Descubrimiento de Conocimiento en Bases de Datos (KDD)

El proceso KDD se define como “el proceso de descubrimiento de conocimiento no trivial y potencialmente útil” (Weiss e Indurkhya, 1998). Está compuesto de varios pasos y puede ser aplicado a la verificación de hipótesis de usuario o al descubrimiento automático de patrones. Un artículo clásico (Fayyad et al., 1996) describe una metodología de KDD que contempla los siguientes objetivos a lo largo del proceso: (i) comprender el dominio y las metas, (ii) creación del conjunto de datos, (iii) preprocesamiento de los datos, (iv) reducción y proyección de los datos, (v) minería de datos, y por último (vi) interpretación de los resultados. En la Figura 3 se pueden observar los distintos pasos de los que consta el proceso de KDD basándose en este enfoque.

Figura 3. Fases del proceso KDD (Fayyad et al., 1996). (Los pasos en los que se centra este trabajo se han destacado en gris)

Conocimiento Almacén de Datos Datos objetivo Datos Reducidos Selección Limpieza de datos Transformación Interpretación Patrones Minería de datos Datos Transformados Datos Limpios Reducción de datos

16

Tradicionalmente este tipo de metodologías no trata la localización de las fuentes de datos, sino que parte de un enfoque en el que se tiene directamente acceso a la información. De hecho las metodologías tradicionales de KDD a menudo no incluyen la integración de datos, aunque en este trabajo se considera el primer paso del proceso.

Dentro de los pasos previos a la minería de datos se pueden identificar tres objetivos centrales: (a) estandarización de datos; (b) preparación de los datos para obtener los mejores resultados posibles y (c) reducción de los datos al máximo posible (tanto horizontal como verticalmente) manteniendo la información necesaria.

El siguiente paso en el proceso KDD es la minería de datos, consistente en la aplicación de algoritmos que identifiquen un conjunto de patrones sobre los datos. Este es el nombre que se le da en ocasiones a todo el proceso de KDD (Witten y Frank, 2000; Han y Kamber, 2000), aunque en realidad sea sólo una parte del proceso completo y muchas veces no implique más que el 15-25% del tiempo empleado en el proceso completo de análisis de los datos. Por último, la fase final de interpretación de resultados es vital para la comprensión por parte del usuario y su posterior utilización.

KDD basado en ontologías

Debido a la gran importancia que ha cobrado el proceso de KDD en los últimos años, también se ha incrementado proporcionalmente la necesidad de un soporte formal a los encargados de realizar las tareas del KDD. La información necesaria para este soporte ha de referirse tanto al proceso en sí como a los datos que se desean analizar. Las ontologías pueden ser beneficiosas en prácticamente todas las fases del KDD (Cespivova et al., 2004). Considerando las fases previas a la minería de datos, el objetivo de introducir ontologías en este proceso es mejorar la calidad de los datos mediante la utilización de un soporte formal de conocimiento. Según sea la tarea, distintos tipos de ontologías pueden facilitar la comprensión y dar soporte para una resolución óptima de las mismas.

Como se ha comentado anteriormente, las distintas fases del proceso KDD se afrontan a menudo de forma solapada. La frontera entre integración de instancias y las diversas tareas del preprocesamiento de datos, no es hermética desde un punto de vista funcional, lo que provoca que muchas veces se puedan utilizar las mismas herramientas para distintas fases. Así pues, es lógico afrontar las necesidades de metadatos sobre

17

estas acciones también de forma común. De hecho, en cada una de las fases del KDD hay proyectos en los que se han aplicado ontologías, siguiendo diversas estrategias.

En la Figura 4 se presenta el ciclo KDD según (Cespivova et al., 2004). A partir de él, se analizan los distintos tipos de aplicación de ontologías a las fases del proceso KDD.

Figura 4. Ciclo KDD en el entorno empresarial (Cespivova et al., 2004)

En este caso específico del campo de los negocios, se identifican 6 fases dentro del proceso KDD. A continuación se incluyen las sugerencias de los papeles que pueden realizar las ontologías dentro de cada una de ellas:

• Comprensión del problema. Las ontologías de dominio pueden ayudar a un recién llegado a comprender los conceptos y relaciones más relevantes de su dominio.

• Comprensión de los datos. Los distintos elementos de la ontología deben estar enlazados a elementos de los modelos de datos. De esta forma se facilita la identificación de atributos redundantes o ausentes.

18

• Preparación de los datos. Determinadas ontologías se pueden utilizar para identificar agrupamientos de atributos (en la integración de esquemas) o valores (en la integración de instancias).

• Fase de modelado. Ontologías de descripción de los distintos algoritmos de minería de datos existentes pueden servir como guía para su elección por parte del experto en los datos.

• Fase de evaluación. Los resultados obtenidos del análisis de los datos pueden expresarse en forma de ontologías y facilitar así su asociación con el conocimiento anterior.

• Fase de desarrollo. Como el dominio fue anteriormente modelado con ontologías, este último paso de retro-alimentación puede ser también expresado como una ontología.

En las siguientes secciones se analizan los distintos tipos de ontologías utilizadas en cada una de las fases del KDD, siguiendo un modelo más general inspirado en la metodología de (Fayyad et al., 1996). Como se ha comentado anteriormente, aunque la integración de bases de datos se suele tratar como un área diferenciada, en este trabajo se considera como el primer paso dentro del KDD y también el que más proyectos con aplicaciones de ontologías se puede encontrar en la literatura (Sujansky, 2001; Wache et al., 2001). La mayoría de estos proyectos se refieren a la integración de esquemas, mientras que la integración de instancias basada en ontologías cuenta con muchos menos ejemplos. Esta última integración es la que comparte herramientas con el resto de tareas del KDD y previas a la minería de datos, que han sido mucho menos estudiadas desde el punto de vista de las ontologías. Por último, las fases de minería e interpretación de los datos utilizando ontologías como soporte formal también son analizadas en esta sección.

A continuación, la Tabla 1 muestra las distintas fases del KDD junto con el tipo de ontologías que generalmente se utiliza en cada fase, así como algunos proyectos de ejemplo.

19

Tabla 1. Revisión del proceso KDD basado en ontologías

# Fase del KDD Tipo de aplicación de ontologías Ejemplos

1 _Integración

2 _Selección

En general, las ontologías se utilizan en esta fase como repositorios virtuales que

representan las fuentes de datos heterogéneas. Hoy en día es la fase de mayor aplicación de ontologías dentro del

KDD. (Silvescu et al., 2001), D2OMapper (Zu et al., 2006), SEMEDA (Köhler et al., 2003), KAON (Bozsak et al., 2002) 3 _{Limpieza de datos} 4 _{Reducción de datos} 5 _{Transformación}

Existen dos opciones en la aplicación de las ontologías: (i) como almacén de la información necesaria para transformar las instancias de los datos o (ii) como almacén

real de las instancias mediante una representación formal. Algunas de las tareas

incluidas en estas fases se pueden afrontar junto con algunas de las anteriores.

(Phillips y Buchanan, 2001), (Bowers y Ludäscher, 2004), (Kedad y Métais, 2002), ONTOCLEAN (Wang et al., 2005) 6 _{Minería de datos}

Los expertos que analicen los datos pueden utilizar ciertas ontologías para elegir más fácilmente el algoritmo más adecuado de entre la gran cantidad de ellos que hay

disponibles. PROTEUS (Cannataro et al., 2005), IDEA (Bernstein et al., 2005) 7 _{Interpretación}

Los resultados del análisis de datos se pueden almacenar en ontologías, ya que una

representación formal de un nuevo conocimiento facilita su comprensión y

reutilización. Onto4KDD (Gottgtroy et al., 2004), LISp-Miner (Svatek et al., 2005), MiningMart (Euler y Scholz, 2004)

Tras analizar los proyectos centrados en las distintas fases del KDD, se concluye que aunque se han hecho prometedores esfuerzos, existe una falta de modelos y herramientas que asistan el procesamiento de los datos antes de su análisis. Diversos estudios han sugerido que las ontologías son un mecanismo muy valioso para dar soporte formal a este tipo de tareas, ofreciendo más posibilidades dentro del proceso KDD. A continuación se analiza cada fase de este proceso en profundidad.