#semweb

#SPARQL Query for #Graph Density #Analysis @sparqlverse

SPARQLverse is the graph analytics engine produced by SPARQLcity. Standards compliant and super fast!

I’ve been spending a lot of time this past year running queries against the open source SPARQLverse graph analytic engine.  It’s amazing how simple some queries can look and yet how much work is being done behind the scenes.

My current project requires building up a set of query examples that…

Lettre de soutien d'Etalab, lors de l'ouverture de la dixième édition de la conférence européenne sur le web sémantique ESWC 2013

Tout se passe comme si la révolution numérique voyait naître une troisième phase : la révolution des données, aussi différente de la révolution Internet qu’Internet l’avait été de l’informatique des années 70. C’est la révolution des big data, du web social, de l’open data, ce sont de nouvelles stratégies de création de valeur, de nouveaux codes sociaux, de nouveaux rapports entre les individus, c’est la datavisualisation et les API, le cloud computing, etc. 

  Avec cette révolution, les entreprises, les citoyens, les administrations ou encore les chercheurs se mettent à travailler au niveau élémentaire de la donnée, à manipuler des distributions complètes, à percevoir des signaux faibles, pour, une fois encore, changer en profondeur l’économie et la société. C’est un tout nouveau rapport au savoir, au pouvoir et à l’action qui se dessine.

  C’est dans cette révolution que le web des données prend tout son sens. Le web des données et le web sémantique sont les deux facettes de cette nouvelle infrastructure informationnelle, à la recherche d'un web où les données de toutes formes produites par tous les acteurs se trouvent interconnectées, identifiées sans ambiguïté et reliées les unes aux autres. Un web où la création de nouveaux services, de nouveaux usages, de nouveaux croisements des données est grandement simplifiée et où la mise en réseau des moyens de production ouvre la voie à de nouveaux modèles d’innovation.

  La France est engagée dans ce mouvement en tant qu’acteur à part entière de cette révolution qui voit le numérique connecter le monde.

  Son offre de formations scientifiques de haut niveau, les compétences des chercheurs français et les travaux scientifiques des laboratoires et instituts de recherche français, comme le Laboratoire d'Informatique, de Robotique et de Microélectronique de l’Université de Montpellier II (LIRMM), l’Institut National de Recherche en Informatique et en Automatique (INRIA), le Centre national de la recherche scientifique (CNRS) ou le Laboratoire de Recherche en Informatique d’Orsay (LRI), sont largement reconnus à l’international.

  La communauté du web sémantique français rassemble des entreprises performantes et innovantes – comme  Antidot, Atos, Exalead, Logilab, Mondeca, Pearltrees, Semsoft ou Temis – ainsi que des associations comme la FING et le GFII qui diffusent activement les nouveaux usages que permet le web des données. 

  Les démarches d'ouverture des données publiques initiées par l'Etat ou les collectivités territoriales – comme Montpellier avec l’initiative Montpellier Territoire Numérique – contribuent également à l’émergence du web sémantique. La diffusion la plus large de données publiques, les vagues technologiques de l’Open Data ou du Big Data, les nouveaux métiers des data-scientists ou des data-journalistes contribuent à former une véritable filière industrielle de la donnée et de ses usages.

  L’Etat lui-même peut aussi bénéficier des avancées issues de la recherche sur le web sémantique. Pour apporter du sens et rendre interopérables les données hétérogènes de ses systèmes d’information, l’Etat a notamment élevé sémantiquement des données brutes structurées avec la plateforme open-source du consortium Datalift.

  L’application des technologies sémantiques à l’indexation et à la découverte facilite aussi la réutilisation des données de l’Etat. La plateforme française d’Open Data data.gouv.fr est ainsi conçue à partir d’un catalogue sémantique et interopérable de métadonnées descriptives. La Bibliothèque nationale de France (BNF) diffuse par ailleurs sur cette plateforme les fiches de référence sur les auteurs et les œuvres de son catalogue en formats sémantiques. La plateforme Montpellier Données Publiques Ouvertes exploite elle aussi les dernières avancées en la matière.

  Ces technologies appuient également la constitution d’annuaires et de référentiels partagés au sein des services de l’Etat. L’INSEE publie ainsi des versions sémantiques du Code Officiel Géographique qui recense les subdivisions administratives du territoire ou les données du recensement de la population. Etalab a aussi réalisé, avec le concours de la Direction de l’Information Légale et Administrative (DILA), un référentiel sémantique des administrations de l’Etat.

  Le 19 Novembre 2012, le ministère de la Culture et de la Communication a signé une convention avec Wikimédia et l’Inria créant la plate-forme collaborative « Sémanticpédia », visant à créer des programmes de recherche et de développement en matière culturelle à partir des données extraites de Wikipédia francophone. La délégation générale à la langue française et aux langues de France soutient également le projet de version sémantique du Wiktionnaire francophone. C’est ainsi plus de deux millions de termes qui viendront s’ajouter au réseau sémantique des articles de Wikipédia.

  L’ensemble de ces travaux s’inscrivent dans le cadre des études et des projets de la Commission Européenne – comme Interoperability Solutions for European Public Administrations, Linked Open Data 2ou la plateforme ENGAGE – et des organismes internationaux tels que le World Wide Web Consortium(W3C).

  Etalab, mission du Premier ministre en charge de l’ouverture des données publiques mais aussi de la promotion de l’innovation privée et publique sur ces données, compte s’appuyer sur l’important travail réalisé par la communauté scientifique française du web sémantique, et en attend beaucoup pour le développement d’une véritable culture de la donnée en France.

  C’est pourquoi je me réjouis de vous assurer du soutien d’Etalab à cette 10ème édition de la Conférence Européenne du Web Sémantique, et souhaite de bons travaux aux intervenants et aux participants qui seront réunis à Montpellier du 27 au 30 Mai 2013.

20130524 Lettre de soutien Etalab Conférence web sémantique by Etalab, data.gouv.fr

  En parallèle des soutiens aux activités de recherche et développement sur le web sémantique, tels que cette 10e édition de la conférence européenne sur le web sémantique ESWC 2013", j'ai eu le plaisir d'organiser des ateliers de formation-action sur le web sémantique avec les producteurs de données et des experts en web sémantique.

Etalab, chargée de coordonner l’ouverture des données publiques, a accueilli le 10 octobre dernier « le DataLift Camp » en présence des membres du consortium Datalift, Charles Nepote (FING) et François Scharffe (LIRMM, Datalift), et de plus d’une quarantaine de participants producteurs de données, fournisseurs de plateformes, acteurs publics et experts de l’Open Data en France (de l’EURECOM, l’INSEE, l’INRA, Logica, Mondeca, l’IGN, le Ministère de l’Intérieur…).

Après le mot d’accueil de Charles Ruelle pour Etalab, Charles Nepote engage la conversation

  La matinée a commencé par une introduction au web sémantique, ses enjeux et ses usages. Charles Ruelle, directeur technique de la mission Etalab, a d’ailleurs rappelé à cette occasion « Le « web des données » (ou web sémantique), est la promesse d’un web centré sur les données, un web où les données de toutes formes et de tous acteurs se trouvent normalisées, identifiées sans ambiguïté et reliées les unes aux autres. Ces technologies appliquées à l’Open Data faciliteraient la création de nouveaux services, de nouveaux usages, et de nouveaux croisements de données.».

  Les technologies du web sémantique permettent notamment aux données ouvertes « Open Data », d’être normalisées, identifiées sans ambiguïté et d’être reliées les unes aux autres. 

  Vidéo pédagogique de présentation du web des données : «  Le web des données ouvertes et liées, qu’est ce que c’est ? »

    Ont ensuite suivies les présentations de Gabriel Kepeklian, responsable Recherche et Développement à Atos et de François Scharffe, coordinateur du projet Datalift et chercheur en Intelligence Artificielle et en Web Sémantique.

  Présentation de DataLift par François Scharffe, Datalift Camp 9 et 10 octobre 2012, p.9

  « Les mains dans le cambouis »

Après cette session plénière, les participants ont été invités à soumettre leurs idées de jeu de données et à former des groupes.

Fanny Maestracci de Suez Environnement a démarré par l’idée de travailler sur « l’eau », « l’impact sur les collectivités », la « qualité de l’eau dans les communes ». C’est ensuite Eric Cossa de Picardie Tourisme qui a pris la parole, intéressé par les données aussi bien touristiques, que par des croisements de données géographiques, météorologique, et/ou environnementales.

  « Brainstorming » en fin de matinée

Après consultation de chacune des personnes présentes lors de cette journée de formation, les groupes « Prénoms », « INSEE », « Evénements », « Environnement », « Géolocalisation » et « DCAT » ont été définis pour le travail de l’après-midi.

La veille, au cours du Datalift Camp du 9 octobre, les groupes avaient abordé les sujets de croisement de données INSEE avec celles du Code Officiel Géographique ; les données de transport ; le budget des collectivités ; les prénoms ; et le croisement de données Open Food Facts.

Le groupe Environnement (Alimentation/Agronomie) travaille à l’interconnexion des données.

  Un bilan positif

Les équipes formées ont été enthousiastes, inventives, ce malgré les quelques problèmes techniques rencontrés (de syntaxe, de conversion des données…). Pour certains d’entre eux, l’utilisation de la plateforme Datalift était une première qui s’est avérée prometteuse. Tandis que pour d’autres, participer au Datalift Camp correspondait à une continuité dans leurs recherches :

Par exemple, Christian Quest d’Open Street Map affirmait l’atout d’une formation au web sémantique : « le web sémantique est avant tout un apport de qualité à un travail de recherche déjà en cours ».

Stéphan Bernard de l’IRSTEA a parlé de web sémantique comme « d’un moyen de trouver des clefs  pour identifier les données utiles dans le cadre d’une recherche appliquée » et « de distinguer des données similaires avec des intitulés différents ».

Enfin, Nicolas Chauvat de Logilab évoquait l’intérêt du Datalift Camp, sa société étant spécialisée dans l’informatique scientifique et le web sémantique.

  Datalift Camp : et maintenant ?

Datalift est un logiciel libre, ce qui permettra aux participants de poursuivre leurs travaux avec le concours des référents du consortium pour arriver à un résultat abouti.

Datalift poursuit ses travaux de développement pour faciliter l’élévation sémantique de données.

Enfin, dans le cadre des Dataconnexions, la FING prévoit un hackathon « données 5 étoiles » courant novembre 2012 pour « valoriser les données sémantiques produites ».

I just got a call from a friend who is looking for someone who knows how to digest scientific publications into a knowledge base. He/she should hold a degree in life science and have idea about controlled vocabularies ( knowing semantic web is a plus). The company is located in Switzerland but is looking for an remote employee (with occasional visits to Switzerland) from Central-Eastern Europe.

Here is more:

Our customer, an international leading pharmaceutical company, currently needs an experienced and highly motivated Scientific Knowledge Analyst. This position will be a long-term contract starting as soon as possible, there is an option for home office.

If you want to be part of an international team and work in a challenging scientific environment, we might have the right opportunity for you.

Your responsibility in this role is to ensure maintenance and improvement of the scientific database as well as quality control of several relevant publications (clinical and medical). Having been able to gather experience in the field of authoring and indexing you are able to quickly review, classify and retrieve key messages from scientific publications. Coming from a scientific background you are strongly familiar with the controlled vocabulary used and are able to handle database content diligently.

To be successful you need to bring the following to the role:

Scientific Degree in a life science field (Pharmacology, Biology, Chemistry, Medicine, etc.)

Previous experience with (scientific) literature databases

Strongly knowledgeable about indexing, controlled vocabularies, and authoring

Experience extracting relevant content from scientific publications

Additional degree/certification in the field of information science is an advantage

Excellent communication skills

Představte si, že jste sportovní reportér a píšete například na web SportovniNoviny.cz. Vaším úkolem je psát po každém zápase české fotbalové ligy reportáž (zhruba takovouto). Jelikož má liga 16 týmů a týmy hrají dvakrát každý s každým, dělá to za jednu sezonu dohromady 240 článků, které se sobě do značné míry podobají. Co kdyby vám někdo řekl, že tyto články psát nemusíte a že vám místo toho dá nástroj, který takový článek vygeneruje lusknutím prstu? A co kdybyste si ten nástroj vlastně udělali sami? Že neumíte programovat? Nevadí, to nepotřebujete, stačí když si porozumíte s pár funkcemi v Excelu! Sen? Ne. Semantic web... a vlastně ani to ne. Tak a teď zpátky do reality:). Sám jsem takovýto generátor zkusil udělat a prvních pár vět už zvládá, však koukněte (a vyzkoušejte) sami (vydržte chvilku, než se vše načte a neměňte prosím žádné jiné buňky než Domácí a Hosty). To, že se nejedná o žádná kouzla, ukáži v tomto článku, kde celý projekt popíši.

Recept

Než začneme vařit takovýto "dort", připravíme si 2 základní ingredience:

1 soubor, nejlépe Google spreadsheet, můžeme však také použít Excel či jiný tabulkový editor

strojově zpracovatelné zdroje dat s informacemi o zápasech (tabulky o pořadí týmů, skóre zápasů apod.)

A ještě je důležité, aby byl "kuchař" zběhlý alespoň v základech logiky. Víc toho opravdu potřeba není.

Jak to funguje?

V podstatě je to jednoduché. Máme potřebná data (např. tabulka s výsledky z daného kola). Data importujeme do pracovní tabulky a funkcemi vyhodnocujete, kdo vyhrál, kdo dal kolik gólů, kam se který tým posunul, jestli má šanci na titul a tak dále, a tak dále. Pak si musíme udělat vlastní slovníček (opět tabulka), kde budou termíny, z kterých se při generování vybírá ten nejsprávnější. Funkcemi pak vybíráme, které slovíčko (spojení) se do výsledných buněk zapíše. Tyto buňky pak spojíme ve větu, v jedné výsledné buňce.

Jak jsem postupoval?

Pracoval jsem v Google Spreadsheetu a v mém generátoru jsem používal tyto funkce:

AND,OR,IF - základní funkce, které snad popisovat nemusím

VLOOKUP a HLOOKUP - vertikální a horizontální vyhledávání v zadané oblasti, kdy se porovnává zadaná buňka s prvním sloupcem (VLOOKUP) nebo řádkem (HLOOKUP) ze zadané oblasti a jako výsledek se vrátí hodnota sloupce/řádku jiného, více o těchto funkcí naleznete například zde.

RANDBETWEEN - funkce vrací náhodné číslo ze zadaného rozsahu

OFFSET - vrácí odkaz na oblast, která obsahuje určený počet řádků a sloupců, od určité buňky nebo oblasti buněk. Tuto funkci jsem používal v kombinaci s funkcí RANDBETWEEN

CONCATENATE - vypíše textový řetězec 1-255 buňek

Kombinováním těchto pár funkcí jsem vytvářel funkce složitější, přičemž bylo nejtěžší neopomenout žádnou změnu, která by mohla znamenat nesrozumitelnost nebo nesprávný tvar generované věty. Na funkce se můžete podívat na dalších listech generátoru, po kliknutí na příslušné buňky. Některé funkce jsem psal možná zbytečně složitě a kostrbatě (zejména z počátku), ale fungují a to (snad) ve všech případech. BTW klidně si soubor zkopírujte k sobě na Drive.

A to je vlastně vše

Když se podíváte na výsledek mé práce, je jasná, že se jedná pouze o 3 věty a ne celý článek, jak jsem sliboval na začátku. Chtěl jsem totiž tímto postem spíše ukázat, že to jde a že je to snadné. Pokud byste chtěli delší článek, není nic jednoduššího než začít vymýšlet další podmínky a přidávat další termíny do slovníku. Jediným problémem, na který můžete narazit, jsou špatně zpracovatelná data. V mém souboru vidíte, že tabulka s pozicemi týmů po každém kole je importována pomocí funkce importHtml a díky tomu se dynamicky mění a aktualizuje. Kdežto tabulku se zápasy jsem do dokumentu naimportoval klasickým copy/paste způsobem, protože jsem nenašel žádnou stránku, která by obsahovala mnou potřebná data (údaje i o prvním poločase) a zároveň by byla snadno zpracovatelná.

Znamenitá mrtvola

Kromě toho, že jsme na další hodině Sémantického webu hráli Znamenitou mrtvolu a já ještě dnes nosím v kapse u kalhot papírek s velmi významným sdělením, tedy že: "Informační černokněžník svítil. Hulánovský šatník ruší. Zlá stolička a pihovatá bakalářka se valí.", tak jsme (mimo jiné) rozebírali téma generování textového obsahu pomocí počítače. Konkrétně jsme se bavili o generování sportovních článků - zpráv ze zápasu.

Automaticky generovaný (sportovní) obsah

V příští hodině bychom totiž měli zkusit vymyslet algoritmy, dle kterých by takovýto automatický novinář mohl pracovat s údaji o zápase (v kolikáté minutě dal kdo gól atd.), které jsou volně přístupné např. na stránkách www.gambrinusliga.cz. Na jejich základě by pak vytvářel články, které by vypadaly, jako by je psal novinář skutečný. 

Na mém Delicious účtu jsem nashromáždil pár zajímavých článků na toto téma (pokud vás to třeba zaujalo).

Také jsme dostali za úkol zanalyzovat stavbu článků o fotbale z jakéhokoliv česky psaného webu. Vybral jsem si sportovní server ČTK - Sportovninoviny.cz a postupoval jsem takto:

do spreadsheetu jsem vložil odkazy na všech 15 článků,

rozhodl jsem se analyzovat pouze první shrnovací odstavec (perex), který obsahuje veškeré podstatné informace o zápase:

do připraveného spreadsheetu jsem postupně zaznamenal objekty a události v pořadí, v jakém byly zmíněné,

poté jsem na základě této tabulky vytvořil přibližný model zprávy, kde jsem použil nejčastější objekty a události na nejčastějších pozicích.

Model

Z modelu je patrné, že zpráva vždy nejdřív obsahuje město z kterého je psána, pak uvede první tým (např. fotbalisté Liberce...), pak zpravidla následovala informace, o kolikáté kolo se jedná. Před, anebo po této informaci bývalo ve zprávách řečeno, kde se hrálo (...fotbalisté Liberce v dohrávce 25. kola na hřišti Sparty...) a poté jméno druhého týmu a výsledek zápasu.

Už jste někdy slyšeli o Prologu, nebo dokonce o Datalogu? Já ne. Teda až do 4. hodiny Sémantického webu. V té jsem se dozvěděl, že Prolog je známý programovací jazyk a že není příliš user-friendly - to soudím dle reakcí spolužáků, kteří už Prolog znají (při vyslovení slova PROLOG se znechuceně zašklebili) a ani ujištění, že Datalog je velmi zjednodušenou verzí Prologu, přítomné nějak viditelně neuklidnilo.

Datalog?

Datalog má kořeny už v 90. letech a dnes prý zažívá druhý boom. Jak jsem už nakousl, Datalog je zjednodušeným Prologem a to, že je podmnožinou (subsetem) Prologu, se projevuje i na počtu operátorů (Datalog jich má méně). Z operátorů jsme se naučili zatím jen ty nejzákladnější - tedy definici pravidla ( :- ), otázku ( ? ) a logické AND ( , ). S tímto arzenálem jsem se vrhl na Francouzskou novou vlnu, konkrétně na tvorbu Françoia Truffauta (v té době).

Sémantická síť

Jelikož se pomocí Datalogu dobře zapisují vztahové-sémantické sítě, zkusil jsem si nejdříve tuto síť nakreslit prostřednictvím yED Graphu. Vybral jsem  tedy 6 celovečerních filmů + 1 kraťas (Antoine et Colette), přičemž veškeré údaje o nich jsem čerpal z IMDB a ČSFD. Načerpané údaje jsem zakreslil do grafu pomocí vztahů: director, screenwriter, composer, actor, role a film_cz (český název filmu).

Tady si můžete graf stáhnout ve formátu GraphML

Poznámky:

Herce jsem vybral vždy první 3 dle IMDB  (tj. ty nejhlavnější).  U jednoho filmu jsem však udělal výjimku. Tou výjimkou byl film Nikdo mne nemá rád, zde jsem zakreslil jen hlavního herce (Jean-Pierre Léaud) a na další 2 volné pozice jsem zadal herce z vedlejších rolí, aby byl výsledný spletenec zajímavější (jsou jimi totiž Jean-Claude Brialy a Jeanne Moreau, kteří hrají i v dalších, mnou vybraných, Truffautových filmech).

Do grafu jsem z důvodu větší přehlednosti nezaznamenal vztah Françoi Truffaut-scénarista, byl by totiž u všech filmů (většinou si psal dialogy, či jinak pomáhal se scénářem) a tak mi přišlo dostatečné, zaznamenat pouze jiné osoby, které se na scénáři podílely.

Krátký film Antoine et Colette jsem do práce zařadil proto, že v tomto filmu vystupuje stejná postava, jako ve filmu Nikdo mne nemá rád - Antoine Doinel (alterego samotného režiséra).

Datalog!

Výsledný kód si můžete stáhnout z Gistu, a vypadá takto:

#lang datalog % ----------------------FRANCOUZSKA NOVA VLNA - PRIKLAD--------------------------- % ----pokud kod kopirujete do online editoru, smazte prvni radek #lang datalog---- % --- online editor: http://ysangkok.github.com/mitre-datalog.js/wrapper.html ---- % -------------------------------------------------------------------------------- % reziser(autor, dilo, cesky nazev) director(francois_truffaut, tirez_sur_le_pianiste, strilejte_na_pianistu). director(francois_truffaut, jules_et_jim, jules_a_jim). director(francois_truffaut, la_peau_douce, hebka_kuze). director(francois_truffaut, fahrenheit_451, 451_fahrenheita). director(francois_truffaut, la_mariee_etait_en_noir, nevesta_byla_v_cernem). director(francois_truffaut, les_quatre_cents_coups, nikdo_mne_nema_rad). director(francois_truffaut, antoine_et_colette, antoine_a_colette). % (original, cesky nazev) - jak se ten film jmenuje v CR? Zeptam se napr. "filmcz(la_peau_douce,X)?" filmcz(B,C) :- director(A,B,C). % pouze film a poze reziser pro pripadne dalsi uziti only_director(A) :- director(A,B,C). only_film(B) :- director(A,B,C). % autor/autori scenare (autor,dilo) screenwriter(marcel_moussy, tirez_sur_le_pianiste). screenwriter(jean_gruault, jules_et_jim). screenwriter(jean_louis_richarr, la_peau_douce). screenwriter(jean_louis_richarr, fahrenheit_451). screenwriter(jean_louis_richarr, la_mariee_etait_en_noir). screenwriter(marcel_moussy, les_quatre_cents_coups). % autor scenare pro vyhledavani s ceskymi nazvy scenarista(A,B) :- screenwriter(A,C), filmcz(C,B). only_screenwriter(A) :- screenwriter(A,B). % skladatel (aurtor,dilo) composer(georges_delerue, tirez_sur_le_pianiste). composer(georges_delerue, jules_et_jim). composer(georges_delerue, la_peau_douce). composer(bernard_herrmann, fahrenheit_451). composer(bernard_herrmann, la_mariee_etait_en_noir). composer(jean_constantin, les_quatre_cents_coups). composer(georges_delerue, antoine_et_colette). skladatel(A,B) :- composer(A,C), filmcz(C,B). only_composer(A) :- composer(A,B). % tvurce filmu (osoba,dilo), priklad dotazu: "film_maker(X, jules_et_jim)?" vypise vsechny tvurce filmu Jules a Jim. film_maker(A,B) :- director(A,B,C). film_maker(A,B) :- screenwriter(A,B). film_maker(A,B) :- composer(A,B). % tvurce pro ceske hledani napr. "tvurce(jean_louis_richarr, X)?" tvurce(A,B) :- film_maker(A,C), filmcz(C,B). % co_op = cooperator(jmeno,jmeno). Vypise tvurce, s kterymy dotazovany spolupracoval napr. "co_op(georges_delerue, X)?" co_op(A,B) :- film_maker(A,C), director(B,C,D). co_op(A,B) :- film_maker(A,C), screenwriter(B,C). co_op(A,B) :- film_maker(A,C), composer(B,C). spolupracovnik(A,B) :- co_op(A,B). % herec + role (herec, film, role) actor(charles_aznavour, tirez_sur_le_pianiste, charlie_kohler). actor(charles_aznavour, tirez_sur_le_pianiste, edouard_saroyan). actor(marie_dubois, tirez_sur_le_pianiste, lena). actor(nicole_berger, tirez_sur_le_pianiste, therese_saroyan). actor(henri_serre, jules_et_jim, jim). actor(oskar_wernere, jules_et_jim, jules). actor(jeanne_moreau, jules_et_jim, catherine). actor(jean_desailly, la_peau_douce, pierre_lachenay). actor(francoise_dorleac, la_peau_douce, nicole). actor(nelly_benedetti, la_peau_douce, franca_lachenay). actor(oskar_werner, fahrenheit_451, guy_montag). actor(julie_christie, fahrenheit_451, clarisse). actor(julie_christie, fahrenheit_451, linda_montag). actor(cyril_cusack, fahrenheit_451, the_captain). actor(jeanne_moreau, la_mariee_etait_en_noir, julie_kohler). actor(michel_bouquet, la_mariee_etait_en_noir, coral). actor(jean_claude_brialy, la_mariee_etait_en_noir, corey). actor(jean_pierre_leaud, les_quatre_cents_coups, antoine_doinel). actor(jeanne_moreau, les_quatre_cents_coups, woman_with_dog). actor(jean_claude_brialy, les_quatre_cents_coups, man_in_street). actor(jean_pierre_leaud, antoine_et_colette, antoine_doinel). actor(marie_france_pisier, antoine_et_colette, colette). actor(jean_francois_adam, antoine_et_colette, albert_tazzi). % herec (jmeno, filmcz, role) - slouzi pro vyhledavani v cj herec(A,B,C) :- actor(A,D,C), filmcz(D,B). % postava ve filmu (role, film) otazka: jake postavy jsou ve filmu? napr. "role(X, jules_et_jim)?" role(C,B) :- actor(A,B,C). rolecz(A,B) :- role(A,C), filmcz(C,B). % fullcredits neboli tvurci a herci dohromady, proste vsichni co s tim filmem maji cokoliv spolecneho (jmeno, film). fullcredits(A,B) :- film_maker(A,B). fullcredits(A,B) :- actor(A,B,C). tvurci_a_herci(A,B) :- fullcredits(A,C), filmcz(C,B).

A můžete vyzkoušet třeba následující dotazy:

only_film(X)? - vypíše všechny filmy

filmcz(tirez_sur_le_pianiste, Y)? - Jak se v ČR jmenuje film Tirez sur le pianiste?

screenwriter(jean_louis_richarr, Y)? - K čemu všemu napsal J.L.Richarr scénář?

scenarista(X,strilejte_na_pianistu)? - totéž, pouze s českým názvem (kdo je scenaristou Střílejte na pianistu?)

skladatel(georges_delerue, Y)? - K jakým filmům složil G. Delarue hudbu?

film_maker(X, jules_et_jim)? - vypiš všechny tvůrce filmu Jules et Jim

tvurce(jean_louis_richarr, Y)? - totéž s českými názvy

co_op(georges_delerue, Y)? - S kým G.Delerue spolupracoval (tj.pracoval na stejném filmu)

actor(jeanne_moreau, Y, Z)? - Kde hrála J.Moreau a jak se jmenovala její postava?

herec(X, Y, antoine_doinel)? - V kterých filmech vystupovala postava Antoine Doinela a kdo jí hrál?