutungsdefinierendem
Grundbaustein des Semantic Web resultieren zwei wesentliche Herausforderungen
an ontologiebasierte Verfahren der Wissensmodellierung. Zum einen werden
web-kompatible Techniken für die formale Spezifikation von Ontologien benötigt und
zum anderen Verfahren, die eine angemessene Handhabung von Ontologien bezüglich
der Umweltcharakteristika des Internets erlauben. Für den ersten Aspekt werden im
zweiten Abschnitt des Kapitels entsprechende Ontologie-Spezifikations-Sprachen vorgestellt.
Hinsichtlich des zweiten Aspekts werden im dritten Abschnitt die wesentlichen
Problemstellungen der Handhabung von Ontologien im Semantic Web besprochen und
entsprechende Lösungsansätze aufgezeigt. Abschließend wird kurz auf die Verwendung
von Ontologien in konkreten Semantic Web – Anwendungen eingegangen.
Der Fortführung der Ausführungen sollen noch einige Anmerkungen über die
Forschungsaktivitäten auf diesem Gebiet vorangestellt werden. Wie im Vorwort schon
angedeutet, sind auf Grund des erwarteten Entwicklungsschubs des Internet reichhaltige
Forschungen hinsichtlich der Realisierung der Vision des Semantic Web zu verzeichnen.
Dies wird ersichtlich angesichts der quantitativen sowie qualitativen Fülle der momentanen
Aktivitäten innerhalb der beiden wichtigsten Forschungsgruppen, die sich mit der
Entwicklung entsprechender technischer Lösungen beschäftigen. Die eine Gruppe ist die
161 Der Begriff des „Semantic Web“ wurde von Tim Berners-Lee als Bezeichnung für bedeutungsverarbeitende Web-
Technologien eingeführt (s. Berners-Lee00, S. 169). Hier soll dieser Begriff als Eigenname des Ansatzes des World
Wide Web Consortium (W3C) zur Realisierung eines semantischen Internets verstanden werden.

Kaptitel D: Ontologien im Semantic Web 67
sogenannte „Semantic Web Activity 162 “ des World Wide Web Konsortiums (W3C),
welche im Sinne des W3C Technologie-Standards für das Semantic Web erarbeitet. Die
zweite Gruppe ist die Forschungsgemeinde, die Lösungsansätze für Semantic Web –
Technologien in Projekten erarbeitet. 163 Die erwähnte Festlegung des Aufnahmestopps
neuen Materials für dieses Kapitel auf Ende Juli 2002 begründet sich darin, dass am
29.07.2002 die vorläufige Spezifikation einer Ontologie-Spezifikations-Sprache für das
Semantic Web der Semantic Web Activity erschien. Weiterhin wurden zu diesem Zeitpunkt
die Ergebnisse zweier Konferenzen veröffentlicht, welche in der Bearbeitung Berücksichtigung
finden sollen. 164 Obwohl mit diesen Veröffentlichung Fortschritte für die
hier behandelten Fragestellungen erreicht wurden, sind weiterhin neuartige Kenntnisse zu
erwarten. 165 Auf Grund der befristeten Bearbeitungszeit kann in dieser Arbeit lediglich der
Kenntnisstand bis zum genannten Aufnahmestopp berücksichtigt werden.
D.1 Aufbau und Funktionsweise des Semantic Web
Um die Verwendung von Ontologien im Semantic Web untersuchen zu können, sind
zunächst die Grundlagen desselben zu erläutern. Dazu werden im Folgenden die der
´Vision´ des Semantic Web zugrundeliegenden Ideen genauer erläutert und anschließend
die vom W3C vorgeschlagene Architektur zur technischen Realisierung dieser Vision
vorgestellt. Dabei soll insbesondere die antizipierte Rolle von Ontologien herausgearbeitet
und die daraus resultierenden Herausforderungen hinsichtlich der Handhabung von Ontologien
im Semantic Web aufgezeigt werden.
D.1.1 Hintergrund der ´Vision des Semantic Web´
Die vorgestellte Vision des Semantic Web ist nicht als neuartige Idee zur Erstellung eines
intelligenten, weltweit vernetzten Informationssystems zu verstehen, sondern als nächste
Entwicklungsstufe des vorhandenen Internets. Dabei besteht das grundlegende Ziel bei
der Entwicklung des World Wide Web (WWW) in der Erstellung einer „universellen Informationsplattform
166 “, welche durch die Vernetzung von Informationsquellen sowie
durch die Bereitstellung entsprechender Zugriffsmöglichkeiten den Zugang zu allen Informationen
durch jedermann erlauben soll. 167
162 Informationen hierzu finden sich auf der Homepage der W3C Semantic Web Activity: www.w3.org/2001/sw/
(25.09.2002). Da das W3C bei der Entwicklung von Web-Technologien eine gewichtige Rolle einnimmt – es versteht
sich als Gremium zur Steuerung der Entwicklung des Internets als Informationsinfrastruktur (vgl. Jacobs00, W3C
Mission) –, sind den Arbeiten der Semantic Web Activity eine sehr hohe Relevanz zuzuschreiben.
163 Auf dem ´Semantic Web Community Portal´, siehe: www.semanticweb.org (08.06.2002), werden die Ergebnisse
der wesentlichen Forschungsprojekte sowie von entsprechenden Konferenzen zusammengetragen.
164 Die beiden Konferenzen sind:
1) ISWC2002: 1 st International Semantic Web Conference. Sardinia, Italien: 09.06. – 12.06.2002.
siehe: http://iswc.semanticweb.org (12.08.2002)
2) ECAI-2002: 15 th European Conference on Artificial Intelligence. Lyon, Frankreich: 21.07. – 26.07.2002
siehe: http://ecai2002.univ-lyon1.fr/show_en.pl (12.08.02)
165 Hier seien als Beispiel zwei neue Veröffentlichungen genannt, die sich intensiv mit der Thematik befassen.
1) Fensel, D.; Wahlster, W.; Lieberman (Hrsg.): Spinning the Semantic Web. Bringing the World Wide Web to Its
Full Potential. Boston: MIT Press. voraussichtliches Erscheinungsdatum: 15.11.2002.
2) ´Semantic Web´: ERCIM (European Research Consortium for Informatics and Mathematics), Sonderheft
Oktober 2002.
166 engl.: „universal information space“ (Berners-Lee+99, Abstract).
167 Mit dieser Absicht entwickelte Tim Berners-Lee zu Beginn der 1990er Jahre das World Wide Web (s. Berners-
Lee00, S. 8-26). Das W3C wurde gegründet, um die Entwicklung des Internets hinsichtlich dieser Zielvorstellung
voranzutreiben und den Entwurf entsprechender Technologien zu unterstützen (s. Jacobs00, Background).

Kaptitel D: Ontologien im Semantic Web 68
D.1.1.1 Das Internet als universale Informationsplattform
Zur Umsetzung dieses Ziels wurden technische Lösungen entwickelt, die prinzipiell die
Vernetzung und den Zugang zu allen Informationsquellen ermöglichen sollen. Deren
architektonische Grundlage stellt das sogenannte URI 168 -Prinzip dar. Dieses besagt, dass
jede Ressource im Internet mit einer Identifikation versehen werden und somit alles mit
allem verknüpft werden kann (s. Berners-Lee98, The Universal Web). Mit der Bereitstellung
entsprechender Übertragungsprotokolle sowie HTML 169 als Hypertextsprache zur
Darstellung und Verknüpfung von Web-Dokumenten entstand jene Server-Infrastruktur,
die das Internet in seiner existenten Form bildet. Damit wird die Vernetzung von Informationsquellen
sowie der Zugriff auf diese ermöglicht, so dass das grundlegende Ziel der
Entwicklung einer universellen Informationsplattform mit dem bisher existenten WWW
realisiert worden ist (s. Berners-Lee+01, S. 25f).
Allerdings können die Informationen aus Web-Dokumenten derzeit nicht, beziehungsweise
nur mittels proprietärer Lösungen automatisch verarbeitet werden. Dies wird vor
allem auf die Unstrukturiertheit der Informationsdarstellung durch HTML zurückgeführt.
170 Somit stellt das existente Internet eine informationstechnische Infrastruktur zur
Verfügung, welche zwar den Zugang zu Informationsquellen ermöglicht, aber die Interpretation
der Inhalte durch den Menschen erfordert (s. Berners-Lee98, Human Readable
Information). Um die Qualität des Internet als universelle Informationsplattform zu
erhöhen, soll durch Semantic Web – Technologien die Informationsdarstellung derart verbessert
werden, dass eine automatisierte Verarbeitung der Inhalte möglich ist. Dazu ist
zunächst die Strukturiertheit der Informationsdarstellung erforderlich, um eine maschinelle
Verarbeitung generell zu ermöglichen. Weiterhin muss eine Bedeutungsdefinition für
die Informationen gegeben sein, um deren korrekte Handhabung durch die verarbeitenden
Programme zu gewährleisten (s. Miller01, Introduction). Die Ansätze zur Realisierung
dieses Vorhabens werden anschließend genauer erläutert (s. D.1.2).
D.1.1.2 Design-Prinzipien
Dem Design von Web-Technologien liegen drei wesentliche Prinzipien zugrunde, welche
die Funktionalität des Internets als weltweit vernetzte und universell zugängliche Informationsplattform
gewährleisten sollen. Das erste Prinzip der Interoperabilität (engl.: „Interoperability“)
fordert die Kompatibilität von Sprachen und Protokollen, wodurch der
Zugriff auf unterschiedliche Arten von Informationsquellen gesichert werden soll. Mit der
Entwicklungsfähigkeit (engl.: „Evolvability“) als zweitem Prinzip wird die Anpassungsfähigkeit
an neue Technologien gefordert. Das heißt, dass technische Lösungen derart
konzipiert werden sollen, dass nachfolgende Technologien zur Weiterentwicklung des
Internets auf den existenten aufbauen können. Das dritte Prinzip der Dezentralisierung
(engl: „Decentralization“) fordert, dass statt eines zentralen Steuerungsmechanismus die
168 URI: Uniform Resource Identifier. Ein solcher kann jeder Ressource unabhängig von ihren spezifischen Charakteristika
zugewiesen werden, so dass sie eindeutig identifizierbar ist (s. Berners-Lee00, S. 42f).
169 HTML: Hypertext Markup Language. Zur Sicherstellung der Interoperabilität zwischen Informationsquellen entwickelte
Sprache, die sich als Standard zur Darstellung von Web-Sites etabliert hat (s. Berners-Lee98, HTML).
170 HTML dient der visuellen Darstellung von Informationen. Der HTML-Code einer Website spezifiziert das Erscheinungsbild
der Informationen. Es können allerdings keine Angaben über die Struktur der Informationen gemacht
werden, wie sie für eine automatisierte Bearbeitung benötigt werden (s. Berners-Lee98, HTML).

Kaptitel D: Ontologien im Semantic Web 69
Kontrolle des Systems durch die teilnehmenden Server selber vorgenommen werden soll
(s. Jacobs00, Design Principles of the Web). Mit der Entwicklung der existenten Web-
Technologien wurden diese Prinzipien umgesetzt.
Der Realisierung des Semantic Web sollen weiterführende Prinzipien zugrunde liegen.
Diese stellen grundlegende Annahmen bezüglich der Handhabung von Informationen im
Internet sowie deren Verarbeitung mittels entsprechender Technologien dar, weshalb sie
in Tabelle 12 vorgestellt und erläutert werden sollen.
Prinzip
URI-Prinzip
Typendeklaration
Toleranz partieller
Information
Relativer Wahrheitsbeweis
Behandlung heterogener
Konzeptionalisierungen
171
Minimalistisches
Design
Beschreibung
Grundsätzliche Verknüpfbarkeit aller Ressourcen (s.o.).
Ressourcen und Links werden Typen zugewiesen – ähnlich den Datentypen
in einer Programmiersprache. Im bisherigen Web gibt es lediglich Ressourcen
(z.B. ein Web-Dokument) und verknüpfende Links. Die Typ-Zuweisung
stellt eine genauere Beschreibung eines Web-Bestandteils dar, woraus Informationen
über die Beschaffenheit desselben gewonnen werden können.
Dieses Prinzip soll mit dem Ressource Description Framework (s. D.2.1)
umgesetzt werden.
Dieses Prinzip bezieht sich auf die Unbegrenztheit der Informationen im
Internet. Auf Grund der Dezentralisierung kann der Autor jedes Web-Dokuments
Links definieren und diese wieder entfernen. Web-Technologien sollen
dadurch entstehende fehlerhafte Verlinkungen tolerieren können.
Dies bezieht sich auf die Validierung von Beweisführungen. Da keine zentrale
Datenhaltung innerhalb des Internet existiert, müssen Applikationen
entsprechende Aufgaben lokal bearbeiten. Ein Beispiel ist die Verwaltung
von Zugangsrechten.
Hiermit wird als grundlegende Anforderung an das Semantic Web die Behandlung
heterogener Konzeptionalisierungen einer Wissensdomäne gefordert,
welches durch die Verwendung von Ontologien erreicht werden soll (s.
D.1.2.2).
Die Standardisierung von Technologien soll so gering wie möglich gehalten
werden, um eine größtmögliche Verwendungsvielfalt zu gewährleisten.
Tabelle 12: Design-Prinzipien des Semantic Web 172
D.1.1.3 Funktionale Zielsetzung des Semantic Web
Mit dem Semantic Web soll – in Abgrenzung zu vergleichbaren Ansätzen aus der Künstlichen
Intelligenz – kein System zur Simulation menschlicher Intelligenz, sondern eine
Informationsplattform zur Verbesserung der Kooperation zwischen Menschen und Maschinen
entwickelt werden. Zur Verdeutlichung der funktionalen Zielsetzung wird daher
die Metapher einer „globalen Datenbank“ (Berners-Lee98, Mashine-Understandable Information:
Semantic Web) herangezogen. Diese soll verdeutlichen, dass vornehmlich eine
verbesserte Verwaltung von Informationen für deren Nutzung durch den Menschen angestrebt
wird. Dazu werden keine vollständigen und korrekten Schlussfolgerungsmechanismen
benötigt, die ein grundlegendes Problem bei der Umsetzung vergleichbarer KI-
Ansätze darstellen. Im Semantic Web sollen Inferenzmechanismen lediglich eine zusätzliche
Funktionalität für die Aufbereitung von Daten zur Verfügung stellen (vgl. Berners-
Lee98a). 173
171 Im Original wird dieses Prinzip als „Unterstützung von Entwicklungsfähigkeit“ (engl. „Evolution is supported“,
Koivunen +01) bezeichnet. Mit Hinblick auf die bisherigen Ausführungen und zur Wahrung der sprachlichen Einheitlichkeit
in dieser Arbeit wurde eine freie, aber sinngemäße Übersetzung gewählt.
172 nach (Koivunen+01, 2. Semantic Web Main Principles). Übersetzungen durch den Autor.
173 Diese Äußerungen sind unter dem Gesichtspunkt zu betrachten, dass sie von Tim Berners-Lee als Initiator der
Semantic Web Initiative stammen. Sie sind hier aufgeführt, um die Zielsetzung der Entwicklung des Semantic Web

Kaptitel D: Ontologien im Semantic Web 70
D.1.2 Architekturmodell
Zur Realisierung des Semantic Web wird vom W3C die in Abbildung 12 dargestellte
schichtenartige Struktur von Web-Technologien vorgeschlagen, welche nach dem Design-
Prinzip der Entwicklungsfähigkeit (s. D.1.1.2) auf existenten Technologien aufbauen und
durch ihr Zusammenwirken die antizipierte Funktionalität des Semantic Web ermöglichen
sollen (s. Koivunen+01, 3. Semantic Web Layers). Dieser Architekturentwurf stellt quasi
den ´Fahrplan´ für die Forschungsarbeiten zur Realisierung des Semantic Web dar und
soll daher hier erläutert werden. Insbesondere soll dabei herausgearbeitet werden, welche
Rolle Ontologien innerhalb der Architektur zugedacht ist, welche Funktionalitäten sie
bereit stellen sollen und welche Herausforderungen hinsichtlich der Handhabung von
Ontologien für diesen Verwendungszweck auftreten. An dieser Stelle sei darauf hingewiesen,
dass noch nicht alle in der Abbildung aufgeführten Technologien für ihren vorgesehenen
Einsatz ausgereift sind.
Abbildung 12: Semantic Web Architektur 174
D.1.2.1 Semantic Web – Technologien
Abbildung 12 zeigt die einzelnen Technologien zur Realisierung des Semantic Web, wobei
durch die hierarchische Anordnung das Zusammenwirken der Bausteine verdeutlicht werden
soll. Des Weiteren sind mit den Anmerkungen auf der linken Seite der Abbildung die
Funktionalitäten der Technologien auf den jeweiligen Schichten angegeben. Auf der untersten
Ebene sind die grundlegenden Techniken zur Informationsdarstellung im Internet
angesiedelt, welche im bisherigen WWW schon Verwendung finden. Dabei wird mit ´Unicode´
ein internationaler Standard zur Darstellung von Zeichen 175 verwendet. Die Identifikation
von Web-Ressourcen wird durch die Zuweisung eines eindeutigen Identifikators
gemäß des URI-Prinzips vorgenommen (s. D.1.1.1).
Die nächste Ebene bildet die Sprache XML 176 , welche die geforderte strukturierte Darstellung
der Informationen für eine automatisierte Verarbeitung derselben gewährleisten
zu verdeutlichen. Eine Diskussion darüber, inwieweit sie als ´Werbung´ für das Semantic Web zu verstehen sind,
ginge über das Ziel dieser Arbeit hinaus. Daher werden sie hier lediglich unkommentiert aufgeführt.
174 entnommen aus (Koivunen+01, 3. Semantic Web Layers).
175 Der Unicode Standard definiert die Darstellung von Zeichnen in Computersystemen. Die Verwendung im Internet
soll eine international eindeutige Informationsdarstellung gewährleisten. Siehe: The Unicode Consortium. The Unicode
Standard, Version 3.0. Reading, Massachusetts (USA): Addison-Wesley Developers Press, 2000.
176 XML: Extensible Markup Language. Zur ausführlichen Spezifikation dieser Sprache siehe (Bray+00).

Kaptitel D: Ontologien im Semantic Web 71
soll (s. D.1.1.1). Dazu wird jedes Informationselement in einem XML-Tag mit einer Bezeichnung
versehen, womit die Beschaffenheit der Informationen im Sinne einer Meta-
Information beschrieben wird. Durch die Gliederung dieser Beschreibungen in einer
baumartigen Struktur können weiterhin strukturelle Zusammenhänge der Informationen
dargestellt werden. Ein XML-Dokument enthält also eine Beschreibung der Beschaffenheit
von Informationen sowie deren strukturellen Zusammenhänge, weswegen es auch als
selbstbeschreibendes Dokument bezeichnet wird (s. Bray+00, 2. Documents). Für die Realisierung
der Semantic Web Architektur stellt die XML-Technologie auf Grund ihrer
Fähigkeit zur Strukturierung von Informationen die Grundlage für eine automatisierte Informationsverarbeitung
durch entsprechende Web-Applikationen dar (s. Koivunen+01, 3.
Semantic Web Layers). 177 Auf der XML-Ebene werden zwei weitere technische Lösungen
aufgeführt, die der Vollständigkeit halber hier kurz erklärt werden sollen. Mit sogenannten
„XML Namespaces“ (vgl. Bray+99) – in Abbildung 12 als ´NS´ abgekürzt – kann ein
semantisch abgeschlossener Informationsraum im Internet definiert werden. 178 Als zweites
wird „XML-Schema“ (vgl. Fallside01) aufgeführt, womit der strukturelle Aufbau von
XML-Dokumenten spezifiziert und so eine entsprechende Validitätsprüfung durchgeführt
werden kann.
Mit XML kann zwar die Beschaffenheit von Informationen und deren struktureller
Zusammenhang definiert werden, allerdings ist keine Bedeutungsdefinition der verwandten
Beschreibungsbegriffe möglich (s. Decker+00, S. 2). Eine solche ist zur Gewährleistung
der semantischen Interoperabilität im Internet als Informationsinfrastruktur mit
sehr heterogenen Informationsquellen nötig (s. C.2.2), weshalb auf den folgenden beiden
Ebenen des Architekturmodells entsprechende Technologien angesiedelt sind. Das erste
Level bildet mit dem Resource Description Framework (RDF) 179 ein Modell zur Beschreibung
von Ressourcen und Links im Sinne des Designprinzips der Typendeklaration
(s. D.1.1.2). Die in RDF-Ausdrücken verwendeten Beschreibungsprimitive werden dabei
in sogenannten RDF Schemata (RDFS) 180 definiert, äquivalent der Strukturdefinition
durch XML-Schemata. Diese Technologien erlauben eine Beschreibung der semantischen
Struktur der Informationen, welche allerdings erstens nur über eine geringe Ausdrucksfähigkeit
verfügen und zweitens die Eindeutigkeit der Bedeutungsdefinitionen nur in semantisch
abgeschlossenen Informationsräumen gewährleisten können. Mit der Verwendung
von Ontologien auf der nächsten Ebene sollen daher zum einen ausdrucksstärkere
Verfahren zur Bedeutungsdefinition eingesetzt und zum anderen die semantische Interoperabilität
zwischen autonom entwickelten und somit potenziell heterogenen Informationsräumen
sichergestellt werden (s. Heflin+02, Introduction). Eine ausführlichere Dis-
177 Auf Grund der Trennbarkeit der Informationsdarstellung in die Präsentation durch HTML und die Strukturdefinition
durch XML stellt XML ein wichtiges Datenformat für informationsverarbeitende Web-Anwendungen dar. Es
wurde eine Vielzahl von Werkzeugen entwickelt, welche die Verarbeitung von Informationen aus XML-Dokumenten
ermöglichen. Da eine genauere Betrachtung derselben keinen Erkenntnisgewinn für den hier betrachteten Zusammenhang
bietet, soll lediglich auf die wichtigsten diesbezüglichen Informationsquellen im Internet verwiesen werden.
Siehe: www.w3c.org/XML/ und www.xml.org (beide 28.09.2002).
178 Ein XML-Namespace definiert lediglich ein Namensraum, in dem die Begrifflichkeiten eindeutig sein sollen. Die
Bedeutung der Begriffe muss in den Verarbeitungswerkzeugen explizit definiert sein (s. Bray+99, Qualified Names).
179 RDF: Resource Description Framework. Die standardisierte Spezifikation findet sich in (Lassila+99).
180 RDFS: Resource Description Framework Schema. Eine vorläufige Spezifikation wird in (Bickley+00) gegeben.

Kaptitel D: Ontologien im Semantic Web 72
kussion des Verhältnisses von RDF und Ontologien wird im Zusammenhang der Spezifikation
von Ontologien für das Semantic Web vorgenommen (s. D.2).
Die in Abbildung 12 über der Ontologie-Ebene angesiedelten Technologien sollen der
Definition und Verarbeitung von Inferenzmechanismen dienen, weshalb diese Ebenen
auch als Logik-Level bezeichnet werden. Mit ihnen soll das informationsverarbeitende
Potenzial des Semantic Web ausgeschöpft werden können, wobei die Arbeiten auf diesem
Gebiet noch nicht sehr weit fortgeschritten sind (s. Berners-Lee98, Semantic Web: the
pieces). Ergänzend dazu sollen mit Verfahren der Digitalen Signatur Technologien zur
maschinellen Authentizitätsprüfung von Informationen aus dem Internet bereitgestellt
werden (s. Berners-Lee98b, Digital Signature). Im Rahmen der Untersuchung der Verwendung
von Ontologien im Semantic Web erscheint eine weitere Betrachtung dieser
Technologien nicht erforderlich.
D.1.2.2 Rolle von Ontologien im Semantic Web
Wie aus der Erläuterung des Architekturmodells zur Realisierung des Semantic Web hervorgeht,
sollen Ontologien darin als bedeutungsdefinierende Technologie-Komponente
eingesetzt werden. Dabei sind zwei Funktionalitäten zu unterscheiden, welche durch die
Verwendung von Ontologien im Semantic Web bereitgestellt werden sollen. Die erste
Funktionalität ist die semantische Beschreibung von Informationsressourcen, wobei eine
Ontologie auf Grund ihrer größeren Ausdrucksfähigkeiten zur Bedeutungsdefinition die
Beschreibung von Informationszusammenhängen durch RDF(S) unterstützen und erweitern
soll. Die zweite Funktionalität ist die Gewährleistung der semantischen Interoperabilität
heterogener Informationsräume, also eine Technik für den bedeutungserhaltenden
Informationsaustausch zwischen Informationsräumen mit unterschiedlichen Verständnisoder
Begriffsmodellen einer Wissensdomäne. Damit sollen Ontologien die technische Lösung
zur Realisierung des Design-Prinzips der Unterstützung heterogener Konzeptionalisierungen
(s. D.1.1.2) darstellen. Mit der Verwirklichung dieses Prinzips soll die automatisierte
und bedeutungserhaltende Informationsverarbeitung zwischen den Informationsräumen
des Internet ermöglicht werden, was eine grundlegende Anforderung an das Semantic
Web als universelle Informationsinfrastruktur mit informationsverarbeitenden
Fähigkeiten darstellt. Auf Grund der wesentlichen Bedeutung dieser Funktionalität für die
Realisierung des Semantic Web werden Ontologien als ein „essentieller Grundbaustein
des Semantic Web 181 “ bezeichnet.
Die grundsätzliche Eignung von Ontologien für die angestrebte Verwendung im
Architekturmodell des Semantic Web zur Gewährleistung dieser beiden Funktionalitäten
kann an Hand der vorhergehenden Betrachtung der Charakteristika ontologiebasierter
Verfahren der Wissensmodellierung nachvollzogen werden. Die funktionale Konzeption
von Ontologien als bedeutungsdefinierende Konstrukte wurde im Zuge der Erläuterung
der Charakteristika ontologiebasierter Wissensmodellierung herausgearbeitet (s. A.2). Hinsichtlich
der Entwicklung entsprechender Ontologien wurden die existenten methodologischen
Ansätze für den Ontologie-Entwicklungsprozess diskutiert (s. B.1). Die Verwend-
181 engl.: „Ontologies are often seen as the basic building blocks for the Semantic Web, ...” (Klein+01, S. 75).

Kaptitel D: Ontologien im Semantic Web 73
barkeit von Ontologien als bedeutungsdefinierende Komponente in Informationssystemen
unter besonderer Berücksichtigung der wesentlichen Anwendungsszenarien für das
Semantic Web wurde in Kapitel C dargelegt (s. C.1, C.2).
Diese Erkenntnisse aus dem Ontology Engineering verleiten zu der Annahme, dass die
nötigen Kenntnisse für die Verwendung von Ontologien im Semantic Web vorhanden
seien (s. Berners-Lee00a, S. 12). Auf Grund der in den bisherigen Ausführungen erarbeiteten
Kenntnisse muss eine differenzierte Betrachtung dieser Annahme vorgenommen
und deren Allgemeingültigkeit revidiert werden. Es existieren Methoden für die Erstellung
von Ontologien und Kenntnisse über die sinnvolle Verwendung derselben als bedeutungsdefinierender
Komponente in Informationssystemen, welche vor allem die erstgenannte
Funktionalität im Semantic Web ermöglichen. Für die zweite Funktionalität der
Verwirklichung der semantischen Interoperabilität von Informationsressourcen im Internet
werden Verfahren für die Handhabung mehrerer heterogener Ontologien benötigt.
Wie bei der Besprechung von Lösungsansätzen für diese Problematik deutlich wurde (s.
C.3.2), sind die Kenntnisse auf diesem Gebiet noch nicht ausreichend fortgeschritten. Auf
Grund der oben aufgezeigten Wichtigkeit dieser Funktionalität stellt die Entwicklung entsprechender
Verfahren eine wesentliche Herausforderung für die Realisierung der Vision
des Semantic Web dar.
D.1.2.2.1 Anforderungen an Ontologien
Die Anforderungen an Ontologien für deren Verwendung als bedeutungsdefinierendem
Grundbaustein des Semantic Web entsprechen denjenigen, die an Ontologien für andere
Anwendungsgebiete gestellt werden.
Um eine korrekte, bedeutungsdefinierende Beschreibung von Informationsressourcen
im Internet zu gewährleisten, muss eine Ontologie ein Verständnismodell der behandelten
Wissensdomäne im Sinne einer ontologischen Theorie (s. B.1.2.2) darstellen. Somit sollten
Ontologien für das Semantic Web auf einer geteilten und expliziten Konzeptionalisierung
basieren (s. A.2.1.1). Weiterhin sollten in der Ontologie die grundlegenden inferenziellen
Beziehungen der Wissensdomäne erfasst sein, welche als Grundlage für darauf
aufsetzende informationsverarbeitende Applikationen dienen können (s. Heflin +02,
Introduction). Um den Qualitätsansprüchen an Ontologien (s. B.1.4.1) zu genügen, sollten
bei der Entwicklung einer Ontologie für das Semantic Web die entsprechenden Design-
Kriterien (s. B.2.1.) berücksichtigt werden. Weiterhin muss eine im Semantic Web verwendbare
Ontologie in einer formalen Spezifikation vorliegen (s. B.1.3).
Für die meisten Aufgabengebiete der Entwicklung von Ontologien für das Semantic
Web können die in Kapitel B besprochenen Methoden der Ontologie-Entwicklung verwendet
werden. 182 Lediglich für die formale Darstellung von Ontologien müssen webkompatible
Ontologie-Spezifikations-Sprachen entwickelt werden, um die Verarbeitung
von Ontologien durch Web-Technologien gewährleisten zu können und somit dem
Design-Prinzip der Entwicklungsfähigkeit (s. D.1.1.2) gerecht zu werden. Dieser Aspekt
wird anschließend ausführlicher behandelt (s. D.2).
182 Es sei an dieser Stelle nochmals darauf hingewiesen, dass die Entwicklung von Ontologien ein sehr aufwendiges
Unterfangen ist und dass noch keine umfassende Methodologie für die Ontologie-Entwicklung bereitsteht (s. B.3).

Kaptitel D: Ontologien im Semantic Web 74
D.1.2.2.2 Herausforderungen an das Ontologie-Management
Die Gewährleistung der Interoperabilität zwischen verschiedenen Informationsräumen im
Internet stellt das wesentliche Ziel bei der Verwendung von Ontologien im Semantic Web
dar. Diese soll durch den Aufbau eines „Netzwerks von Ontologien 183 “ erreicht werden,
in dem alle benötigen Informationsstrukturen in einzelnen Ontologien erfasst sind. In diesem
Netzwerk können grundsätzlich alle Arten von Ontologien (s. C.1.2, Tabelle 10)
auftreten, wobei sie als Ontologie-Module gemäß dem Ansatz des „Teilens und Zusammenführens“
für die Wiederverwendbarkeit von Ontologien (s. C.3.1.1) aufgebaut sein
sollen. Der bedeutungserhaltende Informationsaustausch zwischen heterogenen Informationsräumen
soll durch die Sicherstellung der semantischen Interoperabilität zwischen den
einzelnen Ontologien ermöglicht werden. Weiterhin sollen die einzelnen Ontologien anpassungsfähig
an die Umweltcharakteristika des Internet sein, so dass mit dem Netzwerk
interagierender und anpassungsfähiger Ontologien der semantische Grundbaustein des
Semantic Web zur Verfügung gestellt werden soll (s. Berners-Lee+01, S. 27f).
Auf Grund dieser Zielsetzung ergeben sich drei wesentliche Herausforderung für die
Handhabung von Ontologien im Semantic Web. Die erste ist die Teilbarkeit von Ontologien
(engl.: „shared ontologies“), worunter die Verwendbarkeit der gleichen Ontologie
für mehrere Applikationen und die Wiederverwendbarkeit existenter Ontologie-Module
als Basis neuer Ontologien verstanden wird (s. C.3.1). Mit der Entwicklungsfähigkeit
(engl.: „ontology evolution“) als zweite Herausforderung wird die Anpassungsfähigkeit
von Ontologien an Umweltveränderungen gefordert. Auf Grund der Anonymität sowie
der Dezentralisierung des Internet sind solche häufig zu erwarten, weshalb die längerfristige
Nutzbarkeit von Ontologien nur durch eine entsprechende Anpassung gewährleistet
werden kann. Die dritte wesentliche Herausforderung ist Gewährleistung der Interoperabilität
zwischen Ontologien (engl.: „ontology interoperability“), also die oben diskutierte
Problematik der Behandlung heterogener Ontologien (s. Heflin +02, 3. Design
Goals). Lösungsansätze für diese Herausforderungen werden später vorgestellt (s. D.3).
D.2 Ontologie-Spezifikation für das Semantic Web
Für die Verwendung von Ontologien im Semantic Web wurde als neuartige Anforderung
die Entwicklung von Ontologie-Spezifikations-Sprachen herausgestellt, die mit den existenten
Web-Technologien kompatibel sind. Dazu wird im Folgenden jener Ansatz vorgestellt,
den das W3C zur Standardisierung entsprechender Repräsentationsformalismen
verfolgt. 184 Im Vordergrund der Betrachtungen soll dabei die funktionale Integration der
Techniken mit den existenten Web-Technologien stehen. Da die RDF-Technologie dabei
eine grundlegende Rolle einnimmt, wird zunächst deren Funktionsweise erläutert und
anschließend darauf aufbauende Spezifikationssprachen für Ontologien besprochen.
183 engl.: „web of ontologies“ (Heflin+02, 3.3 Ontology Interoperation).
184 Es ist darauf hinzuweisen, dass noch nicht für alle hier zu besprechenden Technologien endgültige Spezifikationen
seitens des W3C vorliegen. Dabei dürfen noch in der Entwicklungsphase befindliche Spezifikationen nicht als
Referenzen für technologische Lösungen angesehen werden. Der Entwicklungstand einer Technologie kann an Hand
der Art des referenzierten Dokumentes nachvollzogen werden, welche im Literaturverzeichnis angegeben ist. Dabei
wird eine endgültige Spezifikation als ´Recommendation´, eine noch nicht endgültige als ´Candidate´ oder ´Proposed
Recommendation´ und ein erster Entwurf als ´Working Draft´ bezeichnet. Nähere Erläuterungen hierzu finden sich
im ´W3C Process Document´ unter: www.w3.org/Consortium/Process-20010719/tr (04.10.2002).

Kaptitel D: Ontologien im Semantic Web 75
D.2.1 Resource Description Framework (RDF)
Das Resource Description Framework (RDF) ist ein Verfahren zur Repräsentation von
Meta-Daten, mit dem sowohl Informationsressourcen im Internet beschrieben als auch
darüber hinausgehende Zusammenhänge dargestellt werden können. Den Kern der RDF-
Technologie bildet ein Modell zur Repräsentation von Informationszusammenhängen,
das zur Gewährleistung der Interoperabilität mit anderen Web-Technologien in XML dargestellt
werden kann (s. Lassila+99, 1. Introduction). Im Folgenden werden die wesentlichen
Bestandteile dieser Technologie erläutert.
D.2.1.1 RDF Modell
Zur Repräsentation von Meta-Informationen werden im RDF Modell sogenannte „RDF-
Ausdrücke 185 “ verwendet, welche eine „Behauptung 186 “ über die Beschaffenheit einer Ressource
durch die Definition einer Subjekt-Prädikat-Objekt – Beziehung beinhalten. Dabei
wird das Subjekt mit Hilfe des Prädikat beschrieben und das Objekt stellt den Wert, also
den Inhalt des Prädikats dar. Diese Beziehungen werden in „gerichteten, bewerteten Graphen
187 “ abgebildet, wobei die Knoten die Subjekte, beziehungsweise die Objekte darstellen
und die Prädikate durch entsprechend bezeichnete Kanten repräsentiert werden.
Alle mit diesem Modell darstellbaren Informationen werden als Ressourcen bezeichnet,
wobei jede Ressource durch sogenannte Properties beschrieben werden kann (s. Lassila
+99, 2.1. Basic RDF Model).
Zur Veranschaulichung zeigt Abbildung 13 einen solchen Graph, der folgende Aussage
repräsentiert: Ein Web-Dokument, identifiziert über eine spezifische URL, hat den Titel
´RDF/XML Syntax Specification (Revised)´ und einen Autor namens ´Dave Beckett´, der
wiederum eine eigene Homepage mit der Adresse ´http://purl.org/net/dajobe/´ hat.
Abbildung 13: RDF-Aussage in Graphdarstellung 188
In der Abbildung stellen die rechteckigen Knoten einfache Strings dar. Die ovalen
Knoten sowie die Prädikate repräsentieren Ressourcen, die über eine URI genau identifiziert
werden können. Mit dem Prädikat ´http://www.example.org/terms/editor´ wird
so eine im Internet verfügbare Definition für den Begriff ´editor´ referenziert, wodurch
185 engl.: „statements“ (Lassila+99, 2.1 Basic RDF Model).
186 engl.: „assertion“ (Berners-Lee98b, The basic assertion model).
187 engl: „directed labeled graphs“(Lassila+99, 2.1 Basic RDF Model).
188 entnommen aus (Manola+02, 3 An XML Syntax for RDF).

Kaptitel D: Ontologien im Semantic Web 76
das intendierte Verständnis des Begriffs explizit definiert wird. Die Identifizierbarkeit auf
Grundlage des URI-Prinzips (s. D.1.1.1) erlaubt die bedeutungsdefinierende Strukturbeschreibung
einer Wissensdomäne durch RDF-Ausdrücke, da diese somit Aussagen über
real existierende Ressourcen machen können (s. Manola+02, 2.3 The RDF Model). 189
D.2.1.2 XML - Serialisierung
Die als Serialisierung bezeichnete Darstellung eines RDF-Modells in XML soll dessen Interoperabilität
mit den anderen Semantic Web – Technologien ermöglichen. Dazu werden
die Beschreibungselemente aus den Modellgraphen in eine entsprechende XML-Struktur
überführt. 190 Abbildung 14 stellt die XML-Serialisierung des RDF-Ausdrucks aus Abbildung
13 dar. Es sei angemerkt, dass RDF-Modelle auch in andere Repräsentationsformalismen
übertragen werden können (s. Lassila+99, 2.2.1. Basic Serialization Syntax).
1
2
5
6 RDF/XML Syntax Specification (Revised)
7
8 Dave Beckett
9
10
11
12
Abbildung 14: RDF-Aussage in XML-Serialisierung 191
Ohne vertiefend auf die Spezifika von XML einzugehen, sollen hier die zum Verständnis
wesentlichen syntaktischen Aspekte der XML-Serialisierung aus der Abbildung erläutert
werden. Zeile 1 definiert das Dokument als ein XML-Dokument. Der RDF-Ausdruck
wird in einem -Tag dargestellt. Die verwandten XML-Namespaces werden in den
Zeilen 2 bis 4 definiert, so dass die Eindeutigkeit der Begriffsdefinitionen durch Nutzung
der entsprechenden Präfixe sichergestellt ist (siehe Fußnote 178). Die Zeilen 5 bis 11 enthalten
die Kodierung der Aussage aus dem RDF-Graphen, wobei die Prädikatenstruktur
implizit in der baumartigen Struktur des XML-Dokuments enthalten ist. In Zeile 12 wird
der gesamte RDF-Ausdurck geschlossen (s. Beckett02, 2 An XML Syntax for RDF).
D.2.1.3 RDF Schema (RDFS)
Mit dem grundlegenden RDF-Modell lassen sich Eigenschaften und Zusammenhänge
von Ressourcen im Sinne von Meta-Informationen beschreiben. Allerdings können darin
keine Angaben über Typen von Ressourcen oder deren strukturelle Zusammengehörigkeit
definiert werden. Da derartige Funktionalitäten für die Beschreibung von Informationsstrukturen
eine grundlegende Rolle einnehmen (s. B.2.2), wird mit RDF Schema (RDFS)
ein Mechanismus für diese Art der Beschreibung von Ressourcen bereitgestellt. In RDFS
ist ein entsprechendes Typensystem definiert, dass ähnlich wie die Frame Ontology des
Ontolingua-Systems (s. B.1.3.2) eine Art Wissensrepräsentations-Ontologie (s. C.1.1.2,
189 Der Bezug zur realen Welt stellt die grundlegende Bedingung für die modelltheoretische Definition der präzisen
Semantik der Beschreibungsprimitive von RDF dar, welche die Verwendung von RDF als Repräsentationsschema
verbessern soll. Der erste Entwurf einer entsprechenden Modelltheorie findet sich in (Hayes02).
190 Der Spezifikationsentwurf einer XML-Syntax zur Darstellung von RDF-Ausdrücken findet sich in (Beckett02).
191 entnommen aus (Manola+02, 3 An XML Syntax for RDF).

Kaptitel D: Ontologien im Semantic Web 77
Tabelle 10) für RDF-Ausdrücke darstellt (s. Manola+02, 4. Defining RDF Vocabularies:
RDF Schema). In Tabelle 13 sind die wichtigsten Typen von RDFS erfasst und kurz erläutert.
Ein vertiefendes Verständnis der Typen soll durch die Verwendung im Beispiel
der Ontologie-Spezifikation gegeben werden (s. D.2.2.1).
Typ
Core Classes
rdfs:Class
rdfs:Resource
rdf:Property
Core Properties
Beschreibung
Grundlegende Arten von Ressourcen in RDF-Ausdrücken.
Basis-Klasse: Alle Konzepte werden dieser Klasse untergeordnet.
Abstrakte RDF-Ressource: Alle Ressourcen eines RDF-Ausdrucks werden
als Instanzen davon verstanden.
Abstrakte RDF-Property: Alle Properties einer Ressource werden als Instanzen
davon verstanden. Untermenge von rdfs:Resource.
Primitive zur Beschreibung von Properties und Relationen.
rdf:type
Deklaration der Zugehörigkeit einer Ressource zu einer Klasse.
rdfs:subClassOf Deklaration einer Subsumptions-Beziehung (s. B.2.2) zwischen Klassen.
rdfs:subPropertyOf Deklaration einer Subsumptions-Beziehung zwischen Properties.
Constraints
rdfs:range
rdfs:domain
Primitive zur Beschränkung der Gültigkeit von Klassen und Properties.
Gültigkeitsbeschränkung einer Property für eine Klasse und deren Instanzen.
Gültigkeitsbeschränkung einer Property für eine Klasse und deren untergeordnete
Klassen.
Tabelle 13: Grundtypen von RDF Schema (RDFS) 192
D.2.2 Ontologie-Spezifikations-Sprachen
Wie aus den bisherigen Erläuterungen deutlich geworden ist, stellt die RDF-Technologie
ein Verfahren zur Repräsentation bedeutungsdefinierender Meta-Informationen für das
Semantic Web dar. Durch die Verwendung des RDFS-Typensystems können einfache taxonomische
Informationsstrukturen definiert werden und die Darstellbarkeit eines RDF-
Modells in XML erlaubt den Austausch der Informationen zwischen Semantic Web –
Applikationen sowie deren Verarbeitung mit Hilfe entsprechender Werkzeuge. 193 Somit
erfüllt die RDF-Technologie die wesentlichen Anforderungen an eine Ontologie-
Spezifikations-Sprache für das Semantic Web, weil damit die bedeutungsdefinierende
Beschreibung von Informationsressourcen im Internet möglich die Kompatibilität mit
den existenten Web-Technologien gewährleistet ist.
Allerdings verfügt die RDF-Technologie nur über eine geringe Ausdrucksfähigkeit hinsichtlich
der erfassbaren Informationsstrukturen. Für die formale Spezifikation einer Ontologie
wird vom Repräsentationsformalismus jedoch die Fähigkeit zur vollständigen und
korrekten Überführung der im konzeptionellen Modell erfassten Wissensstrukturen
gefordert (s. B.1.3.1). Daher sollen mit den Ontologie-Spezifikations-Sprachen weiterführende
Beschreibungsprimitive zur Verfügung gestellt werden, welche auf der RDF-
Technologie als grundlegendem Repräsentationsformalismus aufsetzen und erweiternde
192 nach (Brickley+00, 2. Classes and Properties; 3. Constraints). Darin finden sich weiterführende Erläuterungen und
Beispiele. Die Bezeichnungen wurden in englischer Sprache belassen, da es sich um definierte Eigennamen handelt.
193 Für die Be- und Verarbeitung von RDF/XML-Informationen sind vornehmlich zwei Arten von Werkzeugen relevant.
Erstens visualisierende Entwicklungswerkzeuge für die Erstellung eines RDF-Ausdrucks und dessen XML-
Serialisierung - ähnlich wie visualisierende Repräsentationsschemata für die Ontologie-Entwicklung (s. B.1.2.3). Das
Tool ´IsaViz´ ist eine beispielhafte Implementierung des W3C für ein solches Tool und ist frei erhältlich unter:
www.w3.org/2001/11/IsaViz/ (25.09.2002). Zweitens werden entsprechende RDF/XML-Parser zur Extraktion der
RDF-Informationen aus der XML-Darstellung für die weitere Verarbeitung benötigt (s. Manola+02, 3. An XML
Syntax for RDF).

Kaptitel D: Ontologien im Semantic Web 78
Spezifikationsfähigkeiten aufweisen sollen. Dazu wurden in verschiedenen Forschungsprojekten
entsprechende Sprachen entwickelt. Für diese soll hier stellvertretend jene vorgestellt
werden, die zur Standardisierung einer Ontologie-Spezifikations-Sprache für das
Semantic Web durch das W3C vorgeschlagen wird . 194
D.2.2.1 Web Ontology Language (OWL)
In der Semantic Web Activity des W3C (siehe Fußnote 162) ist die sogenannte Web-
Ontology Working Group 195 mit der Spezifikation einer Ontologie-Spezifikations-Sprache
beauftragt, welche als standardisierte Web-Technologie auf der Ontologie-Ebene des
Architekturmodells des Semantic Web (s. D.1.2) fungieren soll. Dazu wurde ein erster
Entwurf der OWL Web Ontology Language 196 vorgelegt. Trotz der noch nicht abgeschlossenen
Spezifikationsarbeiten 197 soll diese Sprache hier vorgestellt werden, da ihr als
Vorschlag durch das W3C zur Standardisierung einer Ontologie-Spezifikations-Sprache
für das Semantic Web eine zukünftig wesentliche Bedeutung zugeschrieben werden kann.
OWL stellt keine von Grund auf neu entwickelte Sprache dar, sondern basiert auf der
Ontologie-Spezifikations-Sprache DAML+OIL 198 . Mit dieser Sprache wird der oben beschriebenen
Ansatz zur formalen Spezifikation von Ontologien durch die Erweiterung der
Spezifikationsfähigkeiten von RDF verfolgt. Die Verwendung von DAML+OIL als Basis
für OWL begründet sich darin, dass erstens mit der Nutzung der RDF-Technologie die
Kompatibilität mit anderen Web-Technologien gewährleistet ist, und dass zweitens die
Spezifikationsfähigkeiten DAML+OIL als sehr geeignet für die Ontologie-Spezifikation
im Semantic Web angesehen werden (s. Patel-Schneider+02, Introduction). Daher soll zur
Erläuterung der Verwendung derartiger Ontologie-Spezifikations-Sprachen in Abbildung
15 die Darstellung eines ontologischen Konstrukts in DAML+OIL dienen.
1
2
3
4
5
6
7
Abbildung 15: Ontologie-Beispiel in DAML-OIL 199
194 Neben den ausführlich besprochen web-kompatiblen Ontologie-Spezifikations-Sprachen seien hier diejenigen erwähnt,
die ebenfalls den Ansatz der XML-Darstellung von Ontologien verfolgen.
1) XOL (Ontology Exchange Language): XML-basierte Sprache für den Austausch von Ontologien (s. Karp+99).
2) SHOE (Simple HTML Ontology Extensions): Ontologie-Spezifikation als Erweiterung des HTML-Kodes
(s. Luke+00). Hervorgegangen aus dem SHOE-Projekt, www.cs.umd.edu/projects/plus/SHOE, (24.06.02).
3) OML (Ontology Markup Language): XML-Serialisierung von SHOE. (s. Kent98).
Ein ausführlicher Vergleich dieser Sprachen hinsichtlich deren Ausdrucksfähigkeit findet sich in (Gómez-Pérez+02).
195 Homepage der Web-Ontology Working Group: www.w3.org/2001/sw/WebOnt/ (25.09.2002).
196 Der Aufbau und die Funktionsweise der OWL Web Ontology Language werden in (Dean+02) beschrieben.
197 Alle Veröffentlichungen zur OWL Web Ontology Language befinden sich im Status eines ´Working Drafts´ des
W3C (siehe Erläuterungen in Fußnote 184) und dürfen daher lediglich als „Arbeitsentwurf “ (engl. : „work in progress“)
bezeichnet werden (s. Dean+02, Status of this Document).
198 DAML+OIL: Aus zwei Sprachen zusammengeführte Ontologie-Spezifikations-Sprache. DAML (DARPA Agent
Markup Language) ist eine web-kompatible semantische Markup-Sprache (vgl. Hendler+00) und wurde im DAML-
Programm entwickelt (s. www.daml.org (12.07.2002)). OIL (Ontology Interchange Layer) wurde innerhalb des OnTo
Knowledge-Projekts (s. www.ontoknowledge.org, (12.07.2002)) als Format zur Gewährleistung der semantischen
Interoperabilität zwischen Web-Ressourcen entwickelt (vgl. Fensel+00). Die Sprachreferenz von DAML+OIL findet
sich in (Horrocks+01). Die formale Spezifikation befindet sich unter: http://www.daml.org/2001/03/daml+oil (07.04.
2002).
199 Auszug aus einer beispielhaften Ontologie-Spezifikation unter: www.daml.org/2001/03/daml+oil-ex (07.04.2002).

Kaptitel D: Ontologien im Semantic Web 79
In der Abbildung ist folgende Aussage spezifiziert: Jedes der Klasse ´Animal´ untergeordnete
Konzept, also jedes Tier, hat genau zwei Elternteile. 200 In Zeile 1 wird definiert,
dass dieses Konzept sich auf die zuvor bekannte Klasse ´Animal´ bezieht. Die Zeilen 2 bis
6 umfassen die RDFS-Subklassenrelation, so dass die Restriktion in Zeile 3 bis 5 für alle
untergeordneten Konzepte gilt. Die Restriktion wird mit Hilfe vordefinierter Spezifikationsprimitive
von DAML+OIL vorgenommen. Für die Ressource ´hasParent´, die eine
Property von ´Animal´ ist, wird eine Kardinalitätsbeschränkung von ´2´ definiert. 201
D.2.2.2 Ausdrucksfähigkeit
Die Ausführungen zu Ontologie-Spezifikations-Sprachen für das Semantic Web soll mit
einer kurzen Erläuterung der wesentlichen Spezifikationsprimitive abgeschlossen werden,
die OWL als angestrebter Standard zur Erweiterung der Spezifikationsfähigkeit von RDF
bereitstellen soll. In Tabelle 14 sind die wichtigsten Primitive dargestellt, nach ihrer Funktionalität
geordnet und ihr Verwendungsziel kurz erläutert.
Funktionalität Primitive Beschreibung
Äquivalenzdefinition
Gleichheitsdefinition für Konzepte und Properties.
Diese Primitive sind vornehmlich für
den Abgleich heterogener Ontologien relevant.
Property-
Beschreibung
sameClassAs;
samePropertyAs;
sameIndividualAs;
differentIndividualFrom
inverseOf;
TransitiveProperty;
SymmetricProperty;
FunctionalProperty;
InverseFunctionalProperty;
allValuesFrom;
someValuesFrom
Erweiternde Beschreibung von Properties.
Somit kann das intendierte Verständnis von
Attributen, Properties und Relationen als
ontologische Modellierungsprimitive (s. B.1.
2.1) genauer definiert werden.
Kardinalitätsbeschränkung
minCardinality;
maxCardinality; cardinality
Kardinalitätsdefinition. Wie im Beispiel aus
Abbildung 15.
Datentypen noch nicht spezifiziert. Definition von Datentypen für Ressourcen.
Header-
Informationen
imports; versionInfo
Angaben über die Ontologie. Wesentlich ist
die Importierbarkeit anderer Ontologien.
Axiomatisierung oneOf; disjointWith;
Definition grundlegender inferenzieller Zusammenhänge
Boolsche unionOf; intersectionOf;
in der Ontologie.
Kombinationen complementOf
Tabelle 14: Spezifikationsprimitive von OWL 202
Hinsichtlich der Eignungsanforderungen an Repräsentationsformalismen zur Verwendung
als Ontologie-Spezifikations-Sprache (s. B.1.3.1.1) lässt sich festhalten, dass die
Kombination von RDF und einer Sprache wie OWL für die formale Spezifikation von
Ontologien für das Semantic Web geeignet ist. Die Definition taxonomischer Strukturen,
entsprechende Vererbungsmechanismen und eine natürlichsprachliche Dokumentation
wird durch RDFS ermöglicht. Die erweiternden Spezifikationsprimitive von OWL erlauben
eine differenzierte Erfassung von Properties und Relationen sowie die Definition
grundlegender inferenzieller Zusammenhänge. Als indirekte empirische Verifikation dafür
kann der Vergleich XML-basierter Ontologie-Spezifikations-Sprachen herangezogen wer-
200 Zur Wahrung der Übersichtlichkeit ist lediglich die Klassendefinition abgebildet. Das Präfix ´daml:´ bezieht sich
auf die DAML+OIL-Spezifikation unter ´http://www.daml.org/2001/03/daml+oil´, die anderen Präfixe
auf die Spezifikationen von RDF und RDFS (vgl. Abbildung 14, Zeilen 2 und 3).
201 Die syntaktischen Erläuterungen sind an (Horrocks+01) angelehnt.
202 nach (McGuiness+02, 2. Language Synopsis). Es sei an dieser Stelle nochmals darauf hingewiesen, dass die Spezifikationsarbeiten
für OWL noch nicht abgeschlossen sind.

Kaptitel D: Ontologien im Semantic Web 80
den, worin DAML+OIL als Basis von OWL die größte Ausdruckstärke zugesprochen
wird (s. Gómez-Pérez+02, S. 58f).
D.3 Ontologie-Management
Die bisherigen Ausführungen zeigen, dass Ontologien grundsätzlich als bedeutungsdefinierende
Komponente für das Semantic Web geeignet sind und dass mit web-kompatiblen
Ontologie-Spezifikations-Sprachen eine derartige Verwendung von Ontologien ermöglicht
wird. Allerdings ergeben sich für die angestrebte Entwicklung eines Netzwerks
von modularen und interagierenden Ontologien als semantischem Grundbaustein des Semantic
Web (s. D.1.2.2.2) Herausforderungen hinsichtlich der Gewährleistung der konzeptionellen
Korrektheit und der semantischen Interoperabilität derart verteilter und potenziell
heterogener Ontologien. Dabei besteht das grundlegende Problem, dass das Internet
als universelle Informationsplattform auf Grund seiner dezentralen Struktur eine sehr
dynamische Umwelt aufweist, während Ontologien als bedeutungsdefinierende Erfassung
einer Wissensdomäne ein zentrales Verständnismodell derselben durch die statische Beschreibung
von Wissensstrukturen darstellen sollen (s. Kahshyap01, S. 26f).
Die Lösung dieser konzeptionellen Widersprüche ist insofern von grundlegender Bedeutung,
da damit die Interoperabilität semantisch heterogener Informationsräume als
wesentliche Zielsetzung der Verwendung von Ontologien im Semantic Web ermöglicht
werden kann. Dazu sollen im Folgenden als wesentliche Aspekte des Ontologie-Managements
für das Semantic Web Lösungsansätze für jene Herausforderungen vorgestellt werden,
die im Zuge der Erläuterung der antizipierten Rolle von Ontologien in der Semantic
Web Architektur aufgeführt wurden (s. D.1.2.2.2). Dabei sollen vor allem die grundlegenden
Ideen der Ansätze sowie deren Entwicklungsstand herausgearbeitet werden.
D.3.1 Teilbarkeit von Ontologien
Die Forderung der Teilbarkeit von Ontologien für deren Einsatz im Semantic Web bezieht
sich auf die Verwendbarkeit einer Ontologie als bedeutungsdefinierender Basis für
mehrere verschiedenartige Anwendungen (s. D.1.2.2.2). Dazu muss eine Ontologie
einerseits als begriffliche Basis verwendbar für eine konkrete Anwendungssituation und
andererseits wiederverwendbar für unterschiedliche Verwendungszwecke sein. Dieser Anforderung
kann durch die Berücksichtigung des Ansatzes des ´Teilens und Zusammenführens´
(s. C.3.1.1) bei der Entwicklung von Ontologien für das Semantic Web genügt
werden, weshalb dieser Aspekt hier nicht weiter ausgeführt werden soll.
Neben den qualitativen Anforderungen ist für die Gewährleistung der Nutzbarkeit von
Ontologien in Semantic Web – Anwendungen eine entsprechende technische Infrastruktur
bereitzustellen, welche die Ontologien verwaltet und den Zugriff auf diese durch
Applikationen ermöglicht. Als Basis des Ontologie-Managements im Semantic Web sollen
diese Funktionalitäten sogenannte „Ontologie-Bibliotheks-Systeme 203 “ übernehmen. Da
diese bisher nur peripher erwähnt wurden (s. B.1.3; C.2.1.2), sollen hier die wesentlichen
Aspekte solcher Systeme zusammengetragen werden.
203 engl.: „ontology library systems“ (Ding+01, S. 93).

Kaptitel D: Ontologien im Semantic Web 81
Ein Ontologie-Bibliotheks-System soll existente Ontologien verwalten und den Zugriff
durch Dritte ermöglichen – wobei als Dritte sowohl der Entwickler einer neuen Anwendung
als auch die Anwendung selber gemeint sein kann. Um eine angemessene Ver- und
Wiederverwendung von Ontologien zu gewährleisten, sollten solche Systeme entsprechende
Funktionalitäten bereitstellen (s. Ding+01, S.93f). Die wesentlichen Anforderungen
an Ontologie-Bibliotheks-Systeme sind in Tabelle 15 aufgeführt und erläutert.
Funktionalität
Erläuterung
Anforderungen bezüglich der Haltung und der Verwaltung von Ontologien als
grundlegende Aufgabe von Ontologie-Bibliotheks-Systemen.
Haltung
Art und Weise der Haltung von Ontologien. Dabei sollte erstens die Zugänglichkeit
der Ontologien durch Dritte gewährleistet sein. Zweitens sollte eine
(engl.: „Storage“)
Klassifikation die Auswahl einer geeigneten Ontologie durch den Entwickler
einer neuen Applikation unterstützen. Drittens sollten die Ontologien als Module
organisiert sein, um den Ansatz des ´Teilens und Zusammenführens´
(s.o.) zur Entwicklung neuer Ontologien zu unterstützen.
Identifikation Zur Verwaltung sollte jede Ontologie eindeutig identifizierbar sein.
Versionierung Um Änderungen in Ontologien nachvollziehen und die aktuelle Version einer
Ontologie bereitstellen zu können, sollte das System über einen entsprechenden
Versionierungsmechanismus verfügen (siehe auch D.3.2.2).
Funktionalitäten zur Unterstützung von Applikationsentwicklern bei der Auswahl
einer geeigneten Ontologie und zur Wartung der Ontologien im System.
Suche
Such- und Browsing-Funktionalitäten zur Ansicht der existenten Ontologien.
Editierung
Bearbeitungsmöglichkeit von Ontologien im System (siehe auch D.3.2.1).
Automatisierte Hierunter werden einfache Werkzeuge verstanden, mit denen beispielsweise
Qualitätsprüfung die Struktur einer Ontologie hinsichtlich der Integrierbarkeit mit einer anderen
geprüft werden kann.
Gewährleistung der syntaktischen Interoperabilität sowie der Nutzung einer
gemeinsamen semantischen Basis der Ontologien in der Bibliothek.
Repräsentation Formale Darstellung der Ontologien in einem Austauschformat für Ontologien
(z.B. Ontolingua, s. B.1.3.2) oder einer standardisierten Sprache.
Basis-Ontologie Definition einer Top Level – Ontologie (s. C.1.1.2, Tabelle 10), welche von
allen Ontologien des Systems als begriffliche Basis verwendet wird.
Tabelle 15: Anforderungen an Ontologie-Bibliotheks-Systeme 204
Management
Adaption
Standardisierung
Für die Eignung eines Ontologie-Bibliotheks-Systems zur Verwaltung von Ontologien
für das Semantic Web sind aus den aufgeführten Funktionalitäten vor allem drei Aspekte
relevant. Erstens muss die Zugänglichkeit der Ontologien über das Internet gegeben sein,
damit Semantic Web – Anwendungen auf die benötigten Ontologien zugreifen können.
Als zweiter Aspekt ist eine web-basierte Such- und Browsing-Funktionalität notwendig,
um die Einsicht in die existenten Ontologien zu ermöglichen. Dazu sollten die einzelnen
Ontologien angemessen dokumentiert sein (s. B.1.4.2). Der dritte Aspekt ist die Unterstützung
einer web-kompatiblen Ontologie-Spezifikations-Sprache, wobei im Falle der
Empfehlung zur Standardisierung von OWL als Ontologie-Spezifikations-Sprache für das
Semantic Web durch das W3C (s. D.2.2.1) die Unterstützung dieser Sprache wesentlich
sein wird.
Aus dem Vergleich existenter Ontologie-Bibliotheks-Systeme geht hervor, dass noch
keines die aufgeführten Anforderungen für eine Verwendung im Semantic Web erfüllt. Es
wurden innerhalb der wichtigsten Forschungsgruppen des Ontology Engineering sowie
bei Projekten zur Entwicklung von Semantic Web – Technologien entsprechende Systeme
entwickelt, welche zwar die grundlegenden Funktionalitäten, aber noch nicht den für
204 nach (Ding+01, S. 94f; 109-111). Übersetzungen durch den Autor.

Kaptitel D: Ontologien im Semantic Web 82
die Nutzung im Semantic Web benötigten Funktionsumfang bieten (s. Ding+01, S. 107-
111) . 205
D.3.2 Entwicklungsfähigkeit von Ontologien
Die zweite Herausforderung an das Ontologie-Management für das Semantic Web ist die
Entwicklungsfähigkeit von Ontologien, womit die oben erläuterte Anpassungsfähigkeit
von Ontologien an die Umweltcharakteristika des Internet gefordert wird (s. D.1.2.2.2).
Die dazu notwendige Flexibilität von Ontologien, also die Fähigkeit zur Handhabung
der dynamischen Informationsstrukturen im Internet, soll durch sogenannte Verfahren
der „Instandhaltung von Ontologien 206 “ gewährleistet werden. Für die angestrebte Verwendung
von Ontologien im Semantic Web sind dabei insbesondere Techniken von Bedeutung,
die erstens die Erstellung und Änderung einer individuellen Ontologie erlauben
und zweitens die korrekte Einbindung dieser in ihren jeweiligen semantischen Kontext
ermöglichen. Für diese beiden Aspekte soll im Folgenden je ein Lösungsansatz besprochen
werden.
D.3.2.1 Unterstützung der Ontologie-Entwicklung
Als Ansatz zur Unterstützung der Ontologie-Entwicklung für das Semantic Web soll hier
der sogenannte ´Ontology Learning´- Ansatz 207 vorgestellt werden. Darin wird ein Verfahren
zur Erstellung und Editierung von Ontologien für das Semantic Web entwickelt, in
dem die Aufwendigkeit des Ontologie-Entwicklungsprozesses (s. B.3) durch die Automatisierung
von Teilprozessen reduziert werden soll.
Die grundlegende Idee des Ansatzes liegt in der Nutzung bereits vorhandener konzeptioneller
Erfassungen der relevanten Wissensdomäne als Ausgangsbasis für die zu erstellende
oder zu ändernde Ontologie. Aus diesen Informationsquellen wird unter Verwendung
von Verfahren des Maschinellen Lernens 208 eine initiale Ontologie generiert, die
dann lediglich dem konkreten Verwendungszweck angepasst werden muss. Diese Automation
soll die Entwicklung einer Ontologie vor allem hinsichtlich des zeitlichen Aufwands
sowie der konzeptionellen Validität erleichtern, da die aufwendigen und schwierigen
Aufgabenbereiche der Spezifikation und der Konzeptionalisierung durch Werkzeuge
unterstützt werden (s. Maedche+01, S. 1f).
205 Hier sollen die Ontologie-Bibliotheks-Systeme der in dieser Arbeit referenzierten Forschungsgruppen kurz genannt
werden. Eine ausführliche Übersicht dieser und weiterer Ansätze findet sich in (Ding+01, S. 95-107).
1) Ontolingua: Ontologie-Bibliothek des Ontolingua-Systems (s. B.1.3.2). Dieses stellt das derzeit ausgereifteste
System dar, was auf die Verbreitung von Ontolingua als Quasi-Standard zur formalen Spezifikation von
Ontologien zurückgeführt werden kann.
2) DAML Library: System des DAML-Programms (s. Fußnote 198), aus dem DAML+OIL (s. D.2.2.1) hervorgegangen
ist. Die Bibliothek ist öffentlich zugänglich unter: http://daml.semanticweb.org/ontologies (12.07.2002).
3) SHOE: Bibliotheks-System des SHOE-Projekts (s. Fußnote 194). Eine ausführliche Beschreibung findet sich in
(Heflin+00). Siehe auch (D.3.2.2).
206 engl.: „ontology maintenance“ (Tuttle+01, S. 21).
207 Dies ist der Eigenname des Ansatzes (s. Maedche+01, S. 1). Der hier referenzierte Artikel wurde aus dem reichhaltig
vorhandenen Material ausgewählt, da er eine umfassende Übersicht beinhaltet. Eine ausführliche Darstellung
findet sich in: Maedche, A.: Ontology Learning for the Semantic Web. The Kluwer International Series in Engineering
and Computer Science, Volume 665. Kluwer Academic Publishers: 2002.
208 Das KI-Forschungsgebiet des Maschinellen Lernens beschäftigt sich mit der „computergestützten Modellierung
und Realisierung von Lernphänomenen“ (Wrobel+00, S. 517). Dabei werden Verfahren entwickelt, mit denen eine
intelligente Maschine neuartige Wissensstrukturen erlernen kann. Ein wesentliches Anwendungsgebiet derartiger
Techniken ist das Data Mining, wobei die Verfahren für die vollständig automatisierte Wissensakquisition aus Datenbanken
relativ weit fortgeschritten sind. Eine einführende Übersicht des Gebietes findet sich in (Wrobel+00).

Kaptitel D: Ontologien im Semantic Web 83
In Abbildung 16 wird zunächst der „Ontologie-Lernzyklus 209 “ des ´Ontology Learning´
vorgestellt. Daran soll sich eine genauere Erörterung dieses Ansatzes anschließen.
Phasen des Ontology Learning
1. Import und Wiederverwendung (engl. „import and re-use“):
Zunächst werden existente konzeptionelle Erfassungen der Wissensdomäne - also Datenbanken,
XML-Dokumente sowie bereits bestehende Ontologien - identifiziert und deren Verwendbarkeit
als Grundlage für die zu erstellende Ontologie geprüft. Diese Tätigkeiten sind manuell durchzuführen.
Anschließend werden die brauchbaren Erfassungen zu einer einheitlichen Ausgangsbasis
zusammengeführt, wobei für die wiederverwendbaren Ontologien Verfahren der Ontologie-
Integration genutzt werden sollen.
2. Extraktion (engl. „extraction“):
Die Ausgangsbasis stellt lediglich eine begrifflich einheitliche Zusammenfassung wiederverwendbarer
konzeptioneller Erfassungen dar. Die Generierung der initialen Ontologie-Struktur erfolgt
durch die Strukturanalyse der Informationsquellen unter Verwendung entsprechender algorithmischer
Verfahren. Für diese Funktionalitäten wurde als Kern des ´Ontology Learning´- Ansatzes
das Werkzeug ´Text-To-Onto´210 entwickelt.
Mit der Erstellung der initialen Ontologie ist der aufwendigste Teil der Konzeptionalisierung abgeschlossen.
In den anschließenden Phasen ist die Ontologie lediglich der antizipierten Verwendung
anzupassen und hinsichtlich der Qualitätskriterien der Ontologie-Entwicklung (s. B.1.4.1.1)
zu evaluieren. Dazu können bekannte Verfahren des Ontology Engineering verwendet werden.
3. Säuberung (engl. „pruning“):
Entfernung nicht benötigter oder redundanter Ontologie-Elemente (entsprechend der OntoClean –
Methodologie, s. B.2.2).
4. Veredelung (engl. „refinement“):
Feinedition der Ontologie hinsichtlich des konkreten Verwendungsziels.
5. Validierung (engl. „validation“):
Qualitätsprüfung der Ontologie an Hand der Verwendbarkeit für die geplante Anwendung.
Abbildung 16: Phasen des Ontology Learning 211
Aus der Beschreibung wird deutlich, dass mit dem ´Ontology Learning´- Ansatz eine
umfassende, werkzeuggestützte Methodologie für die Ontologie-Entwicklung angestrebt
wird. Die grundlegende Herangehensweise der Nutzung existenter konzeptioneller Erfassungen
zur Reduzierung des Erstellungsaufwands des konzeptionellen Modells ist insbesondere
im Hinblick auf die Entwicklung von Ontologien für das Semantic Web als
sinnvoll zu betrachten, da viele der benötigten Informationsstrukturen bereits im Internet
vorhanden sind. Allerdings ist die angestrebte Automatisierung aufwendiger Teilaufgaben
des Ontologie-Entwicklungsprozesses derzeit als nicht realisierbar einzustufen, weil sowohl
die Verfahren der Ontologie-Integration als auch die Algorithmen für die Analyse
ontologischer Strukturen noch nicht ausgereift genug für die beabsichtigte Verwendung
sind. Wie später noch ausführlicher erläutert wird, erlauben die algorithmischen Verfahren
lediglich eine automatische Analyse von Informationsstrukturen, jedoch ist die Bearbeitung
ontologischer Heterogenitäten nur manuell durchführbar (s. D.3.3).
Somit ist der ´Ontology Learning´- Ansatz zwar grundsätzlich für die Erstellung und
Editierung von Ontologien für das Semantic Web als geeignet zu bewerten, da mit der
209 engl.: „ontology learning cylce“ (Maedche+01, S. 1). Dieser kann für Erweiterungen der Ontologie mehrmals
durchlaufen werden, was dem Lebenszyklusmodell der ´Evolving Prototypes´ (s. Fußnote 53) entspricht.
210 Text-To-Onto: Dieses Werkzeug soll die Erstellung einer ontologischen Struktur sowohl aus unstrukturiertem
Text als auch durch die algorithmische Analyse von Ontologien erlauben. Allerdings ist weder eine detaillierte
Funktionsbeschreibung noch eine frei erhältliche Version dieses Tools erhältlich, so dass keine qualitativen Aussagen
darüber möglich sind. Als weiterführende Informationsquelle kann nur die Homepage unter http://ontoserver.aifb.unikarlsruhe.de/texttoonto/
(15.10.2002) angegeben werden, die aber auch keine weiteren Beschreibungen enthält.
211 nach (Maedche+01, S. 2; 5-7).

Kaptitel D: Ontologien im Semantic Web 84
Wiederverwendung existenter Informationsstrukturen eine enge Bindung neuer oder geänderter
Ontologien an ihr semantisches Umfeld ermöglicht wird. Allerdings ist die Qualität
der Werkzeugunterstützung von der Entwicklung geeigneter algorithmischer Verfahren
abhängig, so dass der Ansatz insgesamt als noch nicht ausgereift betrachtet werden
muss.
D.3.2.2 Wartung von Ontologien
Neben der Erstellung geeigneter Ontologien ist zur Gewährleistung der Entwicklungsfähigkeit
von Ontologien im Semantic Web deren Änderbarkeit durch entsprechende Verfahren
zu unterstützen. Auf Grund der Dynamik des Internet sind häufig Änderungen der
Informationsstrukturen zu erwarten, welche in die Ontologien als semantische Basis
übernommen werden müssen. Da Ontologien prinzipiell eine einmalig erstellte Abbildung
der Strukturen einer Wissensdomäne darstellen und nicht für jede Umweltänderung eine
neue Ontologie entwickelt werden kann, sollten existente Ontologien im Semantic Web
an veränderte Informationsstrukturen anpassbar sein. Dazu werden Verfahren zur sogenannten
„Ontologie-Versionierung 212 “ entwickelt, welche die Aktualisierung einer Ontologie
durch einen Versionierungsmechanismus ermöglichen und die Verwaltung verschiedener
Versionen einer Ontologie erlauben sollen (s. Klein+01, S. 75f).
Wie in Tabelle 15 aufgeführt, sollen derartige Verfahren Bestandteil von Ontologie-
Bibliotheks-Systemen sein. Von den existenten Ansätzen für Bibliotheks-Systeme weist
allerdings nur das System des SHOE-Projekts (siehe Fußnote 205) eine entsprechende
Funktionalität auf (s. Ding+01, S. 102). Dabei kann die Änderung einer Ontologie als eine
neue Version abgespeichert werden, in dem eine neue Datei mit der geänderten formalen
Spezifikation erstellt und diese mit einer entsprechenden Versionsnummer versehen wird.
Es kann dafür eine rückwärtige Kompatibilität mit der vorhergehenden Version der Ontologie
definiert werden, soweit diese hinsichtlich der Struktur der Ontologie gegeben ist
(s. Heflin+00, S. 446f).
Mit diesem Mechanismus ist die grundsätzliche Anforderung der Änderbarkeit von
Ontologien erfüllt. Allerdings können durch die Änderungen in der Ontologie Fehlfunktionen
in denjenigen Anwendungen resultieren, welche die Ontologie als bedeutungsdefinierende
Komponente verwenden. Dies ist insbesondere für die Versionierung von
Ontologien im Semantic Web von Bedeutung, da die Funktionalität eines Netzwerks von
Ontologien als semantischer Grundbaustein nur erreicht werden kann, wenn die Kompatibilität
der Ontologien mit den darauf basierenden Applikationen sowie der einzelnen
Ontologien untereinander gewährleistet ist. Dazu muss bei der Änderung einer Ontologie
deren semantisches Umfeld entsprechend angepasst werden, weshalb Verfahren der
Ontologie-Versionierung neben der Erstellbarkeit einer neuen Version einer Ontologie erweiterte
Funktionalitäten zur Verfügung stellen sollten (s. Klein+01, S. 78-80).
Die wesentliche Anforderung besteht dabei in der dokumentarischen Bereitstellung
von Informationen über die vorgenommenen Änderungen in einer Ontologie, so dass die
auf der Ontologie basierenden Anwendungen mit möglichst geringem Aufwand an die
212 engl.: „Ontology Versioning“ (Klein+01, S. 76).

Kaptitel D: Ontologien im Semantic Web 85
neue Version angepasst werden können. Dazu sollte ein für das Semantic Web geeignetes
Versionierungs-System erstens die Identifikation von Ontologien und ihren Versionen im
Internet erlauben und zweitens eine Dokumentation der Änderungen zwischen den einzelnen
Versionen bereitstellen. Drittens sollte die Kompatibilität zwischen den Ontologie-
Versionen spezifiziert werden können, wodurch eine möglichst hohe Interoperabilität
zwischen den verschiedenen Versionen der Ontologie erreicht werden soll und somit ein
möglichst geringer Änderungsbedarf für die von der Ontologie abhängigen Applikationen
entsteht (s. Klein+01, S. 84ff).
Diese Funktionalitäten sollen mit dem Versionierungs-System OntoView 213 bereitgestellt
werden. Darin wird für die Ontologie-Identifikation nur der zugrundeliegenden
Konzeptionalisierung eine URI als eindeutig identifizierte Web-Ressource zugewiesen,
während die Versionen sowie die anderen Ontologie-Elemente systemintern referenziert
werden. Damit soll die Zusammengehörigkeit der Ontologie-Elemente leichter nachvollziehbar
sein und so die Handhabung der Ontologie als semantischer Basis erleichtert werden
(s. Klein+02, S. 4-7). Die Verwaltung der Änderungen zwischen den Versionen soll
durch den werkzeuggestützten Vergleich der jeweiligen formalen Spezifikation verschiedener
Ontologie-Versionen ermöglicht werden. Dazu werden die Dateien syntaktisch verglichen,
die Unterschiede aufgezeigt und diese dann hinsichtlich ihrer Auswirkungen auf
die ontologische Struktur klassifiziert. 214 Diese Änderungen können als Dokumentation
des Versionierungsprozesses separat dargestellt werden, wodurch die Anpassung der
abhängigen Applikationen erleichtert werden soll (s. Klein+01, 9-14). Somit stellt Onto
View ein vom Ansatz her geeignetes Versionierungs-System für das Semantic Web dar,
welches sich allerdings noch in der Entwicklungsphase befindet.
D.3.3 Ontologie-Integration
Als dritte wesentliche Herausforderung an das Ontologie-Management für das Semantic
Web wurde die Entwicklung von Verfahren der Ontologie-Integration zur Behandlung
semantischer Heterogenitäten aufgeführt (s. D.1.2.2.2). Die essentielle Bedeutung derartiger
Techniken wurde schon in anderen Anwendungszusammenhängen von Ontologien
erläutert, wobei sie die semantische Interoperabilität lokaler, potenziell heterogener
Ontologien sicherstellen sollen (s. C.3.2). Dieselbe Funktionalität ist auch für das Semantic
Web von grundlegender Bedeutung, da mit der Handhabung heterogener Ontologien
die angestrebte semantische Interoperabilität zwischen den unterschiedlichen Informationsräumen
im Internet als wesentliches Ziel der Verwendung von Ontologien gewährleistet
werden soll (s. D.1.2.2). Entsprechende Verfahren sollen dazu eine möglichst weitgehende
Automatisierung der Ontologie-Integration erlauben, um eine effiziente Handhabung
der semantischen Basis des Semantic Web zu ermöglichen (s. D.3.2.1).
213 OntoView: Web-basiertes Ontologie-Versionierungs-System, das auf der Funktionsweise von Versionierungs-
Systemen aus dem konventionellen Software Engineering aufbaut, sogenannten Concurrent Version Systems (CVS).
Das System befindet sich noch in der Entwicklungsphase, weshalb noch keine ausführliche Funktionsbeschreibung
vorliegt. Eine einführende Vorstellung findet sich unter: www.cs.vu.nl/~mcaklein/papers/ontoview.pdf (16.10.2002).
Im Internet ist das System zugänglich unter http://ontoview.org/repository/ (16.10. 2002).
214 Die Veränderungen werden in solche ohne Auswirkungen auf die ontologische Struktur (z.B. Kommentare oder
Namensänderungen) und solche mit Auswirkungen (z.B. Definitionsänderungen, Hinzufügung oder Entfernung von
Definitionen) unterteilt. Die Zuordnung der Änderungen muss manuell vorgenommen werden (s. Klein+02, S. 10).

Kaptitel D: Ontologien im Semantic Web 86
Wie schon im Zusammenhang der Implikationen für Informationssysteme durch die
Verwendung von Ontologien herausgestellt wurde, ermöglichen die bisher existenten
Techniken lediglich eine Werkzeugunterstützung des Ontologie-Integrationsprozesses.
Dabei können die Strukturen zweier zu integrierender Ontologien mit Hilfe von algebraischen
Operationen durch entsprechende Algorithmen automatisch analysiert und die auftretenden
ontologischen Heterogenitäten aufgezeigt werden. Die Behandlung dieser Unterschiede,
deren Auflösung das Ziel der Ontologie-Integration darstellt, ist allerdings nur
durch menschliche Intervention möglich (s. C.3.2.2).
Die Notwendigkeit der Kontrolle der semantischen Korrektheit durch den Menschen
bei der Ontologie-Integration soll an Hand eines einfachen Beispiels verdeutlicht werden.
Es seien zwei Ausgangs-Ontologien A und B gegeben, in denen jeweils ein Konzept
ADRESSE definiert ist. A spezifiziert ADRESSE als einen zusammenhängenden String,
während in B eine Unterteilung in Strasse, Hausnummer und Postleitzahl vorliegt. Diese
konzeptionelle Differenz kann durch eine automatisierte Syntaxanalyse der formalen Spezifikationen
von A und B zwar aufgefunden, aber durch algorithmische Verfahren nicht in
die ´richtige´ Konzeptionalisierung aufgelöst werden. Dazu müsste eine Regel in Form
einer Referenz-Ontologie vorhanden sein, welche die benötigte Auflösung determiniert.
Da genau dieses bei der Integration von Ontologien nicht gegeben ist, muss die angemessene
ontologische Erfassung von Hand ausgewählt werden. 215
Um trotz des erforderlichen menschlichen Eingreifens eine effiziente Handhabung
heterogener Ontologien im Semantic Web zu ermöglichen, werden Verfahren für eine
möglichst weitgehende Automatisierung der Ontologie-Integration entwickelt. Einen generellen,
häufig referenzierten Ansatz stellt das PROMPT-System 216 dar. Darin werden
dem Nutzer neben den Ergebnissen der syntaktischen Strukturanalyse der Ausgangs-
Ontologien vordefinierte Operationen zur Hand gegeben, welche die manuelle Zusammenführung
erleichtern sollen (s. Noy+00, S. 3f). Ein anderer Ansatz für die Ontologie-
Integration im Semantic Web ist die Definition sogenannter „semantischer Brückenontologien
217 “, wie sie im MAFRA-System 218 vorgenommen wird. Statt der Generierung
einer neuen Ontologie werden in einer solchen Brückenontologie die Differenzen zwischen
den zu integrierenden Ontologien erfasst und entsprechend aufgelöst. Somit können
die Ausgangs-Ontologien erhalten bleiben und gleichzeitig deren semantische Interoperabilität
sichergestellt werden. Allerdings muss auch hierbei die Auflösung der ontologischen
Heterogenitäten manuell definiert werden (s. Maedche+02, S. 66f).
215 In Anlehnung an ein Beispiel der Ontologie-Integration (s. Noy+99, S. 3f).
216 PROMPT: Aus dem PROTÉGÉ-Projekt (s. A.1.2.2.2) hervorgegangener Ansatz zur semi-automatischen Zusammenführung
von Ontologien (vgl. Noy+00). Eine frei erhältliche Implementierung liegt als PlugIn für das PROTÉGÉ
2000-Ontologie-Entwicklungswerkzeug (siehe Fußnote 65) vor. Siehe: http://protege.stanford.edu/plugins/prompt/
prompt.html (18.10.2002).
217 engl.: „semantic bridging ontology“ (Maedche+02, S. 68).
218 Das MAFRA-System (MApping FRAmework) stellt einen infrastrukturellen Lösungsansatz für die Handhabung
von Ontologien im Semantic Web dar. Es wird innerhalb des KAON-Projekts (KArlsruhe ONtology and Semantic
Web Infrastructur) entwickelt - einem Forschungsprojekt des Forschungszentrums Informatik (FZI) und des Instituts
für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB) der Universität Karlsruhe. Das KAON-
System soll eine Infrastruktur mit entsprechenden Werkzeugen für die Entwicklung ontologiebasierter Semantic Web
– Anwendungen zur Verfügung stellen (s. Maedche+02, S. 71f). Weiterführende Informationen über das KAON-
System finden sich auf der Homepage des Projekts unter: http://kaon.semanticweb.org/ (12.07.2002).

Kaptitel D: Ontologien im Semantic Web 87
Aus der Erläuterung existenter Verfahren der Ontologie-Integration geht hervor, dass
derzeit die Behandlung ontologischer Heterogenitäten nur manuell möglich ist und lediglich
durch entsprechende Werkzeuge unterstützt werden kann. Dies bedeutet, dass die angestrebte
Erstellung eines Netzwerks von interagierenden, automatisch aktualisierbaren
Ontologien zur Gewährleistung der semantischen Interoperabilität zwischen potenziell
heterogenen Informationsräumen im Semantic Web (s. D.1.2.2.2) zwar im Prinzip möglich
ist, aber einen hohen Anteil menschlicher Intervention bedingt. Denn zur Erstellung
und Wartung eines solchen Netzwerks müsste erstens die Ontologie jeder konkreten
Anwendung in ihr jeweiliges semantisches Umfeld integriert und zweitens bei Änderung
einer Ontologie die von ihr abhängigen Anwendungen und Ontologien entsprechend angepasst
werden. Obwohl mit den vorgestellten Lösungen des Ontologie-Managements
Werkzeuge zur Unterstützung der Ontologie-Integration zur Verfügung gestellt werden,
müsste dazu jeder einzelne Integrationsprozess manuell durchgeführt werden.
Da für die Erhaltung einer solchen semantischen Basis des Semantic Web ein hoher,
nicht adäquater Bedarf an menschlicher Intervention durch entsprechend geschulte Fachkräfte
auftreten würde, wird eine andersartige Verwendung von Ontologien als strukturund
bedeutungsdefinierender Komponente des Semantic Web vorgeschlagen. Dabei soll
eine Ontologie die standardisierte Erfassung eines Informationsraumes im Internet darstellen
– im Gegensatz zur Beschreibung einzelner Informationsressourcen. Damit soll ein
geteiltes, präskriptives Verständnismodell desselben bereitgestellt werden, welches als
Strukturvorgabe für Web-Applikationen innerhalb des Informationsraums fungieren soll.
Durch eine derartige Nutzung von Ontologien kann die Notwendigkeit der Integration
von Ontologien auf die Schnittstellen zwischen verschiedenen Informationsräumen beschränkt
werden, da die semantische Interoperabilität von Informationsressourcen im
Internet mit der Auflösung der ontologischen Heterogenitäten lediglich zwischen den
standardisierten Ontologien gewährleistet werden kann (s. Uschold01, S. 6). Dieser technologisch
bedingte Ansatz zur Strukturierung der semantischen Basis des Semantic Web
impliziert jedoch eine Abweichung vom oben erläuterten Ziel einer universellen Informationsplattform
ohne zentral vorgegebene Informationsstrukturen (s. D.1.1).
D.4 Implikationen für Semantic Web Services
Als letzter Aspekt zur Verwendung von Ontologien im Semantic Web sind die Auswirkungen
zu besprechen, die aus der Bereitstellung einer einheitlichen semantischen Basis
für sogenannte „Semantic Web Services“ (Visser+00, S. 1) als konkrete Anwendungen der
Semantic Web – Technologien resultieren. Als Web Services werden Applikationen bezeichnet,
die unter Nutzung von Web-Technologien informationsverarbeitende Dienste
im Internet bereitstellen. 219 Dabei soll ein Web Service als autonom handelnde Anwendung
spezifische Aufgaben erfüllen und dazu in geeigneter Art und Weise mit anderen
Web Services interagieren, so dass die Informationsverarbeitung im Internet durch ein
Netzwerk von Web Services im Sinne eines Multi-Agenten-Systems (s. C.2.1) realisiert
werden soll (s. Bernes-Lee+01, S. 28f). Hier sollen die funktionalen und konzeptionellen
219 Als ´Semantic Web Service´ werden entsprechend Web Services bezeichnet, die mit Semantic Web – Technologien
arbeiten (s. Visser+01, S. 1).

Kaptitel D: Ontologien im Semantic Web 88
Implikationen für Semantic Web Services aufgezeigt werden, die sich aus der Verwendung
von Ontologien zur Bereitstellung der semantischen Basis ergeben. Dazu werden hier
lediglich die wesentlichen Aspekte zusammengetragen, da eine ausführliche Betrachtung
dieser Thematik zum einen die Wiederholung von zuvor bereits behandelten Gesichtspunkten
bedeuten würde und zum anderen keine wesentlichen neuen Erkenntnisse über
die Verwendung von Ontologien im Semantic Web daraus hervorgehen würden.
Als informationsverarbeitende Anwendung benötigen Web Services eine struktur- und
bedeutungsdefinierende Beschreibung der zu verarbeitenden Informationen (s. D.1.1). Da
diese im Semantic Web durch Ontologien bereitgestellt werden soll, können die im Zusammenhang
der Verwendung von Ontologien in Informationssystemen vorgestellten
Verbesserungen für das Auffinden, die Verarbeitung und die Darstellung von Informationen
(s. C.2.2; C.2.3) für die grundlegenden informationsverarbeitenden Fähigkeiten von
Semantic Web Services genutzt werden. Des Weiteren können Semantic Web Services an
Hand von Ontologien mit einer bedeutungsdefinierenden Beschreibung versehen werden,
wodurch die semantische Korrektheit bei der Kommunikation zwischen einzelnen Services
gewährleistet werden kann (vgl. Fensel+02) – entsprechend der Zielsetzung bei der
Verwendung geteilter Ontologien für die Agentenkommunikation (s. C.2.1).
Bezüglich der funktionalen Ausrichtung von Semantic Web Services ergeben sich aus
den erläuterten Charakteristika der semantischen Basis des Semantic Web zwei wesentliche
Aspekte. Erstens wird durch die Sicherstellung der semantischen Interoperabilität
von Informationsressourcen die bedeutungserhaltende Interaktion zwischen Web Services
verschiedener Informationsräume ermöglicht, so dass domänenübergreifende Anwendungsszenarien
wie das zu Beginn der Arbeit angeführte Beispiel prinzipiell umsetzbar
sind (s. Einleitung). Der zweite Aspekt bezieht sich auf die Standardisierung von Ontologien
für einzelne Informationsräume, welche auf Grund der Probleme bei Ontologie-
Integration proklamiert wird (s. D.3.3). Obwohl dies zunächst als eine Einschränkung erscheint,
kann die präskriptive Beschreibung eines Informationsraumes als Strukturvorgabe
für einen Semantic Web Service dienen. Das bedeutet, dass die funktionale Konzeption
eines Web Services an das Verständnismodell der Ontologie angelehnt werden kann, so
dass die standardisierte Erfassung einer Wissensdomäne zur Komplexitäts- und Unsicherheitsreduktion
beitragen und somit eine Hilfestellung für die Entwicklung von Semantic
Web Services bieten kann (s. Kim02, S. 51-54).
Die erläuterten Implikationen für Semantic Web Services verdeutlichen die Relevanz
eines struktur- und bedeutungsdefinierenden Grundbausteins des Semantic Web. Denn
das informationsverarbeitende Potenzial des Semantic Web kann nur durch derartige Web
Services ausgeschöpft werden, welche wiederum nur auf einer angemessenen und funktionstüchtigen
semantischen Basis arbeiten können. Daher ist die Entwicklung entsprechender
technischer Lösung zur Bereitstellung und Handhabung einer solchen von grundlegender
Bedeutung für die erfolgreiche Realisierung der Vision des Semantic Web.

Diskussion 89
Diskussion
Als Fazit der Untersuchung der Verwendung von Ontologien als semantischem Grundbaustein
des Semantic Web werden zunächst die herausgearbeiteten Erkenntnisse dahingehend
zusammengefasst, inwieweit die derzeit existenten Verfahren ontologiebasierter
Wissensmodellierung für die Umsetzung der antizipierten Rolle von Ontologien im Semantic
Web geeignet sind. Anschließend daran werden einige Aspekte aufgezeigt, die sich
als weiterführende Fragestellungen hinsichtlich der Notwendigkeit und der Umsetzbarkeit
der Vision des Semantic Web ergeben.
Zusammenfassung der Ergebnisse
Die Vision des Semantic Web besteht in der Erweiterung der informationsverarbeitenden
Fähigkeiten der bestehenden Web-Technologien, um die Qualität des Internet als universeller
Informationsplattform zu verbessern. Im Architekturmodell zur Realisierung dieser
Vision sollen Ontologien zur bedeutungsdefinierenden Beschreibung von Informationsstrukturen
eingesetzt werden, wodurch eine semantische Basis für Semantic Web Services
als informationsverarbeitende Web-Applikationen geschaffen werden soll. Die Zielsetzung
der Verwendung von Ontologien im Semantic Web besteht in der Erstellung eines
Netzwerks interagierender Ontologien, womit erstens der struktur- und bedeutungsdefinierende
Grundbaustein für Semantic Web Services bereitgestellt und zweitens die Interoperabilität
zwischen potenziell heterogenen Informationsräumen im Internet gewährleistet
werden soll.
Die grundlegende Eignung ontologiebasierter Verfahren der Wissensmodellierung für
eine derartige Verwendung ergibt sich aus deren konzeptioneller Intention. Eine Ontologie
soll ein von den Beteiligten einer Wissensdomäne gemeinsam akzeptiertes Verständnismodell
derselben darstellen, worin die Wissensstrukturen der Domäne mit expliziten
Definitionen der intendierten Bedeutung der Begrifflichkeiten erfasst sind. Durch die formale
Darstellung dieses konzeptionellen Modells mittels entsprechender Spezifikationssprachen
kann die Maschinenlesbarkeit von Ontologien ermöglicht werden. Obwohl noch
keine umfassende Methodologie der Ontologie-Entwicklung entworfen wurde, existieren
Ansätze für die grundlegenden Verfahren zur Erstellung und Qualitätssicherung von Ontologien.
Die für den Einsatz von Ontologien im Semantic Web notwendige Kompatibilität
von Ontologie-Spezifikations-Sprachen mit den Web-Technologien kann durch entsprechende
Repräsentationsformalismen gewährleistet werden. Der Nutzengewinn durch
den Einsatz von Ontologien als bedeutungsdefinierender Komponente im Semantic Web
besteht in Verbesserungen für die grundlegenden informationsverarbeitenden Funktionalitäten
von Web-Anwendungen.
Bei der Nutzung von Ontologien in Informationssystemen wird deutlich, dass auf
Grund der Schwierigkeit bei der Erstellung einer globalen, alle relevanten Wissensstrukturen
erfassenden Ontologie der Einsatz mehrerer unabhängiger Ontologien bevorzugt
wird. Auf diesem Prinzip soll auch die Verwendung von Ontologien im Semantic Web
basieren: Jede Informationsquelle, beziehungsweise jeder Informationsraum im Internet
soll durch eine Ontologie beschrieben und der bedeutungserhaltende Informationsaus-

Diskussion 90
tausch zwischen diesen soll durch die Gewährleistung der Interoperabilität der einzelnen
Ontologien sichergestellt werden. Dazu werden Techniken zur Behandlung von Differenzen
zwischen einzelnen Ontologien benötigt. Entsprechende Verfahren der Ontologie-
Integration erlauben jedoch nur eine Werkzeugunterstützung des Integrationsprozesses,
während die eigentliche Auflösung ontologischer Heterogenitäten durch den Menschen
vorgenommen werden muss.
Aus diesem Grund würde die Erstellung und Wartung der semantischen Basis des Semantic
Web in Form eines Netzwerks interagierender, an die Dynamik der Informationsstrukturen
im Internet anpassbarer Ontologien ein nicht adäquates Maß an menschlicher
Intervention bedingen. Daher wird eine andersartige Konzeption der semantischen Basis
vorgeschlagen, wobei Ontologien die standardisierte Erfassung einzelner Informationsräume
darstellen sollen. Konkrete Anwendungen könnten sich an dieser Strukturvorgabe
orientieren und die Auflösung ontologischer Heterogenitäten würde auf die Schnittstellen
verschiedenartiger Informationsräume begrenzt.
Notwendigkeit und Umsetzbarkeit des Semantic Web
Durch die Entwicklung von Web-Technologien mit informationsverarbeitenden Fähigkeiten
kann zweifellos die Qualität des Internet als Informationsplattform verbessert
werden. Es ist aber zu hinterfragen, ob dazu die Verwendung von Ontologien als semantischer
Basis – die unabdingbar für eine automatisierte Informationsverarbeitung ist – erforderlich
ist. Denn eine einheitliche, formal spezifizierte semantische Basis wird nur benötigt,
wenn die Interoperabilität zwischen Systemen mit unterschiedlichen Verständnismodellen
gewährleistet werden soll (s. Uschold01, S. 5f). Derartige Differenzen würden
bei einer Standardisierung einzelner Informationsräume lediglich zwischen verschiedenen
Informationsräumen zu erwarten sein. Da diese durch entsprechende Konventionen auch
ohne Ontologien aufgelöst werden könnten, erscheint die Verwendung von Ontologien
zur Gewährleistung der semantischen Interoperabilität als nicht zwingend notwendig.
Allerdings würde der Verzicht auf Ontologien im Semantic Web auch den Verzicht auf
jene funktionalen Verbesserungen bedeuten, die mit Ontologien für informationsverarbeitende
Web-Applikationen bereitgestellt werden können. Somit kann festgehalten werden,
dass aus funktionaler Sicht die Verwendung von Ontologien für die semantische Basis des
Semantic Web zwar nicht erforderlich ist, aber durchaus Vorteile daraus entstehen.
Abschließend sei hinsichtlich der Realisierbarkeit der Vision des Semantic Web aus betriebswirtschaftlicher
Sicht angemerkt, dass ein signifikanter Mehrwert der Semantic Web
- Technologien erst bei einer weiten Verbreitung derselben deutlich wird. Denn erst wenn
viele Applikationen auf einer einheitlichen semantischen Grundlage basieren, werden die
daraus resultierenden Vorteile deutlich. Da ein Unternehmen somit nur langfristig einen
Profit aus Investitionen für die Entwicklung von Semantic Web – Anwendungen erwarten
kann, wird die Realisierbarkeit des Semantic Web aus dieser Perspektive als sehr kritisch
und nur über einen längeren Zeitraum hinweg für möglich erachtet. 220
220 Diese Aspekte führte Dr. Jürgen Laartz, McKinsey Company, in seinem Vortrag zum Thema „Semantic Web –
Wissenschaftliche Spielerei oder ökonomischer Mehrwert?“ auf dem 3. Berliner E-Business-Forum, 04.07.2002, an.

Literaturverzeichnis 91
Literaturverzeichnis
Rückriem+97
Berners-Lee+01
Berners-Lee00
Cruz+01
Fensel01
Gómez-Pérez99
Ohlms02
Angele+97
Balzert99
Duden93
Endres-Niggemeyer98
Fensel00
Glück00
Gómez-Pérez+99
Görz+00a
Vorwort
RÜCKRIEM, G.; STARY, J.; FRANCK, N.: Die Technik wissenschaftlichen
Arbeitens. Eine praktische Anleitung. 10. überarbeitete Auflage. Paderborn,
München, Wien, Zürich: Schönigh 1997.
Einleitung
BERNERS-LEE, T.; HENDLER, J.; LASSILA, O.: The Semantic Web. A new
form of Web Content that is meaningful to computers will unleash a
revolution of new possibilities. In: Future of the Web. Scientific American
Online Issue 2002, S. 24-30 (erschienen in: Scientific American, May
2001).
BERNERS-LEE, T.: Weaving the Web. The Past, Present and Future of the
World Wide Web by its Inventor. London, New York: Texere 2000.
CRUZ, I. F. U. A.: Proceedings of the First Semantic Web Working
Symposium. California (USA): Stanford University 2001.
FENSEL, D.: The Semantic Web. Vortragsfoliensatz, Semantic Web Workshop.
Hong Kong: 2001.
GÓMEZ-PÉREZ, A.: Ontological Engineering. A State of the Art. Madrid:
Expert Update 1999.
OHLMS, C.: The Future of the Semantic Web. A Perspective on the Market
Adoption of Semantic Web Technologies. Karlsruhe: 9. AIK-Symposium
2002.
Kapitel A
ANGELE, J. U.A.: Abschlußbericht der GI-Arbeitsgruppe "Vergleichende
Analyse von Problemstellungen und Lösungsansätzen in den Fachgebieten
Information Systems Engineering, Software Engineering und Knowledge
Engineering". EMISA Forum 7 (2): 11-58 (1997)
BALZERT, HEIDE.: Lehrbuch der Objektmodellierung. Analyse und Entwurf.
Heidelberg; Berlin: Spektrum Verlag 1999.
ENGESSER, H. (HRSG.): Duden Informatik. Ein Sachlexikon für Studium
und Praxis. 2. Aufl. Mannheim, Leipzig, Wien, Zürich: Dudenverlag 1993.
ENDRES-NIGGEMEYER, B.: Logische Grundlagen der Verarbeitung von
Wissen und Information. Hannover: Vorlesungsskriptum FH Hannover
SoSe 1998.
FENSEL, D.: Ontologies. Silver Bullet for Knowledge Management and
Electronic Commerce. Berlin: Springer 2000.
GLÜCK, H. (HRSG.): Metzler Lexikon Sprache. 2. überarbeitete und erweiterte
Auflage. Stuttgart, Weimar: Metzler 2000.
GÓMEZ-PÉREZ, A.; BENJAMINS, V. R.: Overview of Knowledge Sharing and
Reuse Components. Ontologies and Problem Solving Methods. In: Proceedings
of the IJCAI-99 Workshop on Ontologies and Problem-Solving
Methods (KRR5). Stockholm: 1999.
GÖRZ, G.; ROLLINGER, C.-R.; SCHNEEBERGER, J. (HRSG.): Handbuch der
Künstlichen Intelligenz. 3. Aufl. München: Oldenburg Verlag 2000.

Literaturverzeichnis 92
Görz+00b GÖRZ, G.; WACHSMUTH, I.: Einleitung. In: (Görz+00a) Kapitel 5, S. 1-15.
Gruber93
Guarino+95
Guarino94
Guarino95
Guarino98
Hesse96
GRUBER, T. R.: Towards Principles for the Design of Ontologies used for
Knowledge Sharing. Stanford University, Knowledge Systems Laboratory:
Technical Report KSL 93-04, 1993.
GUARINO, N.; GIARETTA, P.: Ontologies and Knowledge Bases. Towards a
Terminological Clarification. In: N. Mars (Hrsg.): Towards Very Large
Knowledge Bases. Knowledge Building and Knowledge Sharing.
Amsterdam: IOS Press 1995.
GUARINO, N.: The Ontological Level. In: R. Casati, B. Smith and G. White
(Hrsg.): Philosophy and the Cognitive Science. Wien: Hölder-Pichler-
Tempsky 1994.
GUARINO, N.: Formal Ontology, Conceptual Analysis and Knowledge
Represenation. International Journal of Human and Computer Studies
43(5/6): 625-640.
GUARINO, N.: Formal Ontology and Information Systems. In N. Guarino
(Hrsg.): Formal Ontology in Information Systems. Proceedings of FOIS98.
Amsterdam: IOS Press 1998.
HESSE, S.: Expert Lexikon. Künstliche Intelligenz. Reunigen-Malsheim:
Expert Verlag 1996.
Hofstadter01 HOFSTADTER, D. R.: Gödel, Escher, Bach. Ein endlos geflochtenes Band. 8.
Aufl. München: Deutscher Taschenbuch Verlag 2001.
Luger01
McCarthy+55
McCarthy+69
LUGER, G. F.: Künstliche Intelligenz. Strategien zum Lösen komplexer
Probleme. München: Pearson Studien 2001.
MCCARTHY, J. U. A.: A Proposal on the Dartmouth Summer Research
Project on Artificial Intelligence. Dartmouth (New Hampshire, USA):
1955.
MCCARTHY, J.; HAYES, P. J.: Some Philosophical Problems from the
Standpoint of Artificial Intelligence. Machine Intelligence 4, 1969.
McCarthy00 MCCARTHY, J.: What is Artificial Intelligence? Stanford University 2000.
Newell81 NEWELL, A.: The Knowledge Level. Artificial Intelligence 18 (1), S. 87-
127.
Nonaka+97
Owsnicki-Klewe+00
Puppe+00
Schreiber+00
Smolle02
Störig63
NONAKA, X.; TAKEUCHI, Y.: Die Organisation des Wissens. Wie japanische
Unternehmen eine brachliegende Ressource nutzbar machen.
Frankfurt a. M.: Campus Verlag 1997.
OWSNICKI-KLEWE, B.; LUCK, K. VON; NEBEL, B.: Wissensrepräsentation
und Logik – Eine Einführung. In: (Görz+00a) Kapitel 5, S. 153-197.
PUPPE, F. ; STOYAN, H.; STUDER, R.: Knowledge Engineering. In:
(Görz+00a) Kapitel 15, S. 599-641.
SCHREIBER, G. U.A.: Knowledge Engineering and Management. The
CommonKADS Methodology. Cambridge (USA), London: MIT Press
2000.
SMOLLE, P. F.: Semantische Technologien & Elektronische Märkte.
Karlsruhe: 9. AIK-Symposium 2002.
STÖRIG, H.J.: Kleine Weltgeschichte der Philosophie. München, Zürich:
Droemersche Verlagsanstalt 1963.

Literaturverzeichnis 93
Struss00
Studer+98
Uschold+96
Wielinga94
STRUSS, P.: Modellbasierte Systeme und qualitative Modellierung. In:
(Görz+00a) Kapitel 12, S. 431-490.
STUDER, R.; BENJAMINS, V.R.; FENSEL, D.: Knowledge Engineering.
Principles and Methods. In: Data and Knowledge Engineering 25 (1-2)
1998.
USCHOLD, M.; GRUNINGER, M.: Ontologies. Principles, Methods and
Applications. In: Knowledge Engineering Review 11(2), 1996.
WIELINGA, B. J. (HRSG.): Expertise Model Definition Document. ESPRIT
Project, University of Amsterdam 1994.
Kapitel B
Boyens01
Brockhaus96
Corcho+00
Devedžić02
BOYENS, C.: OntoKick – Ein Werkzeug zur Unterstützung von ontologiebasiertem
Wissensmanagement. Dipl.-Arb., Karlsruhe 2001.
BROCKHAUS – DIE ENZYKLOPÄDIE. In 24 Bänden. 20., überarbeitete und
aktualisierte Aufl. Leipzig, Mannheim: Brockhaus 1996.
CORCHO, O.; GÓMEZ-PÉREZ, A.: Evaluating Knowledge Representation and
Reasoning Capabilities of Ontology Specification Languages. In: Proceedings
of the ECAI 2000 Workshop on Applications of Ontologies and
Problem Solving Methods. Berlin 2000.
DEVEDŽIĆ, V.: Understanding Ontological Engineering. In: Communications
of the ACM 45 (4), 2002: S. 136-144.
Draheim00 DRAHEIM, D.: Vorlesungsskript Softwaretechnik. FU Berlin, WS 00 / 01.
Farquhar+96
Fernández+97
Fernandéz+99
Gómez-Pérez+96
Gómez-Pérez01
Gruber93b
Grüninger+95
Guarino+00a
FRAQUHAR, A.; FIKES, R.; RICE,J.: The Ontolingua Server. A Tool for
Collaborative Ontology Construction. In: Proceedings of KAW96. Banff
(Canada) 1996.
FERNÁNDEZ, M.; GÓMEZ-PÉREZ, A.; JURISTO, N.: METHONTOLOGY.
From Ontological Art towards Ontological Engineering. In: AAAI-97
Spring-Symposium on Ontological Engineering. Stanford University 1997.
FERNÁNDEZ, M.; GÓMEZ-PÉREZ, A.; SIERRA, J. P.: Building a Chemical
Ontology Using Methontology and the Ontology Design Environment. In:
IEEE Intelligent Systems 14 (1), 1999.
GÓMEZ-PÉREZ, A.; FERNÁNDÉZ, M.; DE VICENTE, A. : Towards a Method
to Conceptualize Domain Ontologies. In: Working Notes of the Workshop
Ontological Engineering, ECAI 1996.
GOMEZ-PEREZ, A.: Evaluation of ontologies. In R. R. Yager (Hrsg.):
International Journal of Intelligent Systems 16 (3). Special Issue on
Verification and Validation in Databases, Knowledge Based Systems, and
Ontologies. London: John Wiley & Sons 2001, S. 391-409.
GRUBER, T. R.: A Translation Approach to Portable Ontology Specification.
Knowledge Acquisition 5, 1993.
GRÜNINGER, M.; FOX, M. S.: Methodology for the Design and Evolution of
Ontologies. IJCAI-95 Workshop on Basic Ontological Issues in Knowledge
Sharing. Montral (Cananda): 1995.
GUARINO, N.; WELTY, C.: Towards a methodology for ontology-based
model engineering. In: Proceedings of ECOOP-2000 Workshop on Model
Engineering. Cannes (France): 2000.

Literaturverzeichnis 94
Guarino+00b
Guarino+02
Holsapple+02
Jones+98
KBSI-94
Motta98
Noy01
O´Neil+01
Schnurr+00
Smith98
Uschold+95
Uschold+96b
GUARINO, N.; WELTY, C.: A Formal Ontology of Properties. In R. Dieng
and O. Corby (Hrsg.): Knowledge Engineering and Knowledge Management.
Methods, Models and Tools. 12th International Conference, EKAW
2000. Berlin: Springer 2000, S. 97-112.
GUARINO, N.; WELTY, C.: Evaluating Ontological Decisions with Onto
Clean. In: Communications of the ACM 45 (2), 2002; S. 61-65.
HOLSAPPLE, C. W.; JOSHI, K.D.: A Collaborative Approach to Ontology
Design. In: Communications of the ACM 45 (2), 2002; S. 42-47.
JONES, D.; BENCH-Capon, T.; Visser, P.: Methodologies for Ontology
Development. In: Proceedings of IT&KNOWS Conference of the 15th IFIP
World Computer Congress. Budapest: Chapman-Hall 1998.
KNOWLEDGE BASED SYSTEMS, INC.: The IDEF5 Ontology Description
Capture Method Overview. Texas (USA): KBSI Report 1994.
MOTTA, E.: An Overview of the OCML Modelling Language. In: Proceedings
of the 8 th Workshop on Knowledge Engineering: Methods &
Languages KEML 98. Karlsruhe: 1998.
NOY, N. F.: Ontology Engineering for the Semantic Web and Beyond.
Semantic Web Working Symposium Tutorial. California, USA: Stanford
University 2001.
O´NEIL, P.; O´NEIL, E.: Database. Principles, Programming, and Performance.
2 Aufl. Boston: Morgan Kaufmann Publishers 2001.
SCHNURR, H.-P. U. A.: On-To-Knowledge Methodology – Baseline Version.
Karlsruhe: On-To-Knowledge Consortium 2000.
SMITH, B.: Basic Concepts of Formal Ontology. In N. Guarino (Hrsg.):
Formal Ontology in Information Systems. Proceedings of FOIS98. Amsterdam:
IOS Press 1998.
USCHOLD, M.; KING, M.: Towards a Methodology for Building Ontologies.
IJCAI-95 Workshop on Basic Ontological Issues in Knowledge Sharing.
Montreal (Canada): 1995.
USCHOLD, M. U.A.: The Enterprise Ontology. Knowledge Engineering
Review 11(2), 1996.
Kapitel C
Aitken+00
Bateman+95
Benjamins+98
Borgo+97
AITKEN, S.; REID, S.: Evaluation of an Ontology-Based Information
Retrieval Tool. In: Proceedings of ECAI'00 Workshop on Applications of
Ontologies and Problem-Solving Methods, 2000.
BATEMAN, J. A.; MAGNINI, B.; FABRIS, G.: The Generalized Upper Model
Knowledge Bare. Organization and Use. In N. Mars (Hrsg.): Towards Very
Large Knowledge Bases. Knowledge Building and Knowledge Sharing.
Amsterdam: IOS Press 1995.
BENJAMINS, V. R.; FENSEL, D.: The Ontological Engineering Initiative
(KA) 2 . In N. Guarino (Hrsg.): Formal Ontology in Information Systems.
Proceedings of FOIS98. Amsterdam: IOS Press 1998.
BORGO, S. U. A.: Using a Large Linguistic Ontology for Internet-Based
Retrieval of Object-Oriented Components. In Proceedings of 1997
Conference on Software Engineering and Knowledge Engineering. Snokie
(USA), 1997.

Literaturverzeichnis 95
Borst97
BORST, W. N.: Construction of Engineering Ontologies for Knowledge
Sharing and Reuse. Enschede, Diss. 1997.
Burkhard00 BURKHARD, H.-D.: Software-Agenten. In: (Görz+00a), Kapitel 24; S. 941-
1018.
Bylander+88
Campell+98
Clason76
Cui+00
Cui+01
DIN 1463
Elkan+93
Falasconi+96
Fellbaum98
Finin+97
FIPA-97
FIPA-98
Gangemi+98
Gaus98
Greengrass00
BYLANDER, T.; CHANDRASEKARAN, B.: Generic tasks in knowledge-based
reasoning. The right level of abstraction for knowledge acquisition. In B.
Gaines, J. Boose (Hrsg.): Knowledge Acquisition for Knowledge Based
Systems. Vol. 1 London: Academic Press 1988.
CAMPELL, A. E.; SHAPIRO, S. C.: Algorithms for Ontological Mediation.
Technical Report 98-03, Dep. of CS and Engineering, State Univ. of New
York at Buffalo, 1998.
CLASON, W. E.: Elsevier´s Dictionary of Library Science, Information and
Documentation. Amsterdam: Elsevier 1976.
CUI, Z.; O´BRIEN, P.: Domain Ontology Management Environment. In:
Proceedings of the 33rd Hawaii International Conference on System
Sciences, 2000.
CUI, Z. ; JONES, D.; O´BRIEN P.: Issues in Ontology-based Information
Integration. In: Proceedings of the IJCAI01 Workshop on E-Business and
the Intelligent Web, Seattle (USA) 2001.
DIN 1463, TEIL 1: Erstellung und Entwicklung von Thesauri. Einsprachige
Thesauri. Berlin: Beuth 1988 (12 S.).
ELKAN, C.; GREINER, R.: Book Review. Building Large Knowledge Based
Systems. Representation and Inference in the CYC Project. Artificial
Intelligence (61), 1993.
FALASCONI, S.; LANZOLA, G.; STEFANELLI, M.: Using Ontologies in Multi-
Agent Systems. In: Proceedings of the 10th Knowledge Acqisition for
Knowledge-Based Systems Workshop KAW´96. Banff (Canada): 1996.
FELLBAUM (HRSG.): WordNet. An Electronic Lexical Database. Cambridge
(USA), London: MIT Press 1998.
FININ, T.; LABROU, Y.; MAYFIELD, J.: KQML as an agent communication
language. In J. Bradshaw (Hrsg.): Software Agents. Cambridge (USA),
London: MIT Press 1997.
FIPA: Agent Communication Language Specification. Foundation for
Intelligent Physical Agents, Genf 1997.
unter: www.fipa.org/specs/fipa00003/ (04.09.2002).
FIPA: Ontology Service Specification. Foundation for Intelligent Physical
Agents, Genf 1998.
unter: www.fipa.org/specs/fipa00006/ (04.09.2002).
GANGEMI, A.; PISANELLI, D. M.; STEVE, G.: Ontology Integration. Experiences
with Medical Terminologies. In N. Guarino (Hrsg.): Formal Ontology
in Information Systems. Proceedings of FOIS98. Amsterdam: IOS Press
1998.
GAUS, W.: Dokumentations- und Ordnungslehre. Theorie und Praxis des
Information Retrieval. 3 Aufl. Berlin, Heidelberg: Springer 1998.
GREENGRASS, E.: Information Retrieval – A Survey. UMBC Center for
Architectures for Data-Driven Information Processing, Maryland (USA):
2000.

Literaturverzeichnis 96
Guarino97
Hindelang94
Jones98
Kashyap+96
Klinker+91
McGuinness98
Mena+00
Mena+98
Mitra+01
Mitra+99
Neches+91
Obitko01
Rodrígez00
Schnurr+01
Sheth98
Swartout+97
GUARINO, N.: Semantic Matching. Formal Ontological Distinctions for
Information Organization, Extraction, and Integration. In M. T. Pazienza
(Hrsg.) Information Extraction: A Multidisciplinary Approach to an Emerging
Information Technology. Berlin, Heidelberg: Springer 1997.
HINDELANG, G.: Einführung in die Sprechakt-Theorie. 2. Aufl. Tübingen:
Niemeyer 1994.
JONES, D.: Developing Shared Ontologies in Multi-agent Systems. In
Proceedings of the ECAI'98 Workshop on Intelligent Information Integration.
Brighton (GB) 1998.
KASHYAP, V.; SHETH, A. P.: Semantic Heterogeneity in Global Information
Systems. The Role of Metadata, Context and Ontologies. In M.
Papazoglou, G. Schlageter (Hrsg.): Cooperative Information Systems.
Current Trends and Applications, 1996.
KLINKER, G. U.A.: Usable and reusable programming constructs. In:
Knowledge Acquisition (3), 1991.
MCGUINNESS, D. L.: Ontological Issues for Knowledge-Enhanced Search.
In N. Guarino (Hrsg.): Formal Ontology in Information Systems. Proceedings
of FOIS98. Amsterdam: IOS Press 1998.
MENA, E. U. A.: OBSERVER. An Approach for Query Processing in Global
Information Systems based on Interoperation across pre-existing
Ontologies. In: International Journal on Distributed and Parallel Databases,
Vol. 8, No. 2, pp. 223-271, April 2000.
MENA, E. U. A.: Domain Specific Ontologies for Semantic Information
Brokering on the Global Information Infrastructure. In N. Guarino (Hrsg.):
Formal Ontology in Information Systems. Proceedings of FOIS98. Amsterdam:
IOS Press 1998.
MITRA, P.; WIEDERHOLD, G.; DECKER, S.: A Scalable Framework for the
Interoperation of Information Sources. In: Proceedings of the First
Semantic Web Working Symposium SWWS´01. Stanford University 2001;
S. 317-330.
MITRA, P, WIEDERHOLD, G.; JANNINK J.: Semi-automatic integration of
knowledge sources. In: Proceedings of the 2 nd International Conference on
Information FUSION´99, 1999.
NECHES, R. U. A.: Enabling Technology for Knowledge Sharing. AI Magazine
12 (3), 1991.
OBITKO, M.: Ontologies. Descriptions and Applications. Research Report
No. 126/01, Gerster Laboratory for Intelligent Decision Making and
Control, Czech Technical University. Prag: 2001.
RODRÍGEZ, M. A.: Assessing Semantic Similarity among Spatial Entity
Classes. University of Maine, Diss. 2000.
SCHNURR, H.-P. U.A.: Ontologiebasiertes Wissensmanagement – ein
umfassender Ansatz zur Gestaltung des Knowledge Life Cycle. Karlsruhe:
2001.
SHETH, A. P.: Changing Focus on Interoperability in Information Systems.
Form System, Syntax, Structure to Semantics. In M. F. Goodschild u. a.
(Hrsg): Interoperating Geographic Information Systems. Kluwer 1998.
SWARTOUT, W. R.: Towards Distributed Use of Large-Scale Ontologies. In:
AAAI-97 Spring Symposium on Ontological Engineering. Stanford University,
1997.

Literaturverzeichnis 97
Uschold+98
Uschold+99
vanHeijst+97
Visser+98
Wache+01
Wiederhold94
USCHOLD, M. U. A.: Ontology Reuse and Application. In N. Guarino
(Hrsg.): Formal Ontology in Information Systems. Proceedings of FOIS98.
Amsterdam: IOS Press 1998.
USCHOLD, M.; JASPER, R.: A Framework for Understanding and Classifying
Ontology Applications. In V. R. Benjamins u. a. (Hrsg.): Proceedings
of the IJCAI-99 Workshop on Ontologies and Problem-Solving-
Methods. Stockholm 1999.
VAN HEIJST, G.; SCHREIBER, A. TH.; WIELINGA, B. J.: Using Explicit
Ontologies in KBS Development. In: International Journal of Human-
Computer-Studies (45), 1997.
VISSER, P. R. S. U. A.: Assessing Heterogeneity by Classifying Ontology
Mismatches. In N. Guarino (Hrsg.): Formal Ontology in Information
Systems. Proceedings of FOIS98. Amsterdam: IOS Press 1998.
WACHE, H. U. A.: Ontology-Based Information Integration – A Survey of
Existing Approaches. In: Proceedings of the Workshop Ontologies and
Information Sharing. IJCAI 2001.
WIEDERHOLD, G.: Interoperation, Mediation, and Ontologies. In: Proceedings
of the International Symposium for Fifth Generation Computer
Systems, Workshop on Heterogeneous Cooperative Knowledge Bases.
Tokyo 1994.
Kapitel D
Beckett02
Berners-Lee00a
Berners-Lee98
BECKETT, D.: RDF/XML Syntax Specification (Revised). W3C Working
Draft: 2002.
unter: www.w3.org/TR/rdf-syntax-grammar/ (25.09.2002).
BERNERS-LEE, T.: Semantic Web on XML. Vortragsfoliensatz zur XML-
Conference 2000, Washington DC: 2000.
unter: www.w3.org/2000/Talks/1206-xml-2k-tbl/Overview.html (08.06.02).
BERNERS-LEE, T.: Web-Architecture from 50.000 feet. W3C: 1998. letzter
Update: 25.02.2002.
unter: www.w3.org/DesignIssues/Architecture.html (26.09.2002).
Berners-Lee98a BERNERS-LEE, T.: What the Semantic Web can represent. W3C: 1998.
unter: www.w3.org/DesignIssues/RDFnot.html (26.09.2002).
Berners-Lee98b BERNERS-LEE, T.: Semantic Web Road map. W3C, Draft: 1998.
unter: www.w3.org/DesignIssues/Semantic.html (26.09.2002).
Bray+00
Bray+99
Brickley+00
Dean+02
BRAY, T. U. A.: Extensible Markup Language (XML) 1.0. Second Edition.
W3C Recommendation: 2000.
unter: www.w3.org/TR/REC-xml (25.09.2002).
BRAY, T.; HOLLANDER, D.; LAYMAN, A.: Namespaces in XML. W3C Recommendation:
1999.
unter: www.w3.org/TR/1999/REC-xml-names-19990114/ (04.10.2002).
BRICKLEY, D.; GUHA, R. V.: Resource Description Framework (RDF)
Schema Specification 1.0. W3C Candidate Recommendation: 2000.
unter: www.w3.org/TR/2000/CR-rdf-schema-20000327/ (26.09.2002).
DEAN. J. U. A.: OWL Web Ontology Language 1.0. Reference. W3C Working
Draft: 2002.
unter: www.w3.org/TR/owl-ref/ (25.09.2002).

Literaturverzeichnis 98
Decker+00
Ding+01
Fallside01
Fensel+01
Fensel+02
Gómez-Pérez+02
DECKER, S. U. A.: The Semantic Web. The Roles of XML and RDF. In:
IEEE Internet Computing. (5) 2000; S. 2-13.
DING, Y.; FENSEL, D.: Ontology Library Systems. The key to successful
Ontology Re-Use. In: Proceedings of the First Semantic Web Working
Symposium. California, USA: Stanford University 2001; S. 93-112.
FALLSIDE, D. C.: XML Schema Part 0: Primer. W3C Recommendation:
2001.
unter: www.w3.org/TR/xmlschema-0/ (04.10.2002).
FENSEL, D. U. A.: OIL. An Ontology Infrastructure for the Semantic Web.
In: IEEE Intelligent Systems (2) 2001; S. 38-45.
FENSEL, D.; BUSSLER, C.; MAEDCHE, A.: Semantic Web Enabled Web
Services. In: Proceedings of the 1 st International Semantic Web Conference
(ISWC02). Sardinia (Italien): 2002; S. 1-2.
GÓMEZ-PÉREZ, A.; CORCHO, O.: Ontology Languages for the Semantic
Web. In: IEEE Intelligent Systems (1) 2002; S. 54-60.
Hayes02 HAYES, P.: RDF Model Theory. W3C Working Draft: 2002.
unter: www.w3.org/TR/rdf-mt/ (25.09.2002).
Heflin+00
Heflin+02
Hendler+00
Horrocks+01
HEFLIN, J.; HENDLER, J.: Dynamic ontologies on the Web. In: Proceedings
of the 17 th National Conference on Artificial Intelligence (AAAI-2000).
Menlo Park (California): AAAI/MIT Press 2000; S. 443-449.
HEFLIN, J.; VOLZ, R.; DALE, J.: Requirements for a Web Ontology Language.
W3C Working Draft: 2002.
unter: www.w3.org/TR/webont-req/ (25.09.2002).
HENDLER, J.; MCGUINESS, D. L.: The DARPA Agent Markup Language.
In: IEEE Intelligent Systems Trend and Controversies 2000.
HORROCKS, I.; VAN HARMELEN, F.: Reference Description of the DAML+
OIL Ontology Markup Language. DAML Program: Draft Report 2001.
unter: www.daml.org/2000/12/reference.html (12.07.2002).
Jacobs00 JACOBS, I.: About the World Wide Web Consortium (W3C). W3C: 2000.
unter: www.w3.org/Consortium/ (01.10.2002).
Karp+99
Kashyap01
KARPD, R.; CHAUDHRI, V.; THOMERE, J.: XOL. An XML-Based Ontology
Exchange Language. Version 0.4: 1999.
unter: www.ai.sri.com/~pkarp/xol (24.06.2002).
KASHYAP, V.: Report on the „Interoperation, Integration, and Composition”
track. In I. F. Cruz (Hrsg.): International Semantic Web Working Symposium
(SWWS). Chicago, University of Illinois at Chicago: 2001; S. 24-
27.
Kent98 KENT, R.: Conceptual Knowledge Markup Language (Version 0.2). 1998.
unter: www.ontologos.org/CKML/CKML%200.2html (24.06.2002).
Kim02
Klein+01
Klein+02
KIM, H.: Predicting how Ontologies for the Semantic Web will evolve. In:
Communications of the ACM 45 (2), 2002: S. 48-54.
KLEIN, M.; FENSEL, D.: Ontology Versioning on the Semantic Web. In:
Proceedings of the First Semantic Web Working Symposium. California,
USA: Stanford University 2001; S. 75-92.
KLEIN, M. U. A.: Ontology versioning and change detection on the web. In:
Proceedings of the 13th Conference on Knowledge Engineering and
Knowledge Management (EKAW02). Siguenza (Spanien): 2002.

Literaturverzeichnis 99
Koivunen+01
Lassila+99
Luke+00
Maedche+01
Maedche+02
KOIVUNEN, M.-R.; MILLER, E.: W3C Semantic Web Activity. In: Proceedings
of the Semantic Web Kick-off Seminar in Finland. Helsinki: 2001.
unter: www.w3c.org/2001/12/semweb-fin/w3csw (25.09.2002).
LASSILA, O.; SWICK, R. R.: Resource Description Framework (RDF) Model
and Syntax Specification. W3C Recommendation: 1999.
unter: www.w3.org/TR/REC-rdf-syntax/ (25.09.2002).
LUKE, S.; HEFLIN, J.: SHOE 1.01 Proposed Specification. SHOE Project:
2000.
unter: www.ca.umd.edu/projects/plus/SHOE/spec1.01.html (24.06.2002).
MAEDCHE, A.; STAAB, S.: Learning Ontologies for the Semantic Web. In:
Proceedings of the Semantic Web Workshop. Hong Kong: 2001.
MAEDCHE, A. U. A.: MAFRA – A MApping FRAmework for Distributed
Ontologies in the Semantic Web. In: Proceedings of the Workshop on
Knowledge Transformation for the Semantic Web at the 15 th European
Conference on Artificial Intelligence ECAI02. Lyon (Frankreich): 2002; S.
59-67.
Manola+02 MANOLA, F.; MILLER, E.: RDF Primer. W3C Working Draft: 2002.
unter: www.w3.org/TR/2002/WD-rdf-primer-20020319/ (25.09.2002).
McGuiness+02
Miller01
Noy+99
Noy+00
Patel-Schneider+02
Tuttle+01
Uschold01
Visser+00
Wrobel+00
MCGUINESS, D. L.; VAN HARMELEN, F.: Feature Synopsis for OWL Lite
and OWL. W3C Working Draft: 2002.
unter: www.w3.org/TR/2002/WD-owl-features-20020729/ (25.09.2002).
MILLER, E.: The Semantic Web Activity Statement. W3C, 2001. letzter
Update: 24.04.2002.
unter: www.w3.org/2001/sw/Activity (25.09.2002).
NOY, N. F.; MUSEN, M. A.: An Algorithm for Merging and Aligning Ontologies.
Automation and Tool Support. In: Proceedings of the Workshop on
Ontology Management at the 16 th National Conference on Artificial Intelligence
(AAA-99). Orlando, Florida (USA): AAAI Press 1999.
NOY, N. F.; MUSEN, M. A.: PROMPT. Algorithm and Tool for Automated
Ontology Merging and Alignment. In: Proceedings of the 17 th National
Conference on Artificial Intelligence (AAAI-2000). Menlo Park (California):
AAAI/MIT Press 2000.
PATEL-SCHNEIDER, P. F., HORROCKS, I.; VAN HARMELEN, F.: OWL Web
Ontology Language 1.0. Abstract Syntax. W3C Working Draft: 2002.
unter: www.w3.org/TR/2002/WD-owl-absyn-20020729/ (25.09.2002).
TUTTLE, M. S.; MCGUINESS, D. L.: Report on the „Ontologies and Ontology
Maintenance“ track. In I. F. Cruz (Hrsg.): International Semantic Web
Working Symposium (SWWS). Chicago, University of Illinois at Chicago:
2001; S. 21-23.
USCHOLD, M.: Where is the Semantics in the Semantic Web? In: Proceedings
of the Workshop on Ontologies in Agent Systems (OAS), 5th
International Conference on Autonomous Agents, 2001.
VISSER, U.; SCHUSTER, G.: Semantic Web Services. A Practical Solution.
In: Proceedings of the Ontologies and Semantic Interoperability at the 15 th
European Conference on Artificial Intelligence ECAI02. Lyon (Frankreich):
2002.
WROBEL, S.; MORIK, K.; JOACHIMS, T.: Maschinelles Lernen und Data
Mining. In: (Görz+00a) Kapitel 14, S. 517-598.