1 / 43

Bases de datos deductivas y algunas aplicaciones

Bases de datos deductivas y algunas aplicaciones. Rubén Darío Dorado Sánchez Universidad Nacional de Colombia. Outline. Introducción Bases de datos deductivas Aplicación 1: medicina Aplicación 2: semantic web Alcances y Futuro Conclusiones Bibliografía. Bases de datos deductivas.

gamba
Download Presentation

Bases de datos deductivas y algunas aplicaciones

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Bases de datos deductivas y algunas aplicaciones Rubén Darío Dorado Sánchez Universidad Nacional de Colombia

  2. Outline • Introducción • Bases de datos deductivas • Aplicación 1: medicina • Aplicación 2: semantic web • Alcances y Futuro • Conclusiones • Bibliografía

  3. Bases de datos deductivas • BDD = base de datos que puede hacer deducciones basándose en las reglas y conocimiento guardado.

  4. Introducción • Existen aplicaciones que no se ajustan a bases de datos relacionales. • Bases de datos deductivas: gran poder deductivo.

  5. Bases de datos deductivas • Características: • Reglas (Rules) y hechos (Facts) • Prolog • Motor de inferencia -> Deduce nuevos hechos y reglas a partir de los datos.

  6. Bases de datos deductivas • Intersección de tecnologías: Bases de datos, Programación lógica y sistemas expertos • Sistemas Expertos vs Bases de datos deductivas

  7. Bases de datos deductivas • Sistemas Expertos -> Experto • Bases de datos deductivas -> Buscan el conocimiento en los datos

  8. Bases de datos deductivas • Datalog: • Lenguaje estándar • Subconjunto de Prolog • Prolog: colección de formulas lógicas (axiomas). • Interprete de Prolog = probador de teoremas.

  9. Bases de datos deductivas • Horn clauses: subconjunto de Cálculo Predicado de Primer Orden. • Constante: a, pedro, 42, “Texto” • Variable: X, _, Hijo, _Variable • Funciones: funcion(a,b,c) • Término (term): constante, variable o función

  10. Bases de datos deductivas • Ejemplos: Movie = (title, year, length, inColor, studioName, producerNo) <starWars,1977,124,true,fox,12> SQL: INSERT INTO movie (title, year, length, inColor, studioName, producerNo) VALUES (‘starWars’, 1977, 124, true, ‘fox’, 12); DATALOG: movie( starWars, 1977, 124, true, fox, 12).

  11. Bases de datos deductivas • Operaciones en BDD • SELECT codigo=25587(student) SQL: SELECT * FROM student WHERE codigo = ‘25587’ DATALOG: student(25587, name, …)?

  12. Bases de datos deductivas • Operaciones en BDD • PROYECCIÓN nombre(student) SQL: SELECT nombre FROM student DATALOG: nombres(Nombre) :- student(_, Nombre, _, …). nombres(Nombre)?

  13. Bases de datos deductivas • Operaciones en BDD • JOIN student course SQL: SELECT * FROM student, course WHERE student.codigo = course.cod_est DATALOG: student(Cod_Est, Name, …),course(Course, Cod_Est, …)? course = cod_est

  14. Bases de datos deductivas • REGLAS Y DEDUCCIÓN • Deducir reglas a partir de la base de conocimiento. • Deducir nuevas reglas a partir de las reglas.

  15. Bases de datos deductivas • Ejemplo: animal(Nombre,Dientes,Tipo_Piel,Num_Patas,Domestico). animal(perro,si,pelo,4,si). animal(gato,si,pelo,4,si). animal(serpiente,si,piel,0,si). animal(sapo,no,piel,4,si). animal(leon,si,pelo,4,si).

  16. Bases de datos deductivas util(Animal) := animal(Animal,_,pelo,_,_). rapido(Animal) := animal(Animal,_,_,4,_). peligroso(Animal) := animal(Animal,si,_,_,_). valioso(Animal) := util(Animal), rapido(Animal), peligroso(Animal).

  17. Aplicación 1: healthcare • Using RDF and Deductive Databases for Knowledge Sharing in healthcare Fabiane Bizinella Nardon, Lincoln de Assis Moura Jr y Beatriz de Faria Leao. 2003.

  18. Aplicación 1: healthcare • Problema: Compartir información médica. Varios entes médicos: hospitales, clínicas, etc. -> Heterogeneidad.

  19. Aplicación 1: healthcare • Problemas específicos • Representación de la información médica • Consultas a esta información no trivial.

  20. Aplicación 1: healthcare • Enfoque propuesto: • RDF/DAML+OIL: Compartir e intercambiar información (UMLS) • Base de datos deductiva: inferir y consultar la base de conocimientos

  21. Aplicación 1: healthcare • TRI-DEDALO (TRIples, Deduction, DAta and LOgic) • Operaciones: negation, aggregate functions, arithmetic operations, disjunction, comparison, updating and fuzzy reasoning.

  22. Aplicación 1: healthcare • Inserción de la información: e.g. RDF -> BD Traducción de Ontologías a la BDD. DAML+OIL sameClassAs: stm(x,rdf:type,y) := stm(x,rdf:type,z), stm(z,daml:sameClassAs,y).

  23. Aplicación 1: healthcare • Consultas al sistema (ejemplos): • query(patient?x) :- statement(subject?x, predicate?<http//:sample.com#assignedDoctor>, object?<mailto:smith@samplehospital.com.br>) Devuelve los pacientes asignados al doctor Smith.

  24. Aplicación 1: healthcare • patientsWithCancer(patient?x) :- statement(subject?x, predicate?<http://sample.com#diagnosis>, object?<http://sample.com#cancer>) Devuelve los pacientes con diagnostico de cáncer.

  25. Aplicación 1: healthcare • xmlns:sh=<http://www.samplehospital.com.br#>. patientsOlderThan18(patient?x) :- patients(name?x, age?y), y > 18. query(name?y):-stm(s?x,p?sh:assignedDoctor, object?<mailto:smith@samplehospital.com.br>), stm(s?x,p?sh:name,o?y), not(patientsOlderThan18(patient?y)). • Define el espacio sh con dos reglas: los pacientes asignados al Doctor Smith y mayores de 18 años.

  26. Aplicación 1: healthcare • xmlns:voc=<http://www.avocabulary.org.br#>. xmlns:sh=<http://www.samplehospital.com.br#>. stm(x,sh:diagnosis,voc:cancer):- stm(x,sh:diagnosis,y), stm(y,voc:isa,voc:cancer). Deriva información con los datos x tiene diagnóstico de cáncer y y tiene una relación “is a” con el concepto cáncer.

  27. Aplicación 2: semantic web • An Intelligent Database application for the Semantic Web Hussien H. Aly, Amr F. ElHelw. Alexandria, EGYPT.

  28. Aplicación 2: semantic web • Problema: Obtener información de datos no estructurados. e.g. internet.

  29. Aplicación 2: semantic web • Aplicación propuesta: Obtener información para ser analizada por una base de datos deductiva aprovechando el potencial de la web semántica.

  30. Aplicación 2: semantic web • Escenario de prueba: obituarios y avisos de muertes en periódicos. • Contienen información tanto explícita como implícita.

  31. Aplicación 2: semantic web • Arquitectura: • Data transformer • Data collector • Inference rules editor • Query tool

  32. Aplicación 2: semantic web • Arquitectura:

  33. Aplicación 2: semantic web • Escenario de prueba: • Data transformer: toma los datos no estructurados (texto). Parámetro: muerte. Resultado XML:

  34. Aplicación 2: semantic web <?xml version=“1.0”?> <doc> <persons> <person ID=“1” gender=“Female” name=“Amina Rogers”/> … </persons> <relations> <relation type=“mother” subjID=“1” objID=“2”/> … </relations> </doc>

  35. Aplicación 2: semantic web • Data Collector: Toma el XML generado, lo analiza e inserta en la base de datos. No repite datos. Análisis de los datos procesados.

  36. Aplicación 2: semantic web • The inference rules Reglas de las que se puede inferir información:

  37. Aplicación 2: semantic web • Issuing queries Preguntas posibles: • La esposa de Sherine es Mahomoud. • Lista de hijos de Amina. • ¿Cuál es la relación entre Safwat y manal?

  38. Alcances y Futuro • Deductive Databases: Achievements and Future Directions Jeffrey D. Ullman. Standford University. Carlo Zaniolo. MCC. 1990.

  39. Alcances y Futuro • Motivación de las BDD = Problemas en las BD Relacionales • Representación de objetos complejos (estructuras químicas, e.g. genoma humano) • Estructuras recursivas(Glyph contiene glyph) • Representación de componentes activos • Representación de consultas ad-hoc

  40. Alcances y Futuro • Programación declarativa

  41. Alcances y Futuro • Aplicaciones actuales: • LDL • Otras: • XSB • SWI-Prolog

  42. Alcances y Futuro • Direcciones Futuras Suficiente madurez para aplicaciones comerciales. Trabajo futuro: mezcla con paradigma OO. Nueva generación de BDD.

  43. Bibliografía • An Intelligent Database Application for the Semantic Web. Hussien H. Aly y Amr F. El-Helw. 2005. • Using RDF and Deductive Databases for Knowledge Sharing in Healthcare. Fabiane Nardon, Linciln Moura and Beatriz Leao. 2003. • Deductive Databases: Achievements and Future Directions. Jeffrey D. Ullman. 1990. • Inteligencia artificial: un enfoque moderno. Stuart Rusell y Peter Norvig. 2004. • Deductive Databases and their Applications. Robert M. Colomb. 1998. • Bases de Datos. James L. Jhonson. 2000.

More Related