Pythonでオントロジー指向プログラミング（Ontologies with Python: Programming OWL 2.0 Ontologies with Python and Owlready2）

-

Ontologies with Python: Programming OWL 2.0 Ontologies with Python and Owlready2 (English Edition)

Lamy Jean-Baptiste (著)



最近楽しみながら読んだ本のご紹介です。

オントロジーやOWL（Web Ontology Language）、セマンティックウェブといった単語は、知っている人は詳しく知っていると思いますが、ご存知ない方も多い気がします。

これらについては長くなるので割愛しますが、ネットでこれらの用語を検索して調べてみると、学術分野っぽい説明などが多くて、縁遠い印象を受けるかもしれません。

しかしながら、データの表現力を高めて応用するための技術だと考えれば、一般的なアプリ制作においても、（はまれば）とても身近で役立つ価値の高い技術だと思っています。

仮にオントロジーだとか知識表現に全く興味が無くても、プログラミングの引き出しを増やすというだけでも意味があると思います。

この本は、そんなオントロジーやOWLの扱い方を、Python のライブラリ Owlready2 を用いてハンズオンっぽく身に付けることができます。

残念ながら英語の本ですが（現在日本語訳はないと思いますが）、私でも理解できる程度の平易な文章で書かれており、それもあってか Google 翻訳を利用すれば、かなり良い日本語に翻訳してくれますので（笑）、英語の壁は高くありません。
（実際には、本文が理解できなくても、コード例を見れば理解できることが多いと思います。）

＜本の内容＞

以下は目次とざっくりとした内容です。
  • Chapter 1: Introduction
    • ontology-oriented programming（オントロジー指向プログラミング）への動機付けなどの紹介です。
  • Chapter 2: The Python language: Adapt a snake!
    • Python 言語のざっくりとした説明です。
  • Chapter 3: OWL ontologies
    • オントロジーエディタ Protégé を利用して、シンプルなバクテリア（細菌）のオントロジーを作成することにより、OWLの表現力や推論を学びます。
  • Chapter 4: Accessing ontologies in Python
    • Chapter 3 で作成したオントロジーを Python + Owlready2 から利用する例を通して既存のオントロジーにアクセスする方法を学びます。
    • 最後に Flask を利用したオントロジーのWebビューワを作成します。
  • Chapter 5: Creating and modifying ontologies in Python
    • オントロジエディタを利用せず、Python + Owlready2 だけで新規にOWLを作成したり変更できることを学びます。
    • CSVファイルからOWLファイルを作る例もあります。
  • Chapter 6: Constructs,restrictions,and class properties
    • Chapter 5 に加えてより詳細な記述方法について学びます。
    • Protégé で作ったOWLと同じものを Python + Owlready2 だけで作れることが分かります。
  • Chapter 7: Automatic reasoning
    • Owlready2 は Reasoner（HtermiT と Pellet ）が内蔵されており、簡単に推論を実行できることがわかります。
    • OWL の特徴ともいえる開世界仮説に基づく推論に加えて、閉世界仮説の推論についても学びます。
  • Chapter 8: Annotations,multilingual texts, and full-text search
    • Owlready2 でのアノテーションについて学び、全文検索もできることを学びます。
    • DBpedia を扱うサンプルもあります。
  • Chapter 9: Using medical terminologies with PyMedTermino and UMLS
    • 医療・医学分野？のオントロジー利用が説明されているようですが、今のところ私はここをスルーしています。。。
  • Chapter 10: Mixing Python and OWL
    • Owlready2を利用したOWL表現にPythonのメソッドを追加して、OWLの表現を拡張？できることが学べます。
  • Chapter 11: Working with RDF triples and worlds
    • Python でRDFを扱うときによく利用されるライブラリ RDFLib と連携できることを学びます。これにより SPARQL も利用できます。
    • Owlready2 が内部で利用している SQLite3 へのアクセス方法についても触れられています。
  • Appendix A: Description logics
  • Appendix B: Notations for formal ontologies
  • Appendix C: Reference manual

各章の内容は、説明も丁寧で、ハンズオンっぽく進みますので理解しやすいと思います。

実際、私は本書のコードの多くを Google Colaboratory で試しながら読みました。（但し、Flask を利用するサンプルや大規模オントロジーを扱うサンプルは試していません。）

付録には、本格的なオントロジーやOWLの書籍などによく出てくる記述論理（Description logic）の説明がありますが、各章の内容は記述論理を知らなくても理解できますし、本文に記述論理を用いた説明はありません。著者も以下のように書いてます。勇気出ますね！（笑）。
  • 「it doesn’t matter if you don’t understand description logics and the associated formulas - I myself started using formal ontologies long before I knew or understood these formulas!」

＜感想＞

超個人的な話で恐縮ですが、この本に出合うまでの経緯と合わせて書いてみます。

今や死語と言われそうですが、現在のディープラーニング中心のAIが一世を風靡する前に『集合知』という言葉が流行りました。そのころ私が興味を持ったのがセマンティックウェブ系の技術です。

「データのWeb」といった大きな構想も魅力的ではありましたが、（研究者ではない）業務システムに携わる私が興味を持った理由は、「自分が関わる業務システムのデータをもっと知的に表現できたら面白そう」でした。（かなりドメイン特化した小規模オントロジーを作って応用してみたいという。。。）

実際に、オントロジーエディタの Protégé や Jena、OWLAPI、HermiT、Pellet など素晴らしいツールやライブラリに触れてみて、その面白さというか可能性を実感しました。

そこで、より深く知ろうと W3C の仕様書や関連論文を少し読み始めてみたところ、当時は、記述論理を中心とした理論的な説明が多くて、敷居が高いと感じました。

これでは、仮に自分が理解できても、チームで作業するのは難しそう、という。。。
（理論もそうですが、Protégé などのツールもアカデミック系ということもあってか、私のような素人向けの簡易な説明資料が少なかったように思います。）

しかし、セマンティックウェブの技術というか考え方は、頭でっかちに考えなくても、もっと身近に使えて面白いもののはず、と思っていました。

そして、OWLのような知識表現技術とプログラミング言語が一体になったら面白そうだな―、なんて考えたりしていました。（リレーショナルデータベースとは少し違う世界が見えそうだし。もともと私は Prolog という言語も好きだったし。）

少し時が進むとディープラーニングがブレークしましたが、理論から考えると決して簡単とは思えないのに、多くの人が機械学習に触れることができるようになりました。

その理由を考えると、Jupyter Notebook などを利用して、手軽に機械学習を試すことができる環境が整ったことも大きな要因の一つではないかと思います。

そこで、私が愛用している Google Colaboratory 上で OWL を手軽に扱えるライブラリはないものかと探して見つけたのが Owlready2 であり、今回取り上げている本です。

Owlready2 は、Python で OWL を扱えるライブラリでもありますが、書籍内でも「ontology-oriented programming（オントロジー指向プログラミング）」と書いてあるように、単なるライブラリの枠を超えて、Python 言語に OWL を追加した拡張言語っぽく使えるイメージになっています。

また、HermiT や Pellet などJava系のツールが統合されているので、拍子抜けするくらい？簡単に推論もできます。

さらに RDFLib （PythonでRDFを扱う有名なライブラリ）との連携もできますので、SPARQLをはじめとしてRDFレベルの扱いも可能です。

ライブラリというより、セマンティックウェブ関連技術の統合環境といった感じで、まさに、名前の通り Owlready です！（うまい名付けだと感心しました。）

これで Google Colaboratory 上でもセマンティックウェブ技術が使えるようになりました。（Google Colaboratory は Java 環境も組み込まれており、Owlready2 は HermiT と Pellet を含んでいますので推論も動作します。）

オントロジー指向プログラミングについて少し調べたところ、新しい言語を設計する流れもあるようですが、Owlready2 のように既存の言語を拡張する方向性は、実用面でのメリットが大きいと思います。

と、ここまで書くと、書籍の紹介というより Owlready2 の紹介のようになってきましたが、Owlready2 をセマンティックウェブの統合環境と考えると、Owlready2 の使い方を知ることは、セマンティックウェブ関連技術を知ることになります。

この本は、記述論理などの理論に深入りすることなく、Owlready2 の使い方を通してセマンティックウェブ系の技術を身近に体験できる良い本だと思いました。

また、単なるツールの使い方だけでなく、バイオ系や医療系、そして DBpedia などの大規模オントロジーを扱う方法も例を通して理解できます。

加えて、少しマニアックな話題かもしれませんが、個人的には実用上とても重要だと思っている閉世界仮説による推論が取り上げられているところは貴重だと思っています。

ただし、この本には本格的なオントロジーの設計や構築手法などについては書かれていません。これについては別の深い世界？に立ち入る必要があると思います。

最後になりますが、ニューラルネットワーク技術が、何度か冬の時代を迎えつつも見事に蘇ったように、記号系のAIも脈々と研究が進んで、またブイブイ言わせて欲しいと思っています。

（2022/04/12 追記）
記事『Owlready2 を Colaboratory と Ubuntu で利用する』を書きました。宜しかったら参照して下さい。

（2022/04/27 追記）
本書で取り上げられているオントロジーエディタ Protégé について記事『オントロジーエディタ Protégé を使ってみる』を書きました。宜しかったら参考にしてください。

（参考）

Owlready2 の情報は以下のサイトにあります。

もし OWLを殆どご存じない方は事前に以下のドキュメントを少し読んでみると理解しやすいかもしれません。

関連記事

コメント

コメントを投稿

このブログの人気の投稿

VirtualBoxのスナップショット機能

-
イメージ
本記事では、VirtualBoxのスナップショットがもつ情報と使い方について見ていきます。   【目次】 ［１］はじめに ［２］スナップショットの保存内容 ［３］VirtualBox マネージャのスナップショット画面 ［４］スナップショットの作成 ［５］スナップショットのプロパティの表示と編集 ［６］スナップショットの復元 ［７］「最新の状態」とスナップショットの履歴 ［８］スナップショットの削除 ［９］エクスポート/インポートの注意事項 ［１］はじめに 仮想マシンを利用するの利点の一つは、ある時点の仮想マシンの状態を保存し（スナップショットを作成）、後に、保存した状態を容易に復元することができることかと思います。 例えば、開発環境のある状態を保存しておき、ライブラリのバージョンアップを実行してみて、その結果が悪ければバージョンアップ前の状態に戻す、ということが簡単にできます。 スナップショットは、実行中の仮想マシンの状態（メモリ等の状態）も保存できますので、エディタで編集中の状態まで保存、復元できたりします。（少し言い過ぎですが、ワープロ編集中にでUndoやRedoを利用するのと同じような感覚でしょうか。） また、スナップショットのデータは、仮想マシンと統合管理されているため、保存、復元操作が非常に簡単です。 （一方で、スナップショットは、一般に言うバックアップとは少し目的が異なるため、バックアップの代替えになるとは限らない点に注意が必要です。） 本記事ではVirtualBoxのスナップショットについて見ていきます。 （参考） Vagrantをお使いの場合は、記事『 Vagrantのスナップショット機能とVirtualBox 』も参考にして下さい。 ［２］スナップショットの保存内容 VirtualBoxのスナップショットについては、ユーザマニュアルに記載があります。 User Manual 1.10. Snapshots（ https://www.virtualbox.org/manual/ch01.html#snapshots ） 詳しくは上記ドキュメントをご参照頂くとして、スナップショットは仮想マシンの構成、ディスクとメモリの内容を保存しています。 ハードウェア構成を含む仮想マシン設定の完全なコピーを持っています。 これにより、例えば、ある時点
続きを読む

Google Document AIで画像から表形式データを抽出する（Vision API OCRとの違い）

-
イメージ
本記事では、GoogleのDocument AIを利用して、表形式（テーブル形式）で記載された画像から、表形式の情報を抽出してみます。また、GoogleのVision API OCRを利用した場合との違いについてもみておきます。 【目次】 ［１］はじめに ［２］Document AIとVision API（OCR）の違い ［３］テスト用の表形式画像 （１）英語版表形式画像（shoppinglist.jpg） （２）日本語版表形式画像（okaimonolist.jpg） （３）PDFファイルへの変換 ［４］Vision APIによる表形式画像の認識 （１）実験方法 （２）英語版表形式画像の認識結果 （３）日本語版表形式画像の認識結果 ［５］Document AIによる表形式画像の認識 （１）実験方法 （２）英語版表形式画像の認識結果 （３）日本語版表形式画像の認識結果 ［６］最後に ［１］はじめに Google Vision APIを利用すると、画像から文字を抽出（OCR）できます。 https://cloud.google.com/vision/ Vision APIは、本などの文章の画像や、風景の画像から文字を抽出するといったケースでは、かなりいい感じで文字を抽出してくれます。文章が書かれているような画像の場合は、画像から文字を抽出するだけでなく、大雑把に文書の構造も得ることができます。 しかし、Vision API OCRでは期待した抽出が難しい例もあります。 例えば、下図のような、よくある表形式で書かれた書類です。 文章の画像は、隣接する文字の塊を抽出するだけでも、期待した文章が抽出できることが多いと思います。 しかし、上図のような表形式の書類は、隣接した文字の塊を抽出するだけでは利用価値が低い場合が多く、表形式のデータとして認識する必要があります。 表形式の書類は、人間が見れば、表組の意味を理解して要点を把握しやすい表現だと思います。例えば、「2021/2/2のお菓子の値段は300円であり、同日のお弁当は1,000円」云々と文章でつらつら書かれるより分かりやすいです。 一方で、これを機械的に認識しようとすると、単語レベルの文字列が散らばって配置されているレイアウトのようにも見えて、解釈が難しい場合が多いです。実際、汎用目的の機械的な表の認識を行
続きを読む

Vision API OCR事始め(1)：TEXT_DETECTIONとDOCUMENT_TEXT_DETECTIONの違い

-
イメージ
これまでの記事で、Google Vision APIの使い方の側面（特にPython）について見てきましたが、平行して、今回からOCR（光学文字認識）の機能面についても見ていきたいと思います。まずは、OCRにあたる２つの機能（特徴タイプ）であるTEXT_DETECTIONとDOCUMENT_TEXT_DETECTIONの違いについて見ていきます。 【目次】 ［１］はじめに ［２］Vision APIが提供する２つのOCR機能 ［３］「～向けに最適化されます」とは？ ［４］簡単な実験での違いの例 （１）スパースと思われる画像の例 （２）高密度と思われる画像の例 （３）少し難しい漢字の例（文字の大きさによる違い） （４）手書き文書の例 （５）TEXT_DETECTIONとDOCUMENT_TEXT_DETECTIONの二つを同時に指定した場合の例 ［５］実験から受ける印象 ［６］最後に ［１］はじめに Google Vision APIのOCRは評判が良く、私もデモを見て凄いなと思いました。昔、仕事でOCRをちょっとだけ使ったことがありますが、その頃を思うと、隔世の感があります。 そこで実際に使ってみようと思って、ドキュメント（ガイド）を読んだり、サンプルを試してみたりしました。それはなんとなく理解できるのですが、現実の問題に適用しようとすると、ある画像形式に対してどのような機能を使い、どのように結果を解釈するのが良いのか、など、もう少し自分なりに頭の整理が必要だと感じました。 というわけで、Googleが公開している資料や実験を通して、私なりに理解したことを共有していきたいと思います。 ただし、私はOCRや画像処理 、機械学習 の専門家ではありませんので、誤った理解もあるかもしれません。また、資料や実験結果は、記事を書いている時点のものであり、モデルのバージョンアップやサービス内容の変更によって、結果が異なる可能性があることをご了承ください。 ［２］Vision APIが提供する２つのOCR機能 Vision APIでは、OCR機能として、「テキスト検出」と「ドキュメント テキスト検出（高密度テキスト / 手書き）」の２つを提供しています。 これらは、機能リスト（ https://cloud.google.com/vision/docs/featu
続きを読む