Friday, May 13, 2016

แนวทางการพัฒนา ไทยออนโทโลยี (Thai Ontology)

แนวทางการพัฒนา ไทยออนโทโลยี (Thai Ontology)

อยู่ในแวดวงออนโทโลยีมากกว่า 10 ปี ยังไม่มีความอยากที่จะพัฒนาออนโทโลยีสำหรับภาษาไทย แต่ตอนนี้มีงานวิจัยของนักศึกษาที่กำลังทำเกี่ยวกับภาษาไทย จึงจำเป็นต้องดูสักหน่อย  เหตุผลแรกที่ไม่คิดอยากจะทำคือ ภาษาไทยเป็นภาษาที่ยาก  คำในภาษามีหลายลักษณะ มีการใช้งานที่หลากหลายซึ่งนำไปสู่ความหมายที่แตกต่างกัน  ถ้าจะแสดงด้วยออนโทโลยีแบบ Lightweight Ontology (แบบอย่างง่าย) ทีมีการกำหนดความสัมพันธ์ของคำด้วย is-a relationship คงจะไม่เพียงพอ  เช่น  รถยนต์ เป็น (is-a) ยานพาหนะ  ซึ่งในการแสดงความหมายคำว่า รถยนต์ มีความหมายแคบหรือเฉพาะเจาะจงมากกว่าคำว่า ยานพาหนะ และในทางกลับกันยานพาหนะคือคำที่มีความหมายกว้าง  ในทฤษฎีเชิงความหมาย  รถยนต์ คือ Specific concept ของ ยานพาหนะ ในทางกลับกัน ยานพาหนะ คือ Generic concept ของรถยนต์

Semantics ของคำในภาษาไทย
Semantics ของคำในภาษาไทย  การตีความหมายยากมากๆ อาจต้องดูทั้งประโยค แล้วประโยคที่เกี่ยวข้องก่อนหน้าและประโยคถัดไป  เช่น ไก่หลงในผับ  จะตีความว่าเป็นไก่ (ซึ่งเป็นสัตว์) อยู่ในผับก็คงไม่ได้  ต้องไปศึกษาคำอุปมาอุปมัน หรือคำเปรียบเทียบ จึงจะตีความได้ถูก นอกจากนั้นยังมีคำพ้องรูป (เขียนเหมือนกันความหมายต่างกันและอาจจะอ่านต่างกัน)  คำพ้องความหมายเขียนต่างกันแต่ความหมายเหมือนกัน (ในภาษาอังกฤษเรียกว่า Thesaurus)
คำพ้องรูปเช่น  เพลา ที่แปลว่าก้านบังคับขับเคลื่อนล้อ หรือ เพลา (เพ-ลา) ที่แปลว่า กาล
คำพ้องความหมาย เช่น  ตาย  หมดกรรม  สิ้นใจ  อสัญกรรม ทุกคำมีความหมายแสดงถึงคนตาย แต่มีการใช้ในบริบทที่แตกต่างกันกับสถานะของบุคคล หรือใช้เพื่อแสดงอารมณ์สะเทือนใจ  
คำที่มีการสลับตำแหน่ง ก็จะมีความหมายต่างกัน  เช่น หายใจ  กับ  ใจหาย
ความหมายของคำในภาษาไทย เปลี่ยนแปลงได้ตามการนำไปใช้ เหมือนที่ยกตัวอย่าง (ไก่) การตัดคำก็มีผลต่อการคัดสรรคำที่เหมาะสมเพื่อนำไปตีความ  เช่น จะตัดคำว่า "ไก่หลง" หรือ "ไก่" และ "หลง"  หรือ ตัดคำว่า "หายใจ" หรือ "หาย" กับ "ใจ"  และถ้านำคำเหล่านี้ไปสร้างประโยคต่อ ก็จะสื่อความหมายต่างกันหรือนำไปสู่ความกำกวมของการตีความก็ได้  ดังนั้นการจะตีความได้ดี การตัดคำก็มีผลไม่ใช่น้อย  การตีความจำเป็นที่จะต้องพิจารณาความหมายของคำ  พิจารณาไวยากรณ์ของประโยค  แต่ก็ยังไม่พอเพียงในการตีความหมาย  จำเป็นที่จะต้องวิเคราะห์คำที่ประกอบกันเป็นรูปประโยคนั้น หรือคำข้างเคียงของประโยค และความหมายอาจมาจากประโยคหรือมาจาก คำ หรือ วลีหรือกลุ่มคำ ก็ได้

การตีความแตกต่างจากการแปลอย่างไร ? 
อาจกล่าวได้ว่า การตีความ คือ การหาความหมายที่จะสื่อความเข้าใจของข้อความซึ่งอาจจะเป็นภาษาพูดหรือเขียนก็ได้  ในภาษาไทยภาษาพูดหรือภาษาเขียนไม่ใช่เรื่องที่จะแยกแยะออกจากกันได้เสมอไป
ดังนั้นการตีความ จะต้องวัดความเข้าใจของผู้รับ (ผู้อ่านหรือผู้ฟัง)  การแปลจัดว่าเป็นการแปลงข้อความจากภาษาหนึ่งให้เป็นอีกภาษาหนึ่ง  ซึ่งอาจจะไม่ได้พิจารณาความถูกต้องของความหมายมากนัก เราอาจสังเกตได้ว่า Google Translator ทำไมถึงแปลข้อความภาษาไทยผิดๆ ก็เพราะการแปลของ Google Translator ยังทำได้เพียงระดับของ Semantic Mapping คือการจับคู่คำด้วยการพิจารณาความหมายจากคำแปลในพจนานุกรมเป็นหลัก  เช่น ไก่ จับคู่กับ  Chicken

WordNet กับความเป็นไปได้ในการพัฒนา ไทยออนโทโลยี
 WordNet เป็นออนโทโลยีที่นักภาษาศาสตร์ได้สร้างขึ้นเพื่อการกำหนดความหมายของคำในภาษาอังกฤษ  ถ้าคนที่สนใจเข้าไปศึกษาจะเห็นว่า ความสัมพันธ์ของคำที่กำหนดใน WordNet นั้น ไม่เพียงพอที่จะนำมาใช้สร้างออนโทโลยีภาษาไทย  หรือจะสรุปได้ง่ายๆว่า  ถ้าจะทำออนโทโลยีภาษาไทย จะต้องสร้างออนโทโลยีที่ซับซ้อนมากกว่า WordNet  ค่อนข้างมาก แต่ออนโทโลยีของภาษาไทย ควรมีลักษณะที่มากกว่าออนโทโลยี WordNet หรือมีการกำหนดความสัมพันธ์ที่มากกว่า

หากจะพูดถึงการตีความหมายโดยใช้แพทเทิร์น ซึ่งอาจจะสร้างจากไวยากรณ์ของภาษา  ผู้เขียนคิดว่ามันก็คงยังไม่สามารถตีความได้ดีนัก  จะต้องพิจารณาคุณลักษณะของคำ ที่ถูกนำไปใช้ในประโยคหรือรวมไปถึงบริบทรอบๆด้วย ซึ่งน่าที่จะเป็นไปได้ในการนำไปสู่การตีความที่ถูกต้อง จะเปรียบเทียบกับงานวิจัยพวก Data Mining รีวิว Emotion ของ User ในความพึงพอใจของสินค้า โดยดู Pattern ของคำ ตำแหน่งที่ปรากฎในประโยค   Semantic Interpretation อาจตีความหมายได้ดีกว่าเพราะเป็นการพิจารณา Semantics ที่มีความละเอียดกว่าซึ่งครอบคลุมเรื่องของ Pattern แต่ยังพิจารณาไปถึงคุณลักษณะของคำและความหมายที่ประกอบใน Pattern นั้น  พูดง่ายๆ แบบ Mining ประมาณว่ามีแพทเทิร์นแล้วตัดสินใจเลยว่าอันนี้หมายความแบบนี้  แต่ถ้าเป็น Interpretation แพทเทิร์นเดียวกันอาจสื่อความหมายต่างกันก็ได้ ซึ่งต้องมีการจำแนกความหมายต่อไปด้วย Logic อะไรบางอย่างที่นำไปสู่การตีความที่ถูกต้อง

บทความนี้แค่นี้ก่อนค่ะ หลังสอบปลายภาคจึงจะมาเสนอ ภาษาไทยออนโทโลยีที่ควรจะเป็น

กฤดาภัทร 
ผู้เขียน



















Sunday, May 1, 2016

ว่าด้วยเรื่อง GIS GIS...

ว่าด้วยเรื่อง GIS GIS...

ล่าสุดได้ยินหน่วยงานพูดถึง Agricultural Map ออกสื่อ คิดว่าประเทศเราคงจะตื่นตัวกันช้าไปหรือเปล่าไม่แน่ใจ  เท่าที่จำได้เคยไปอบรมการใช้ GIS เมื่อสิบปีก่อนหรือเกินกว่านั้น จากอาจารย์ผู้สอนในสถาบันแห่งหนึ่ง    แต่ไม่ค่อยได้ใส่ใจเพราะดูแล้วไม่มีอะไร  สอนการใช้ Application เพื่อสร้าง Map สร้าง Data Layer ด้วย Database  ตอนนั้นจบแค่ปริญญาโทยังคิดเลยว่ามีแค่นี้เองหรือ  รู้สึกว่าการสร้าง Database อาจเป็นเรื่องยากสำหรับคนที่ไม่ได้จบด้าน Computer Science  สมัยก่อนเป็นที่ปรึกษานักศึกษาปริญญาตรี น่าจะสักสิบกว่าปีก่อน ทำ Map เที่ยววัด  ใส่อัลกอริทึมบางอย่าง Map ตรวจวัดการติดตามควบคุมโรค (นักศึกษาทำให้กรมปศุสัตว์) ว่าแล้วก็คุ้นเคยกับ Map มาบ้าง

ทุกวันนี้ ทั่วโลกเขาพูดถึง Linked Data, Ontology การแชร์ Data สู่สาธารณะบนโลกออนไลน์ เพื่อให้ใครก็ได้เอาข้อมูลไปใช้ประโยชน์  ข้อมูลต่างๆจากหลายองค์กรถูก Integrate กัน เพื่อสร้างข้อมูลขนาดใหญ่ที่จะเอาไปวิเคราะห์  (ไม่ต้องคิดไกลไปถึง Big Data)  ข้อมูลที่ได้นำไป พลอตใน Map แชร์ระหว่างเครือข่าย  ระบบงานเป็น NoSQL (ไม่ได้ใช้ฐานข้อมูลที่ต้องใช้ SQL คิวรี)  เน้นการ Transform ข้อมูลให้ไปอยู่ในรูปแบบที่ Portable (ย้ายไปใช้ข้ามระบบได้) ได้ง่ายเข้าสู่ระบบประมวลผลที่อาจจะเป็น Cloud สังเกตุดูได้ว่ามีมาตรฐานของการแสดงข้อมูลออกมาเยอะ และใช้กันกว้างขวางมากขึ้นเช่น JSON ที่เห็นได้ชัดที่สุด แทนที่จะใช้ XML (ยุคก่อนๆ)

วกกับมาที่ประเทศไทย กับคำว่าฐานข้อมูล (แปลอีกนัยคือ ระบบรวมข้อมูลไว้เป็นส่วนกลางที่อาจไม่มีคนดูแล :) ถ้าสร้างไม่ดี Structure แย่ก็ขยายอะไรไม่ได้ แก้ไขก็ยาก)  ไม่ทราบเหมือนกันว่ามองระบบว่าอย่างไร -->   เป็นแหล่งรวมแผนที่ คนธรรมดา ชาวบ้านมาใช้งานได้  หน่วยงานอื่นใช้ข้อมูลได้ ?
ในประเทศที่พัฒนาแล้วเขา สร้าง Data ที่สามารถแชร์ได้  Portable ได้ นำไปวิเคราะห์ข้อมูลได้  โดยเฉพาะระบบ GIS  ขอยกตัวอย่างองค์กรระดับนานาชาติ  FAO, OGC, องค์กรอื่นๆของหน่วยงานด้านการเฝ้าระวังความปลอดภัย  องค์กรที่เกี่ยวกับสภาพสิ่งแวดล้อมของยุโรปและอเมริกา ต่างจัดทำข้อมูล Map เผยแพร่ในระบบออน์ไลน์เพื่อให้หน่วยงานอื่นๆสามารถนำไปใช้งานได้   ข้อมูลสามารถนำเข้าสู่ระบบ GIS เพื่อการวิเคราะห์  แต่ข้อจำกัดของระบบ GIS เองก็มี คือความไม่ยืดหยุ่นในการทำงานกับฐานข้อมูล สมมติอยากจะคิวรีหาข้อมูลอะไรบางอย่างก็ต้องมีความรู้ SQL ถ้าออกแบบฐานข้อมูลไม่ดี Map ก็คงไม่ได้ใช้งาน  ถ้าพิจารณาอย่างจริงจัง GIS ต้องการข้อมูลแบบไหน  ก็แค่ข้อมูลที่จะเอาไป Plot กราฟ  แต่สิ่งที่ทำยากกว่านั้นคือการคิวรี  การสร้างระบบที่สามารถ Query, Detect, หรือวิเคราะห์ที่อาจต้องใช้ความรู้ทางการวิเคราะห์ข้อมูลที่ล้ำลึกมากกว่า Plot ตัวเลขเชิงปริมาณออกมาที่กราฟเพียงเท่านั้น   แตะจะใช้ GIS ง่ายหรือไม่แล้วแต่ความถนัดของนักพัฒนา ถ้าผูกติดกับ ArcGIS หรือระบบ Free GIS  ก็คงต้องรู้เฟรมเวิร์คของมัน  แต่ถ้าชอบของใช้ไว ทำไว  ทำงานได้บนเว็บก็คงต้องใช้ (e.g Google Map) หรือต้องพัฒนาเอง  แต่ยังไงก็ยังรู้สึกว่าต่างประเทศทำอะไรเป็นรูปธรรมและจริงจังกัยมากกว่าบ้านเรา  เขามีเครือข่าย ประชุม คุย ทำ มีแผนงานชัดเจน ตื่นตัวร่วมกันทำ

ขอไปต่อกับ GeoSparql ขององค์กรประเทศกรีซเป็นตัวอย่างของระบบเว็บเชิงความหมายที่ทำงานกับ GIS ที่ใช้ Open Linked Data  หรือ Ontology แต่ต้องสร้างข้อมูลให้อยู่ในรูปแบบภาษา GeoSparql เพื่อนำไป Plot บน Map ขนาดค่าย Apache ยังรีบทำระบบออกมาสนับสนุน ระบบนั้นคือ Marmotta  ผุ้เขียนชอบเครืองมือประเภทนี้มาก เพราะมันใช้ข้อมูลอะไรก็ได้ ไม่ได้ยึดติดกับ Structured Data ที่อยู่ในรูปแบบฐานข้อมูล  ข้อมูลจะอยู่ในรูปแบบกราฟ (NoSQL แต่ต้อง SPARQL) มาจากแหล่งใดหนใดทั่วโลก

ทำไมต้อง GIS กับ Open Linked Data

ขอยกตัวอย่างความสำเร็จของ Ontology  และ Linked Data ออนโทโลยี คือโมเดลข้อมูลสารสนเทศ ที่กำหนดนิยามสิ่งต่างๆในโดเมน  การใช้งานในแอพพลิเคชั่นข้อมูลจะถูกบรรยายและ Parse ออกมาได้เป็นกราฟ  วัตถุประสงค์ที่สำคัญในการใช้ออนโทโลยี คือ การแชร์ข้อมูล  ซึ่งในโลกนี้ไม่มีมาตรฐานกลางของข้อมูลสำหรับสิ่งหนึ่งสิ่งใด แต่หากนำออนโทโลยีทั้งหลายมาผนวก ก็จะทำให้รู้ความหมายของสิ่งต่างๆในโดเมน และอาจนำไปสู่ข้อมูลที่เป็นกลางที่ทุกคนเข้าใจได้ซึ่งออนดโทโลยีแสดงความรู้ (knowledge) ของสิ่งต่างๆในโดเมน   ต่อมาคำว่า Linked Data เข้ามาเป็นคลื่นลูกถัดไป Linked Data มองว่าจะกำหนดความสัมพันธ์ระหว่าง Lexical Information กับความหมายอย่างไร และมุ่งประเด็นไปสู่การเชื่อมโยงข้อมูลจากหลายเครือข่าย   ซึ่งก็อาจใช้ออนโทโลยีในการบรรยายควาหมาย  ตัวอย่างง่ายๆที่เห็นได้เช่น Wikipedia มีไฮไลท์ที่ข้อความ ลิงค์ไปยัง Knowledge ที่ถูกดึงมาจากออนโทโลยี กลไกสำคัญในการดึงข้อมูลหรือสร้าง Adaptive Web มาจาก การเชื่อมโยงของข้อมูลเป็นส่วนใหญ่  หรือการสร้าง Linked Data ทุกวันนี้มี DBpedia เป็นเครือข่ายที่เชื่อมโยงข้อมูลจาก Ontology ทั้งหลายที่มีทั่วโลก
ทำไมปรารถนา Open Linked Data ก็เพราะไม่ต้องสร้างขึ้นมาเอง มีหน่วยงานระดับนานาชาติทั่วโลกปล่อยข้อมูลออกมาให้ใช้  แต่จะทำยังไงถึงจะเอาเข้ามูลเข้าระบบ GIS ได้ง่าย  นักพัฒนาอาจต้องมีความรู้เพียงพอที่จะอ่าน Metadata ของข้อมูลจากแหล่งข้อมูลทั้งหลายนั้น  แต่ในเมื่อ GIS มันมี Metadata ที่ค่อนข้างแน่นอนก็อาจจะไม่ได้ซับซ้อนอะไรมากมาย  สิ่งที่จะต้องทำคือ Import Data ไปยัง GIS และ Display พร้อมทั้ง Query และทำการวิเคราะห์ได้ใน Realtime เป็นสิ่งที่สำคัญกว่า
ยิ่งไปกว่านั้นถ้า Realtime Data (เช่น จาก IoT sensor) ถูกนำมาใช้ใน GIS ได้ ก็จะเป็นอะไรที่น่าหลงไหล มากขึ้น แต่คงมีคนทำวิจัยไปกันบ้างแล้วล่ะ

ก่อนจะไปมี Paper:  Health GIS ที่ประยุกต์ใช้ทำระบบกลางติดต่อ ArcGIS มาให้อ่านกัน เผื่อสนใจ

--กฤดาภัทร




    

Wednesday, January 20, 2016

DBLP RDF

DBLP RDF

วันนี้ทำ Research สักนิด ค้นๆดู RDF Profile ของตัวเองจาก DBLP ใส่ URI http://dblp.uni-trier.de/pers/s/Sriharee:Gridaphat  ก็จะไปหน้าผลงานวิจัยของตัวเอง



 โหลดเอกสาร RDF ก็จะได้ไฟล์ด้านล่าง สับสนเล็กน้อยกับ owl:sameAs หรือว่า RDF ของ DBLP มีหลายเวอร์ชั่น

<?xml version="1.0" encoding="US-ASCII"?>
<rdf:RDF xmlns:dblp="http://dblp.uni-trier.de/rdf/schema-2015-01-26#" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:owl="http://www.w3.org/2002/07/owl#" xmlns:dcterms="http://purl.org/dc/terms/" xmlns:foaf="http://xmlns.com/foaf/0.1" xmlns:bibtex="http://data.bibbase.org/ontology/#">
<dblp:Person rdf:about="http://dblp.uni-trier.de/pers/s/Sriharee:Gridaphat">
<owl:sameAs rdf:resource="http://dblp.org/pers/s/Sriharee:Gridaphat" />
<dblp:personLastModifiedDate>2015-09-12T03:11:13+0200</dblp:personLastModifiedDate>
<dblp:primaryFullPersonName>Gridaphat Sriharee</dblp:primaryFullPersonName>
<dblp:authorOf rdf:resource="http://dblp.uni-trier.de/rec/journals/vjcs/Sriharee15" />
<dblp:authorOf rdf:resource="http://dblp.uni-trier.de/rec/conf/ant/Sriharee15" />
<dblp:authorOf rdf:resource="http://dblp.uni-trier.de/rec/conf/aciids/RattanapanichS14" />
<dblp:authorOf rdf:resource="http://dblp.uni-trier.de/rec/conf/cse/Sriharee13" />
<dblp:authorOf rdf:resource="http://dblp.uni-trier.de/rec/conf/ictai/YajaiS12" />
<dblp:authorOf rdf:resource="http://dblp.uni-trier.de/rec/conf/ndt/Sriharee11" />
<dblp:authorOf rdf:resource="http://dblp.uni-trier.de/rec/conf/apccm/PunnarutS10" />
<dblp:coCreatorWith rdf:resource="http://dblp.uni-trier.de/pers/p/Punnarut:Ravikarn" />
<dblp:coCreatorWith rdf:resource="http://dblp.uni-trier.de/pers/r/Rattanapanich:Rittipol" />
<dblp:coCreatorWith rdf:resource="http://dblp.uni-trier.de/pers/y/Yajai:Apichet" />
<dcterms:license rdf:resource="http://www.opendatacommons.org/licenses/by/" />
</dblp:Person>
</rdf:RDF>

จาก RDF Profile ของนักวิจัย จะลิงค์ไปยังผลงานแต่ละชิ้น ลองกำหนด URI http://dblp.uni-trier.de/rec/journals/vjcs/Sriharee15 จะได้ RDF อีกไฟล์แสดงรายละเอียดผลงานในรายการนั้น

<?xml version="1.0" encoding="US-ASCII"?>
<rdf:RDF xmlns:dblp="http://dblp.uni-trier.de/rdf/schema-2015-01-26#" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:owl="http://www.w3.org/2002/07/owl#" xmlns:dcterms="http://purl.org/dc/terms/" xmlns:foaf="http://xmlns.com/foaf/0.1" xmlns:bibtex="http://data.bibbase.org/ontology/#">
<dblp:Publication rdf:about="http://dblp.uni-trier.de/rec/journals/vjcs/Sriharee15">
<owl:sameAs rdf:resource="http://dblp.org/rec/journals/vjcs/Sriharee15" />
<owl:sameAs rdf:resource="http://dx.doi.org/10.1007/s40595-014-0033-6" />
<dblp:publicationLastModifiedDate>2015-05-18T13:22:49+0200</dblp:publicationLastModifiedDate>
<dblp:title>An ontology-based approach to auto-tagging articles.</dblp:title>
<dblp:bibtexType rdf:resource="http://data.bibbase.org/ontology/#Article" />
<dblp:publicationType rdf:resource="http://dblp.uni-trier.de/rdf/schema-2015-01-26#Article" />
<dblp:authoredBy rdf:resource="http://dblp.uni-trier.de/pers/s/Sriharee:Gridaphat" />
<dblp:primaryElectronicEdition rdf:resource="http://dx.doi.org/10.1007/s40595-014-0033-6" />
<dblp:publishedInJournal>Vietnam J. Computer Science</dblp:publishedInJournal>
<dblp:publishedInJournalVolume>2</dblp:publishedInJournalVolume>
<dblp:publishedInJournalVolumeIssue>2</dblp:publishedInJournalVolumeIssue>
<dblp:pageNumbers>85-94</dblp:pageNumbers>
<dblp:yearOfPublication>2015</dblp:yearOfPublication>
<dcterms:license rdf:resource="http://www.opendatacommons.org/licenses/by/" />
</dblp:Publication>
</rdf:RDF>

ถ้าเอา RDF File สองไฟล์มา merge กันจะได้กราฟด้านล่าง

ตัวอย่างไฟล์ RDF ของอีกผลงานหนึ่ง

<?xml version="1.0" encoding="US-ASCII"?>
<rdf:RDF xmlns:dblp="http://dblp.uni-trier.de/rdf/schema-2015-01-26#" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:owl="http://www.w3.org/2002/07/owl#" xmlns:dcterms="http://purl.org/dc/terms/" xmlns:foaf="http://xmlns.com/foaf/0.1" xmlns:bibtex="http://data.bibbase.org/ontology/#">
<dblp:Publication rdf:about="http://dblp.uni-trier.de/rec/conf/apccm/PunnarutS10">
<owl:sameAs rdf:resource="http://dblp.org/rec/conf/apccm/PunnarutS10" />
<dblp:publicationLastModifiedDate>2010-09-17T14:25:14+0200</dblp:publicationLastModifiedDate>
<dblp:title>A researcher expertise search system using ontology-based data mining.</dblp:title>
<dblp:bibtexType rdf:resource="http://data.bibbase.org/ontology/#Inproceedings" />
<dblp:publicationType rdf:resource="http://dblp.uni-trier.de/rdf/schema-2015-01-26#Inproceedings" />
<dblp:authoredBy rdf:resource="http://dblp.uni-trier.de/pers/p/Punnarut:Ravikarn" />
<dblp:authoredBy rdf:resource="http://dblp.uni-trier.de/pers/s/Sriharee:Gridaphat" />
<dblp:primaryElectronicEdition rdf:resource="http://crpit.com/confpapers/CRPITV110Punnarut.pdf" />
<dblp:publishedInBook>APCCM</dblp:publishedInBook>
<dblp:pageNumbers>71-78</dblp:pageNumbers>
<dblp:yearOfPublication>2010</dblp:yearOfPublication>
<dblp:publishedAsPartOf rdf:resource="http://dblp.uni-trier.de/rec/conf/apccm/2010" />
<dcterms:license rdf:resource="http://www.opendatacommons.org/licenses/by/" />
</dblp:Publication>
</rdf:RDF>

RDF Schema ของ DBLP อยู่ที่ http://dblp.uni-trier.de/rdf/schema-2015-01-26


Sunday, January 10, 2016

Google Scholar

Google Scholar

วันนี้ทดลองใช้ Google Scholar ค้นหาบทความวิชาการทั้งหมดของตัวเอง พบเกือบทั้งหมด Google Scholar ดีจริงๆ ได้ทราบว่า Paper ถูกอ้างอิงไปกี่ฉบับโดยใครบ้าง แถมสามารถ Extract ข้อมูลเพื่อนำไปทำรายการบรรณานุกรมได้  
ใน Expert Finding ในปัจจุบันจะมีฐานข้อมูล Web of Science ที่ค่อนข้างเป็นที่รู้จักที่ใช้ในการค้นหาบทความวิจัยที่ตีพิมพ์ในที่ประชุมทางวิชาการและวารสาร  แต่ Google Scholar กำลังเป็นที่นิยมเพราะเป็น Open system ใช้งานง่าย แถมลิงค์ไปยังแหล่งจัดเก็บเอกสารงานวิจัยต่างๆได้
Google Scholar คำนวณค่า h-index และ h-median ของนักวิจัยให้

เป้าหมายต่อไปคืออาจจะต้องค้นหา API Google Scholar เพื่อดึงข้อมูลมาใช้ในงานวิจัยต่อไป 
กฤดาภัทร  สีหารี
10 มกราคม 2559 



Saturday, January 9, 2016

Semantic Web กับ Expertise Finding: Part I

Semantic Web go far beyond my knowledge

วันนี้ใช้เวลานิดนึงในการทำวิจัยเรื่องเก่าแต่เอามาใส่ขวดเหล้าใหม่ Expertise Finding ผู้เขียนตีพิมพ์งานวิจัยเรื่องนี้ไปตั้งแต่ปี ค.ศ. 2010 ทำกับนักศึกษาปริญญาโทคนแรก ในขณะที่ตัวเองได้เดินทางไปทำวิจัยในตำแหน่ง Postdoc ที่ประเทศนอร์เวย์ แต่ก็ติดต่อกับนักศึกษาและให้คำแนะนำ สอบถาม ถกเถียง แนวคิดกับนักศึกษาตลอดในระยะเวลาประมาณ 6 เดือน เป็นงานที่ได้รับการอ้างอิงมากพอสมควร และคิดว่าน่าจะเป็นรายแรกที่พูดถึง Semantics ซึ่งใช้ออนโทโลยีนำไปกำหนดความเชี่ยวชาญ การจับคู่และการจัดเรียง ความเชี่ยวชาญของนักวิจัย

ปีนี้ 2016 ต้องศึกษาปรับปรุงงานให้ทันสมัย เผอิญไปขอทุนเขามา  พูดถึง Expertise Finding (การค้นหาความเชี่ยวชาญ) บางคนอาจจะสงสัยกับคำว่า Expert Finding (การค้นหาผู้ี่ยวชาญ) ในความเห็นส่วนตัว Expertise เน้นความเชี่ยวชาญทางวิชาการหรือความเชี่ยวชาญในด้านใดด้านหนึ่งโดยเฉพาะ ซึ่งการประเมินจะวัดจากผลงานส่วนตัวของนักวิจัยเป็นหลัก เช่นผลงานวิจัยต่างๆ   แต่ Expert Finding เน้นความเชี่ยวชาญในหลายๆมุมมอง เช่น มองถึงการให้คำแนะนำผู้อื่น มองถึงผลงานที่สะท้อนทำให้คนอื่นเป็นที่รู้จัก มองถึงความเชี่ยวชาญทางวิชาการหรือความรู้เฉพาะของบุคคลนั้น  โดยส่วนตัวมองว่า Expert Finding เป็นการประเมินในมุมมองที่กว้างกว่า Expertise Finding ซึ่ง Expert Finding อาจประเมินในชุมชน หรือสังคม หรือในแวดวงที่บุคคลนั้นทำงานอยู่  งานวิจัยหลายๆงานก็ไม่ได้บ่งบอกความแตกต่างของมุมมองในการค้นหาความเชี่ยวชาญหรือผู้เชี่ยวชาญมากนัก  แต่ผู้เขียนขอสรุปว่า Expertise Finding เป็น Subset ของ Expert Finding มีการใช้ Dataset ที่แสดงความสามารถของบุคคล และไม่จำเป็นที่จะต้องสะท้อนมุมมองจากผู้อื่นหรือผู้ที่มีความเกี่ยวข้อง

วันนี้ค้นหาผลงานตัวเองใน DBLP ที่ http://dblp.rkbexplorer.com/ ที่มีการบรรยายผลงานวิจัยที่ตีพิมพ์ในฐานข้อมูล DBLP ของมหาวิทยาลัยในเยอรมัน จำชื่อมหาวิทยาลัยไม่ได้ พบว่ากำหนดคีย์เวิร์ดคือ นามสกุลเข้าไป ระบบงานก็ค้นหาข้อมูลออกมาได้ดังภาพ  (แสดงชื่อเก่าของผู้เขียนก่อนเปลี่ยนเป็นชื่อใหม่)  ข้อมูลในระบบ DBLP นี้เป็น NoSQL พูดง่ายๆคือไม่ได้ใช้ฐานข้อมูลแต่ใช้ Profile ซึ่งสร้างด้วยภาษษ rdf  และใช้เทคโนโลยี Semantic Web ในการคิวรีเอกสาร นั้นคือใช้เครื่องมือที่รองรับภาษา SPARQL ซึ่งปัจจุบันเป็นภาษามาตรฐานในการคิวรีเอกสาร RDF


 สังเกตดูข้อมูลในตาราง Subject, Property, Object คือข้อมูลที่บรรยายเกี่ยวกับผลงานของผู้เขียน คลิกเลือกงานวิจัยเรื่องแรกในชีวิตก็ว่าได้ ออกมาเมื่อปี 2003 ไปนำเสนอที่กรุงปารีส ทำกับอาจารย์ที่ปรึกษาที่จุฬาฯ

Property ในตารางจะแสดงความสัมพันธ์ระหว่าง Subject และ Object ซึ่ง Object คือโหนดในกราฟ RDF ซึ่งอาจมีการบรรยายข้อมูลคุณลักษณะอื่นๆของโหนด เช่นภาพด้านล่างผู้เขียนลองเลือกโหนดคือชื่อตัวเอง   ก็จะแสดงข้อมูลต่างๆที่เกี่ยวข้องที่สามารถหาได้ในกราฟออกมา
ผู้เขียนลองดาวน์โหลด RDF ไฟล์ของผลงานวิจัยที่ DBLP จัดเก็บในปี ค.ศ. 2003 ได้มาขนาดไฟล์ 147 MB โชคดีที่เปิดใน Notepad++ ได้ แต่ถ้าใหญ่กว่านั้นคงดูไม่ได้ นี่เป็นปัญหาใหญ่ของการใช้ Profile แทนการจัดเก็บด้วยระบบฐานข้อมูล คงต้องไปศึกษา HADOOP เพื่อจะประมวลผลเอกสารขนาดใหญ่ต่อไป
RDF เป็นภาษาสำหรับการบรรยายรีซอร์สบนเว็บที่พัฒนาโดยองค์กร W3C ตั้งแต่ปี ค.ศ. 1998 ต่อมาก็มีภาษา RDFS (RDF Schema) ออกตามมาเพื่อใช้ในการสร้างออนโทโลยีอย่างง่าย และในปัจจุบันนี้ภาษาที่ได้รับการนำเสนอให้เป็นภาษามาตรฐานคือภาษา OWL 
วกกลับมากับข้อมูลเชิงความหมายในเอกสาร RDF ส่วนหัวของเอกสารจะกำหนด Ontology Description หรือออนโทโลยีที่ใช้เพื่อทำการสร้างเอกสาร RDF อันนี้  ดึงมาจากสองออนโทโลยีหลักๆ ในตัวอย่าง akt คือ Prefix namespace ของออนโทโลยีที่กำหนดที่สร้างไว้ใน http://www.aktors.org/ontology/portal  ส่วนอีกอันคงจะอ้างอิงเฉยๆแต่ไม่ได้ใช้ในเอกสารเพราะผู้เขียนหาไม่เจอ 

 <owl:Ontology rdf:about="">
    <rdfs:label>DBLP : dblp-publications.rdf</rdfs:label>
    <dc:title xml:lang="en">DBLP : dblp-publications-2003.rdf</dc:title>
    <dc:description xml:lang="en">This ontology contains information detailing publications from dblp</dc:description>
    <dc:creator>ReSIST Project</dc:creator>
    <dc:creator>Christopher Franklin</dc:creator>
    <owl:imports rdf:resource="http://www.aktors.org/ontology/portal"/>
    <owl:imports rdf:resource="http://www.aktors.org/ontology/extension"/>
  </owl:Ontology>

ส่วนของการบรรยายข้อมูล rdf:about คือรีซอร์สที่ถูกบรรยายหรือคือโหนดในกราฟ แท็กต่างๆที่เป็น Child element (อยู่ล่างแค่ระดับเดียว) ภายใต้แท็กหนึ่งๆ จะถูกมองเหมือนเป็นแขน (edge) ที่ต่อเชื่อมไปยังโหนด  แขนนั้นอาจเชื่อมไปยังโหนดหรือข้อมูล   

 <akt:Book-Section-Reference rdf:about="http://dblp.rkbexplorer.com/id/conf/dais/SrihareeS03">
        <owl:sameAs rdf:resource="http://dblp.l3s.de/d2r/resource/publications/conf/dais/SrihareeS03"/>
        <akt:has-title>Discovering Web Services Using Behavioural Constraints and Ontology.</akt:has-title>
        <akt:has-author>
            <akt:Person rdf:about="http://dblp.rkbexplorer.com/id/people-3e489988b3bbdf918f97058302fe45fc-10a5df016a458827ffebbf37bc36d712">
                <akt:full-name>Natenapa Sriharee</akt:full-name>
            </akt:Person>
        </akt:has-author>
        <akt:has-author>
            <akt:Person rdf:about="http://dblp.rkbexplorer.com/id/people-d28f7a7a0328771dc2038fa5e37a8086-10a5df016a458827ffebbf37bc36d712">
                <akt:full-name>Twittie Senivongse</akt:full-name>
            </akt:Person>
        </akt:has-author>
        <akt:article-of-journal>
            <akt:Journal rdf:about="http://dblp.rkbexplorer.com/id/journal-f6793e3a8031f0d1320f9c620c483c84">
                <akt:has-title>DAIS</akt:has-title>
            </akt:Journal>
        </akt:article-of-journal>
        <akt:cites-publication-reference rdf:resource="http://dblp.rkbexplorer.com/id/conf/dais/2003"/>
        <akt:has-web-address>http://dx.doi.org/10.1007/978-3-540-40010-3_22</akt:has-web-address>
        <akt:has-date>
            <akts:Calendar-Date rdf:about="http://www.aktors.org/ontology/date#2003">
                <akts:year-of>2003</akts:year-of>
            </akts:Calendar-Date>
        </akt:has-date>
    </akt:Book-Section-Reference>

จากข้อมูลข้างต้นพิจารณากราฟบางส่วนของการบรรยายข้อมูลจากส่วนนี้
 <akt:Book-Section-Reference rdf:about="http://dblp.rkbexplorer.com/id/conf/dais/SrihareeS03">
        <owl:sameAs rdf:resource="http://dblp.l3s.de/d2r/resource/publications/conf/dais/SrihareeS03"/>
        <akt:has-title>Discovering Web Services Using Behavioural Constraints and Ontology.</akt:has-title>
        <akt:has-author>
            <akt:Person rdf:about="http://dblp.rkbexplorer.com/id/people-3e489988b3bbdf918f97058302fe45fc-10a5df016a458827ffebbf37bc36d712">
                <akt:full-name>Natenapa Sriharee</akt:full-name>
            </akt:Person>
        </akt:has-author>
  ...
 </akt:Book-Section-Reference>

จะแสดงกราฟได้ดังภาพ


เหตุผลของการบรรยายข้อมูลด้วยภาษา RDF ก็เนื่องจากสนับสนุนการขยายความในการบรรยายข้อมูล โดยไม่ต้องสนใจ Structure ของข้อมูลมากนัก  ข้อมูลทีบรรยายด้วย RDF ถูกมองว่าเป็น Structured Information แต่สามารถขยายหรือหดได้ด้วยการต่อแขนไปยังโหนดหรือเอาแขนออก  โดยไม่กระทบกระเทือนกับข้อมูลที่บรรยายไปแล้ว นี่เป็นข้อดีที่ RDF ถูกเลือกใช้ในการสร้างข้อมูลเชิงความหมายใน Semantic Web 

การสืบค้นข้อมูลทำได้ง่ายด้วยเทคนิคของ Graph Matching ซึ่งจะจับคู่ไปยังโหนดและแขน  นั่นเอง  การสืบค้นมองข้อมูลในรูปแบบกราฟ  สมมติคิวรีด้วยประโยค Triple (Subject, property,object) เช่น
?x owl:sameAs ?y ก็จะแสดงโหนดและโหนดที่มีความเท่ากันเชิงความหมาย (owl:sameAs แสดงความหมายว่ารีซอร์สเป็นรีซอร์สเดียวกัน ถึงแม้ว่าบรรยายด้วยออนโทโลยีที่ต่างกันก็ตาม)

เป้าหมายถัดไปสำหรับงานวิจัยคือการเพิ่มโหนดเพื่อสร้าง Expertise Finding ในงานวิจัยของผู้เขียนชิ้นก่อนนั้นทำการวิเคราะห์ Expertise จาก Title เป็นหลัก แต่ในการทำวิจัยในปีนี้ต้องพิจารณาเรื่องของ Citation และ h-Index ซึ่งมันยังไม่มีปรากฎใน RDF ของ DBLP  

...ติดตามตอนต่อไป...

กฤดาภัทร สีหารี 
9 มกราคม 2559 


Thursday, January 7, 2016

Semantic Computing

Semantic Computing

Semantic Computing หรือการประมวลผลเชิงความหมาย  แปลเองเป็นภาษาไทยโดยผู้เขียน อะไรทำให้เกิด Semantic Computing ? อาจจะต้องย้อนไปดูประวัติศาสตร์ Semantic Web ซึ่งเป็นแนวคิดหรือหลักการที่พยายามจะทำให้
1. ข้อมูลบนเว็บเป็นข้อมูลที่สื่อความหมาย (ข้อมูลเชิงความหมาย)
2. มนุษย์และโปรแกรมคอมพิวเตอร์สามารถเข้าใจความหมายของข้อมูลนั้นตรงกัน และ
3. ข้อมูลเชิงความหมายสามารถแสดงด้วยภาษาคอมพิวเตอร์ซึ่งโปรแกรมคอมพิวเตอร์สามารถสกัดและประมวลผลได้โดยง่าย
ใน Semantic Web เทคโนโลยีจะพูดถึงเลเยอร์ต่างๆของการแสดงข้อมูลเชิงความหมาย  และพูดถึงภาษา  แต่ไม่ได้มีเรื่องของการประมวลผลที่ระบุหรือเจาะจงโดยเฉพาะว่าจะต้องนำไปใช้กับระบบงานอะไรบ้าง  ดังนั้นการประยุกต์หลักการใน Semantic Web ไปใช้งานในระบบงานต่างๆนำไปสู่คำว่า Semantic Computing

Semantic Computing หรือการประมวลผลเชิงความหมาย  ในที่นี้ขอขยายความว่า เป็นการประมวลผลในระบบงานใดระบบงานหนึ่งซึ่งมีการประยุกต์ใช้ข้อมูลเชิงความหมายและหลักการและเทคโนโลยีที่เกี่ยวข้องกับความหมายในการประมวลผล เช่นเทคโนโลยี Semantic Web, Natural Language Processing, Data mining 
ในระบบที่มี semantic computing อาจใช้เทคโนโลยีหลายๆเทคโนโลยีหรือหลายหลักการร่วมกันก็ได้

ขอยกตัวอย่างระบบงานที่อาจมองว่าเป็นระบบงานที่มีการประมวลผลเชิงความหมาย อาทิ

1. ระบบจัดการแท็กของเอกสารที่พิจารณาแท็กให้กับเอกสารโดยการเลือกคำที่สื่อความหมายถึงเนื้อหาของบทความ

2. ระบบการค้นหาข้อมูลที่มีการพิจารณาความหมายของข้อมูล เช่น ใน Google จะเห็นได้ว่าเมื่อผู้ใช้งานค้นหาข้อมูล Google จะขึ้นทางเลือกในการค้นโดยค้นหาคำที่มีความสัมพันธ์ระหว่างกันให้ผู้ใช้เลือก และเมื่อผู้ใช้งานเลือกก็จะนำพาไปยังเว็บไซต์ที่ถูก Index ด้วยคำเหล่านั้นซึ่งค่อนข้างตรงกับความต้องการของผู้ใช้มากกว่าการค้นด้วยคีย์เวิร์ดธรรมดา

3. ระบบสารสนเทศที่มีการใช้ Profile หมายถึงเอกสาร ซึ่งบรรยายด้วยภาษาเชิงความหมาย เช่น ภาษา OWL, RDF, RDFS ในการสร้างข้อมูล  จะเห็นได้จากระบบงานต่างๆเช่น DBLP, หรือระบบจัดทำการประชุมวิชาการต่างๆที่พยายามสร้างข้อมูลของผู้เขียนผลงานวิจัย กรรมการในการจัดงาน

การประยุกต์ใช้ Semantic Computing อาจใช้ข้อมูลเชิงความหมายซึ่งสื่อถึงข้อมูลและความหมายในระดับที่มีความลึกซึ้ง หรือง่ายไม่ซับซ้อนขอบเขตการใช้งาน Semantic Computing ในระบบงานต่างๆสามารถจำแนกกว้างๆได้เป็น 3 ลักษณะ ซึ่งผู้เขียนขอยืมมุมมองที่มีความเห็นสอดคล้องกันกับงานวิจัยนี้
1. การประมวลผลเชิงความหมายในมุมมองเชิงออนโทโลยี (Semantic Computing on Ontological Perspective)   
2. การประมวลผลเชิงความหมายในมุมมองเชิงการรับรู้  (Semantic Computing on Cognitive Perspective) 
3. การประมวลผลเชิงความหมายในมุมมองเชิงปฏิบัติ (Semantic Computing on Pragmatic Perspective) 

การประมวลผลเชิงความหมายในมุมมองเชิงออนโทโลยี 
การประมวลผลเชิงความหมายในระดับนี้มีการใช้ข้อมูลเชิงความหมายที่กำหนดด้วยออนโทโลยี  ระบบงานมักมีออนโทโลยีที่มีการสร้างขึ้นมาโดยเฉพาะสำหรับระบบและผู้ที่เกี่ยวข้อง  การใช้งานออนโทโลยีเป็นไปในลักษณะของการแชร์ความรู้ หรือออนโทโลยีเป็น Knowledge Base (ฐานความรู้)  ซึ่งแสดงข้อมูลและความหมายของข้อมูลเพื่อสร้างการสื่อสารหรือข้อตกลงในโดเมน  ตัวอย่างของระบบงานเช่น ระบบฐานข้อมูลยา ซึ่งเก็บข้อมูลเกี่ยวกับยา สารเคมี องค์ประกอบของยา หรือระบบฐานข้อมูลพันธุ์พืชที่มีการจำแนกชั้นทางวิทยาศาสตร์ (Scientific taxonomy)

การประมวลผลเชิงความหมายในมุมมองเชิงการรับรู้ 
การประมวลผลเชิงความหมายในระดับนี้มีการใช้ข้อมูลเชิงความหมายเพื่อสร้างระบบที่มีความอัตโนมัติเพื่อตอบสนองต่อการรับรู้  (perception) ซึ่งกระบวนการทำงานประกอบด้วย Input, Reasoning และ Response ข้อมูลเชิงความหมายที่สร้างขึ้นจะใช้ในกระบวนการอนุมาน (Reasoning) ตัวอย่างของระบบงานเช่น ระบบ IoT ที่สร้างระบบอัตโนมัติเพื่อควบคุมการทำงานที่ตอบสนองต่อสภาวะแวดล้อมที่เปลี่ยนไป ระบบนำทางเพื่อค้นหาเส้นทางที่ใช้ข้อมูลเชิงความหมายที่ถูกวิเคราะห์มาแล้ว

การประมวลผลเชิงความหมายในมุมมองเชิงปฏิบัติ
การประมวลผลเชิงความหมายในระดับนี้มีการใช้ข้อมูลเชิงความหมายอย่างง่าย  หรือเป็นข้อมูลที่ไม่ซับซ้อนซึ่งอาจมีความเกี่ยวข้องกับ Natural Language Processing หรือ NLP (การประมวลผลภาษาธรรมชาติ) เป็นการใช้ข้อมูลเชิงความหมายเพื่อปรับปรุงประสิทธิภาพการทำงานของระบบ เช่น การแปลภาษาด้วย NLP เพียงอย่างเดียวพิจารณาคำ และรูปไวยากรณ์  อาจประยุกต์ใช้ข้อมูลเชิงความหมายเพื่อสร้างรูปประโยคซึ่งมีการใช้คำที่หลากหลายแต่สื่อความหมายไปในทางเดียวกัน  ระบบจัดการแท็กเอกสารที่ใช้คำที่สื่อความหมายซึ่งอาจกำหนดใน Controlled vocabulary ระบบงานที่เกี่ยวข้องกับ Social Networking ซึ่งมีการสกัดข้อมูลเพื่อนำมาวิเคราะห์ความหมายหรือความสัมพันธ์ของเอนทิตี้ (เช่น บุคคล สถานที่)ในระบบ  ระบบสืบค้นความเชี่ยวชาญของนักวิจัย


ทั้ง 3 แนวคิดในการประยุกต์ใช้การประมวลผลเชิงความหมายล้วนต้องใช้เทคโนโลยี Semantic Web ซึ่งประกอบด้วยภาษาในการบรรยายข้อมูลเชิงความหมาย  ออนโทโลยี โลจิกและระบบโลจิก  ถ้าพิจารณาระดับความลึกซึ้งของข้อมูลเชิงความหมายที่ต้องมีการจัดการ  อาจพิจารณาระดับสูงสุดไปหาต่ำสุดคือ Ontological perspective, Cognitive perspective และ Pragmatic perspective ตามลำดับ


เขียนโดย 
กฤดาภัทร  สีหารี
8 มกราคม 2016 
© 2016 ห้ามคัดลอก ดัดแปลง หรืออ้างอิงข้อความในบล็อก แชร์เพื่อความรู้เท่านั้น