Corporate Semantic Web Semantische Technologien in Unternehmen

Transkript

1 Corporate Semantic Web Semantische Technologien in Unternehmen Ralf Heese, Gökhan Coskun, Markus Luczak-Rösch, Radoslaw Oldakowski, Adrian Paschke, Ralph Schäfermeier, Olga Streibel Freie Universität Berlin, AG Corporate Semantic Web Neben der bisher auf die Produktion von Erzeugnissen und Dienstleistungen ausgerichteten Ökonomie basiert heutzutage die Wirtschaft immer mehr auf dem Verwalten, Aggregieren und Anbieten von Informationen. Während Technologien und Werkzeuge für das Strukturieren von Information und die kollaborative Arbeit mit diesen in Unternehmen bereits breite Verwendung finden (zum Beispiel Tagging, Wikis, Blogs und Kollaborationsplattformen), werden von Unternehmen ausgereifte Werkzeuge für das Verwalten und Nutzen von Wissen gesucht. Die Menge, Heterogenität und Vielfältigkeit von Informationen bleibt ein problematischer Aspekt bei der Integration von Informationsquellen, der Extraktion von Wissen sowie der Präsentation von Informationen. In diesem Zusammenhang bieten semantische Technologien und damit das Semantic Web vielversprechende Ansätze zur Lösung der genannten Probleme. Grundsätzlich wird der Ansatz verfolgt, die wesentlichen Informationen aus Daten und Dokumenten zu extrahieren und diese maschinenverständlich, in Form von Ontologien, zu repräsentieren. Diese über einzelne Anwendungen und Unternehmen hinweg gemeinsam nutzbare und formale Konzeptualisierung erlaubt das Ableiten von neuen, implizit enthaltenen Informationen. Die größten Hürden für einen erfolgreichen Einsatz von semantischen Technologien im Unternehmenskontext wie Literaturrecherchen [Delteil 2007, Hepp 2007] und Interviews mit Unternehmen ergaben stellen die folgenden Punkte (gaps) dar: (G1) Akademische Orientierung: Die Forschung zu Ontologien und deren Anwendung ist vornehmlich an wissenschaftlichen Problemstellungen und nicht an realen Anwendungsfällen ausgerichtet. Des Weiteren erfordert der überwiegende Teil der entwickelten Methoden, Prozesse und Werkzeuge vom Anwender Expertise zu semantischen Technologien. (G2) Reife der Anwendung: Als Konsequenz aus dem vorherigen Punkt werden die Methoden und Werkzeuge den Anforderungen von Unternehmen nicht gerecht. Darüber hinaus lässt sich mangels standardisierter, vergleichbarer Benchmarks die Skalierbarkeit von semantischen Anwendungen schwer beurteilen. Aus diesen Gründen scheuen viele Unternehmen den produktiven Einsatz von semantischen Technologien. (G3) Reife der Methoden und Prozesse: Der überwiegende Teil der Methoden zur Entwicklung von Ontologien fokussiert die Modellierung von öffentlichen oder unternehmensübergreifenden Ontologien. Insbesondere kleine und mittelständische Unternehmen benötigen jedoch kostengünstige Verfahren zur Entwicklung und Verwaltung von Ontologien. Darüber hinaus wird die Anwendungsabhängigkeit und Agilität von Ontologien oftmals vernachlässigt oder gar nicht beachtet. (G4) Kosten-Nutzen-Abschätzung: Da Unternehmen insbesondere den wirtschaftlichen Aspekt bei der Anwendungsentwicklung betrachten müssen, ist eine Kosten-Nutzen-Analyse von großer Bedeutung. Die existierenden Modelle für die Abschätzung der Entwicklungs- und

2 Wartungskosten für Ontologien sowie für die darauf aufbauenden semantischen Anwendungen entstammen denen aus der Software-Entwicklung und berücksichtigen kaum die höhere Frequenz bei der Wissensevolution. Da es zudem sehr wenige produktive Referenzanwendungen gibt, sind Unternehmen kaum bereit, in semantische Technologien zu investieren. Angesichts des allgemeinen Trends hin zu einer Informationsökonomie und der Kluft zwischen Forschung zu semantischen Technologien und den Bedürfnissen von Unternehmen beschäftigt sich der Forschungsbereich Corporate Semantic Web (CSW) [Coskun et al. 2009] mit dem Einsatz und dem Etablieren von semantischen Technologien im Unternehmenskontext. Im Gegensatz zu einem öffentlichen Semantic Web verringert die Einschränkung auf den Unternehmenskontext Probleme wie Skalierbarkeit, breite Akzeptanz von Ontologien und mangelndes Vertrauen in Informationen. Im Allgemeinen ist darüber hinaus der Umfang der zu modellierenden Anwendungsdomäne wesentlich geringer. Auf Grund dieser Einschränkungen sind trotz des recht jungen Forschungsgebiets Semantic Web kurzfristig Erfolge erzielbar. Der Fokus des Corporate Semantic Web liegt auf der Entwicklung von innovativen Konzepten und Lösungen für die Akquise, Verwaltung und Nutzung von Wissen bei informationsintensiven Anwendungen im Unternehmenskontext. Um Unternehmen den Einstieg in semantischen Technologien zu erleichtern, wird derzeit in drei Bereichen mit besonderem Fokus auf den Unternehmenskontext geforscht: o o o Ontologie-Entwicklung: Das Ziel ist das Strukturieren und Vereinfachen von agilen Ontologie-Entwicklungsprozessen, um die Kosten für die Entwicklung und Wartung von Ontologien zu reduzieren bzw. abschätzen zu können. (Adressiert G3 und G4) Kollaboration im CSW: Dieser Forschungsbereich betrachtet aus Anwendersicht die Werkzeuge und Prozesse der Ontologie-Entwicklung und des Wissensmanagements, um diese den Unternehmensbedürfnissen anzupassen. (Adressiert G1 und G4). Semantische Suche: Auf der Ebene der Anwendungen angesiedelt, werden auf Hintergrundwissen basierende Referenzanwendungen mit Fokus auf Extraktion von Informationen aus Unternehmensdaten und deren Suche realisiert. (Adressiert G2) Im Folgenden werden zunächst die Herausforderungen auf den Gebieten Ontologie-Entwicklung und der kollaborativen Arbeit an Ontologien beschrieben und einige Aspekte näher beleuchtet, indem für diese Lösungsansätze vorgestellt werden. Anschließend illustrieren zwei Beispielanwendungen die Verwendung von semantischen Technologien im Unternehmenskontext. Ontologie-Entwicklung In der modernen Ökonomie hängt der Erfolg eines Unternehmens unter anderem auch von dessen Fähigkeit ab, schnell neue Erkenntnisse in die Business-Prozesse zu integrieren. Anstelle von statischen Informationssystemen treten wissensbasierte Anwendungen, die unmittelbar neues Wissen in Betracht ziehen können und somit flexiblere Business-Prozesse ermöglichen. Ein wichtiges Datenmodell zum Etablieren eines gemeinsamen Verständnisses einer Anwendungsdomäne und zur Repräsentation von Wissen stellen dabei Ontologien dar. Damit Ontologien auch für kommerzielle Anwendungen stärker herangezogen werden, müssen die Punkte G3 und G4 angegangen und eine die Unternehmensbedürfnisse berücksichtigende

3 Methode zur Entwicklung und Wartung von Ontologien entwickelt werden. Für diese Methode ergeben sich die folgenden Anforderungen: (R1) Die zur Ontologie-Entwicklung und Wartung gehörenden Prozesse sollten den Arbeitsfluss der Domänenexperten nur marginal beeinflussen, damit deren Produktivität nicht negativ beeinflusst wird. (R2) Die semantische Anwendung kann nahtlos in existierende und weiterhin laufende Systeme integriert werden. (R3) Die Ontologien müssen sich den Entwicklungen eines Unternehmens anpassen und neue Versionen können einfach in den produktiven Betrieb übernommen werden. (R4) Domänenexperten werden in die Lage versetzt, selbst Änderungen an der Ontologie vornehmen zu können, um die Kosten für (externe) Ontologie-Modellierungsexperten zu reduzieren. Mit der Corporate Ontology Lifecycle Methodology (COLM) [Luczak-Rösch & Heese 2009] entsteht eine Methodik zur Ontologie-Entwicklung, die insbesondere die Rahmenbedingungen im Unternehmensumfeld und die häufigen Zyklen in der Ontologie-Evolution berücksichtigt (s. Abbildung 1). Wesentlich für COLM ist die Aufteilung der Ontologie-Entwicklung in die zwei Zyklen Engineering und Usage; die beiden Zyklen bestehen aus insgesamt sieben Phasen. Der Engineering-Zyklus beschreibt die Arbeiten eines Ontologie-Modellierungsexperten, um die erste bzw. eine neue Version einer Ontologie zu erzeugen. Der Usage-Zyklus betrachtet die produktive Verwendung einer Ontologie in einer semantischen Anwendung, um die Adäquatheit der Modellierung für den Anwendungsfall zu überprüfen und Feedback der Anwender zu sammeln. In dieser Phase wird im Allgemeinen kein Modellierungsexperte benötigt und es entstehen geringere Kosten für ein Unternehmen. Obwohl das Modell noch keine konkreten Kosten für die einzelnen Phasen definiert, entsteht jedoch bereits in diesem frühen Stadium des Modells ein intuitives Verständnis für die wachsenden Kosten bei der Ontologie-Entwicklung und der danach erforderlichen Ontologie-Evolution. Modularisierung von Ontologien Abbildung 1 Corporate Ontology Lifecycle Methodology (COLM)

4 Durch Wiederverwenden und Integrieren von existierenden Ontologien in der Phase Selection/Integration von COLM können die notwendigen Investitionen für die Entwicklung einer semantischen Anwendung reduziert werden. Geeignetes Bilden von Teil-Ontologien (Modularisierung) reduziert im produktiven Betrieb die Kosten für deren Wartung, da diese nur einen kleinen Teil einer Anwendungsdomäne abdecken und somit leichter verstanden und modifiziert werden können. Nicht zuletzt kann das Modularisieren einer Ontologie auch das Laufzeitverhalten einer Anwendung beeinflussen, weil nur die Teile geladen und betrachtet werden müssen, die für die aktuell durchzuführende Berechnung erforderlich sind. Eine Modularisierung einer Ontologie kann dabei auch zu einem späteren Zeitpunkt erfolgen, falls dieses auf Grund von Informationen aus den Phasen Feedback Tracking und Reporting sinnvoll erscheint. Insbesondere ist dies möglich, da im Vergleich zum öffentlichen Semantic Web im Unternehmenskontext stärkerer Einfluss auf die Ontologie-Modellierung genommen werden kann. Versionierung Wie in der Software-Entwicklung spielt auch in der Ontologie-Entwicklung das Versions- und Release-Management eine wichtige Rolle. Während jedoch in der Software-Entwicklung die Versionierungswerkzeuge die Quellcode-Dateien zeilenweise miteinander abgleichen können, müssen wegen des zugrunde liegenden Datenmodells zwei Versionen einer Ontologie konzeptund eigenschaftsweise verglichen werden. Dieser Anforderung wird SVoNt [Paschke et al. 2009] gerecht, das als Erweiterung des weitverbreiteten Versionierungswerkzeug SVN realisiert wurde. Damit ist es erstmals möglich, Quellcode-Dateien einer Anwendung zusammen mit den darin verwendeten Ontologien zu versionieren. Insbesondere ist jede Version einer Anwendung mit den zugehörigen Ontologien verknüpft, wodurch das Testen (z.b. Integrationstest von Anwendung und Ontologien) und das Release-Management vereinfacht werden. Obwohl klassische SVN-Klienten mit SVoNt kommunizieren können, erlaubt ein spezieller SVoNt-Klient zusätzliche Operation wie die Visualisierung der Revisionen auf Konzeptebene, ein partielles Commit von ausgewählten Konzepten sowie ein konzeptorientiertes Rollback auf frühere Revisionen. Kollaboration im Corporate Semantic Web Während die erste Version einer Ontologie im Allgemeinen in Zusammenarbeit mit Domänenexperten von einem unternehmensexternen Modellierungsexperten erstellt wird, möchten Unternehmen oftmals die Wartung und Evolution der Ontologie (vgl. Abbildung 1), die meist nur kleinere Änderungen wie das Hinzufügen oder Löschen eines Konzepts erfordern, an eigene Mitarbeiter übergeben. Sehr problematisch hierfür ist allerdings der Mangel an geeigneten Modellierungswerkzeugen. Existierende Ontologie-Editoren wie Protégé, OntoStudio oder TopBraid Composer bieten vielfältige Funktionalitäten zu Modellierung und Reasoning und richten sich ausschließlich an Modellierungsexperten. Aus diesem Grund wird derzeit ein leichtgewichtiger Ontologie-Editor [Paschke et al. 2009] entwickelt, dessen Funktionsumfang beschränkt ist und sich vornehmlich an den Bedürfnissen von Domänenexperten orientiert, die wenig Erfahrung in der Ontologie-Modellierung haben. Die Zielgruppe des Editors wird in die beiden Nutzergruppen Ontologie-Nutzer und Wissensmanager unterschieden. Die erste Gruppe überblickt nur einen kleinen Teil der Ontologie und benutzt diese vornehmlich lesend, z.b. zum Annotieren von Inhalten (Tagging). Ihre Kommentare zu und Diskussionen über Konzepte einer Ontologie dienen Wissensmanagern

5 und Ontologie-Modellierern als wertvolles Feedback, um Schwächen in der Modellierung zu beseitigen. Damit die Diskussionen strukturiert ablaufen, werden bekannte Methoden wie DILIGENT [Pinto et al. 2006] eingesetzt. Die zweite Gruppe versteht die Zusammenhänge zwischen der Anwendung und (Teilen) der Ontologie und wirkt aktiv an der Weiterentwicklung der Ontologie mit, indem Änderungen an dieser vorgenommen werden. Gegebenenfalls werden diese Änderungen im Engineering-Zyklus von Modellierungsexperten überprüft. Zum Funktionalitätsumfang des Editors gehören daher im Wesentlichen einfache Operationen wie die Suche nach Konzepten, die Navigation entlang von Eigenschaften, das Hinzufügen und Löschen von Konzepten und Eigenschaften sowie das Kommentieren und Diskutieren von Teilen der Ontologie. Bei verändernden Operationen muss der Editor die Nutzer besonders unterstützen, um Inkonsistenzen (z.b. Duplikate bzw. Konzepte mit ähnlichen Bezeichnern) oder kritische Änderungen (Löschen eines Schlüsselkonzepts) zu verhindern. Ebenso wichtig wie ein auf die Bedürfnisse zugeschnittener Funktionsumfang ist eine benutzerfreundliche Benutzeroberfläche. Daher werden bei der Entwicklung des Ontologie- Editors die Grundsätze des Interaction Designs von Bruce Togazzini [Tognazzini 2003] wie Antizipation der Bedürfnisse des Nutzers, Autonomie (den Nutzer über Ergebnisse von Aktionen informieren), Konsistenz der Bedienung, Effizienz des Benutzers und Zustandsanzeige des aktuellen Arbeitsprozesses berücksichtigt. Abbildung 2 zeigt das Editieren eines Konzepts mit dem Ontologie-Editor und vermittelt einen Eindruck der Benutzeroberfläche. Semantische Suche Als repräsentative Beispiele für den Einsatz von semantischen Technologien im Unternehmenskontext werden im Folgenden zwei Anwendungen vorgestellt: Wissensbasierte Trenderkennung und Suchassistent für das Museumsportal Berlin. Wissensbasierte Trenderkennung Über das Internet sind große Mengen an Informationen wie Business- und Börsen-Nachrichten in Textform verfügbar. Um daraus implizit enthaltenes Wissen zu extrahieren, werden auf diese Abbildung 2 Screenshot des leichtgewichtigen Ontologie-Editors

6 Texte Such- und Analyseverfahren angewendet. Derzeit werden das Ableiten von Wissen und das Vorhersagen von Marktbewegungen von Spezialisten übernommen. Jedoch erfordert das Erkennen und Extrahieren der wesentlichen Informationen Erfahrung und initiale Kenntnisse in der Anwendungsdomäne. Mit Hilfe von semantischen Technologien soll der Prozess der Trenderkennung aus Texten und Zahlen unterstützt und automatisiert werden. Im speziellen wurde die automatisierte Trenderkennung am Beispiel der Marktforschungsdomäne untersucht. Mit Hilfe einer Trend- Ontologie wurden prototypisch die wesentlichen Konzepte und Beziehungen zu Marktforschungsstudien aus dem Bereich der IT-Technologien, im speziellen Internetanschlüsse modelliert. Dazu gehören Schlüsselworte, mit denen ein Kunde seine Meinung ausdrückt, Hintergrundwissen über den betrachteten Markt und trendinduzierende Wörter sowie allgemeine Wörter zur Marktanalyse. Zur Demonstration wurde ein Web Service für die semantikbasierte Trend-Analyse von Texten entwickelt. Dabei dienen die im Web Service eingebetteten Trend-Ontologien als Hintergrundwissen, das die statistische Textanalyse mit Hilfe einer einfachen Ähnlichkeitsfunktion zur Berechnung der semantischen Nähe zweier Konzepte anreichert. Der Trend selbst wird über ein beliebiges statisches Analyseverfahren berechnet. [Streibel & Mochol 2010] Suchassistent für das Museumsportal Berlin Das Museumsportal Berlin mit seinen detaillierten Informationen zu über 200 Museen, Gedenkstätten, Schlössern und anderen kulturellen Einrichtungen ist ein Beispiel für die vielen spezialisierten Themenportale. In Kooperation mit der x:hibit GmbH entsteht ein auf semantischen Technologien beruhende Anwendung, die die bisherige vorhandenen Such- und Navigationsfunktionalitäten des Portals verbessern. Im Moment bietet das Museumsportal Berlin den Nutzern eine einfache Schlagwortsuche an, um Informationen zu bestimmten Ausstellungen oder Veranstaltungen zu finden. Der Hauptnachteil einer Schlagwortsuche liegt in der syntaktischen Suche des Suchwortes; insbesondere werden in dem Portal Schreibfehler, alternative Schreibweisen und Aliase, Synonyme sowie Homonyme bei der Suche nicht berücksichtigt. Darüber hinaus versteht die derzeitige Suchmaschine die Suchworte nicht und kann keine Beziehungen zu verwandten oder in Beziehung stehenden Begriffen herstellen, zum Beispiel bei der Suche Impressionismus auch konkrete Vertreter dieser Stilrichtung berücksichtigen. Zusätzliche Kriterien wie Öffnungszeiten der Einrichtungen können bei der Suche nicht angegeben werden. Anstelle dessen muss der Suchende zu jedem Treffen die Detailseite aufrufen und die dortigen Informationen auswerten. Die beschriebenen Probleme sind vor allem darauf zurückzuführen, dass die Informationen auf den Webseiten in unstrukturierter Form für den Konsumenten Mensch angeboten werden. Selbst wenn man die als XML-Datei vorliegenden Rohdaten betrachten, finden sich unstrukturierte Informationen, z.b. die Beschreibungen der Museen. Das zugrunde liegende XML-Schema ist dabei proprietär (firmenspezifisch) und für eine Visualisierung der Informationen als Webseite konzipiert. In der entwickelten Anwendung [Paschke et al. 2009] werden die Daten des Portals mittels zweier Ontologien repräsentiert: Museum Description Ontology und Arts Domain Ontology. Während die erste Konzepte zum Beschreiben von kulturellen Einrichtungen, Veranstaltungen und Ausstellungen beinhaltet, beschreibt die zweite die in den Museumsbeschreibungen

7 vorkommenden relevanten Begriffe der Kunstdomäne. Auf Grund der bisher meist unstrukturiert gespeicherten Daten werden für das Überführen in die ontologische Repräsentation Algorithmen des Text Mining und Information Retrieval eingesetzt im Moment wird hierfür die AlchemyAPI ( verwendet. Um den Aufwand und die Kosten für die Modellierung der Arts Domain Ontology zu reduzieren, wird darüber hinaus auch auf bereits existierende Informationsquellen wie Wikipedia in Form der DBpedia [Bizer et al. 2009] zurückgegriffen. Für alle aus den textuellen Museumsbeschreibungen extrahierten Schlagwörter bzw. Named Entities wird nach passenden DBpedia-Ressourcen gesucht und irrelevante Entitäten über den in DBpedia vergebenen Ressource-Typs herausgefiltert. Abbildung 3 zeigt beispielsweise einen Auszug der semantischen Beschreibung des Konzepts dbpedia:impressionism, der aufgrund seines Typs (yago:artmovements) der Kunstdomäne zugeordnet werden kann. Anschließend werden aus DBpedia zusätzliche Informationen über die jeweilige Ressource wie beispielsweise Vertreter einer Stillrichtung (über die RDF-Eigenschaft dbprop:movement) oder mehrsprachige Labels extrahiert. Für eine höhere Qualität können auch kommerzielle Kunstthesauri und -klassifikationen wie der Art and Architecture Thesaurus (ATT) oder die Union List of Artists Names (ULAN) hinzugezogen werden. Abbildung 3 Auszug aus der semantischen Beschreibung des Konzepts Impressionismus. Quelle: Mit dem Einbeziehen des Hintergrundwissens bei der Verarbeitung von Suchanfragen werden die Einschränkungen der einfachen Schlagwortsuche überwunden. Zum Beispiel werden Synonyme wie Impressionismus und impressionistische Kunst oder alternative Schreibweisen wie Sandro Botticelli und Il Botticello dadurch berücksichtigt, dass die gesuchten Schlagwörter auf die gleichen Ontologiekonzepte abgebildet werden. Darüber hinaus werden bei der Suche auch die semantischen Beziehungen zu anderen Konzepten, z.b. zu Vertretern einer Stillrichtung, oder Beziehungen zwischen Künstlern (über die Eigenschaften dbprop:influencedby und dbprop:training) in Betracht gezogen. Dieses Verfahren, die Anfrage um weitere relevante Konzepte zu ergänzen, wird als Anfrageerweiterung (query expansion) bezeichnet (vgl. Abbildung 4). Das Ranking der Ergebnisse wurde so gestaltet, dass die zuerst die exakten und danach die durch die Anfrageerweiterung entstandene Treffer angezeigt werden. Eine Herausforderung bei der Darstellung der Ergebnisse der Anfrageerweiterung ist dem Nutzer nachvollziehbar zu erklären, wie diese zu Stande gekommen sind. Derzeit wird dies über per Templates generierte Erläuterungen gelöst. Neben der Anfrageerweiterung sind durch

8 die strukturierte Verwaltung der Daten über eine facettierte Anzeige auch komplexere Anfragen möglich, die beispielsweise Öffnungszeiten oder Eintrittsgelder berücksichtigen. Abbildung 4 Suche nach "Impressionismus" wird um Vertreter der Stilrichtung erweitert. Die blauen Boxen stellen zusätzliche Treffer dar. Zusammenfassung Eine semantische Repräsentation von Informationen ist für Unternehmen von Vorteil, da sich diese unter anderem mit anderen externen, semantischen Informationsquellen einfacher integrieren und in Anfragen kombinieren lassen. Somit wird das Ableiten von implizitem Wissen aus Unternehmensdaten begünstigt. Jedoch verhindert die Kluft zwischen Forschung und den Bedürfnissen von Unternehmen eine schnelle Adaption von semantischen Technologien durch Unternehmen. Um dem entgegenzuwirken, werden im Forschungsbereich Corporate Semantic Web innovative Konzepte und Lösungen für die Gewinnung, Verwaltung und Nutzung von Wissen auf Basis von semantischen Technologien mit speziellem Fokus auf den Unternehmenskontext entwickelt. In dem Artikel wurden die Bereiche Ontologie-Entwicklung, Kollaboration im CSW und semantische Suche betrachtet. Es wurden Methoden und Werkzeugen vorgestellt, um den Einstieg in semantischen Technologien für Unternehmen erleichtern können. Reale Anwendungsbeispiele wie die Trendanalyse in Business-Nachrichten und die semantische Suche im Museumsportal Berlin illustrieren den Mehrwert von semantischen Technologien für Unternehmen. Bibliographie [Bizer et al. 2009] Christian Bizer, Jens Lehmann, Georgi Kobilarov, Sören Auer, Christian Becker, Richard Cyganiak, Sebastian Hellmann: DBpedia - A crystallization point for the Web of Data.

9 Journal of Web Semantics: Science, Services and Agents on the World Wide Web, Issue 7, Pages , [Coskun et al. 2009] Gökhan Coskun, Ralf Heese, Markus Luczak-Rösch, Radoslaw Oldakowski, Adrian Paschke, Ralph Schäfermeier, Olga Streibel: Towards a Corporate Semantic Web. International Conference on Semantic Systems, I-Semantics '09, Graz, Austria, 2-4 Sept [Delteil 2007] Alexandre Delteil, Roberta Cuel, and Vincent Louis: Knowledge web technology roadmap. In: Technical report, University of Trento, Italy, [Hepp 2007] Martin Hepp: Possible ontologies: How reality constrains the development of relevant ontologies. In: IEEE Internet Computing, 11(1): 90 96, [Luczak-Rösch & Heese 2009] Markus Luczak-Rösch, Ralf Heese: Managing Ontology Lifecycles in Corporate Settings. In: Networked Knowledge - Networked Media: Integrating Knowledge Management, New Media Technologies and Semantic Systems, [Paschke et al. 2009] Adrian Paschke, Gökhan Coskun, Ralf Heese, Markus Luczak-Rösch, Radoslaw Oldakowski, Ralph Schäfermeier, and Olga Streibel. Realizing the corporate semantic web: Concept papers. Technischer Report TR-B-08-09, Freie Universität Berlin, [Pinto et al. 2006] S. Pinto, C. Tempich, S. Staab, and Y. Sure. Semantic Web and Peer-to-Peer, chapter Distributed Engineering of Ontologies (DILIGENT), Springer Verlag, [Streibel & Mochol 2010] Olga Streibel and Malgorzata Mochol: Trend Ontology for Knowledgebased Trend Mining in textual Information. In: IEEE Computer Society Proceedings of 7th International Conference on Information Technology: New Generations, ITNG2010, [Tognazzini 2003] Bruce Tognazzini: First Principles of Interaction Design Letzter Zugriff