[論文レビュー] BigCQ: A large-scale synthetic dataset of competency question patterns formalized into SPARQL-OWL query templates

Dawid Wiśniewski, Jędrzej Potoniec+1 more|arXiv (Cornell University)|May 20, 2021

Topic Modeling参考文献 21被引用数 4

ひとこと要約

本稿では、頻出するOWL公理形状から自動生成された77,575個のコンpetency question (CQ)テンプレートと549個のSPARQL-OWLクエリテンプレートを備えた大規模な合成データセットBigCQを紹介する。このデータセットにより、自然言語のCQからクエリへの自動翻訳および用語集抽出が可能となり、実世界のCQの63.89%、既存のコーパスからのSPARQL-OWLクエリの45.74%をカバーする。再利用可能なスクリプトを併記することで、拡張性を確保している。

ABSTRACT

Competency Questions (CQs) are used in many ontology engineering methodologies to collect requirements and track the completeness and correctness of an ontology being constructed. Although they are frequently suggested by ontology engineering methodologies, the publicly available datasets of CQs and their formalizations in ontology query languages are very scarce. Since first efforts to automate processes utilizing CQs are being made, it is of high importance to provide large and diverse datasets to fuel these solutions. In this paper, we present BigCQ, the biggest dataset of CQ templates with their formalizations into SPARQL-OWL query templates. BigCQ is created automatically from a dataset of frequently used axiom shapes. These pairs of CQ templates and query templates can be then materialized as actual CQs and SPARQL-OWL queries if filled with resource labels and IRIs from a given ontology. We describe the dataset in detail, provide a description of the process leading to the creation of the dataset and analyze how well the dataset covers real-world examples. We also publish the dataset as well as scripts transforming axiom shapes into pairs of CQ patterns and SPARQL-OWL templates, to make engineers able to adapt the process to their particular needs.

研究の動機と目的

• オントロジー工学分野において、自然言語のコンピテンシークエスチョン（CQ）と形式的SPARQL-OWLクエリを結びつける、公開可能な大規模データセットの不足を解消すること。
• 機械学習を用いてCQベースのタスク（例：用語集抽出、CQからクエリへの翻訳）の自動化を可能にすること。
• 頻出するOWL公理形状から、スケーラブルで拡張可能なCQおよびSPARQL-OWLテンプレートペアのデータセットを生成すること。
• NLPおよび知識表現システムの学習・評価に使用する際の、CQからクエリへのマッピングのカバレッジと品質を向上させること。

提案手法

• 頻出するOWL公理形状のセットから、ルールベースの語彙化パターンを用いてCQテンプレートを自動生成する。
• 形式的な文法的・意味論的ルールを用いて、各CQテンプレートを対応するSPARQL-OWLクエリテンプレートにマッピングする。
• 同義語および語彙的バリエーションのデータベースを活用し、CQテンプレートの豊かさを高め、言語的多様性を向上させる。
• オントロジー固有のラベルおよびIRIをテンプレートに代入することで、完全なCQ-SPARQL-OWLペアを具体化する。
• 実世界のデータセット（CQ2SPARQL-OWLおよびCORAL）と比較することで、カバレッジを検証する。
• 再現性および拡張性を確保するため、GitHubおよびZenodoにデータセットと変換スクリプトを公開する。

実験結果

リサーチクエスチョン

• RQ1 一般的なOWL公理パターンから、体系的かつ大規模なCQテンプレートおよびそのSPARQL-OWLクエリ対応物の合成データセットをどのように生成できるか？
• RQ2 生成されたデータセットが、既存コーパスからの実世界のコンピテンシークエスチョンおよびSPARQL-OWLクエリをどの程度カバーしているか？
• RQ3 現在のテンプレート生成プロセスが、複雑または希少なクエリパターンを処理する際に直面する制限は何か？
• RQ4 このデータセットは、自動CQからクエリへの翻訳および用語集抽出システムのトレーニングデータとして効果的であるか？

主な発見

• BigCQには77,575個の異なるCQテンプレートと549個の異なるSPARQL-OWLクエリテンプレートが含まれており、平均して1つのクエリテンプレートあたり171.68個のCQテンプレートが対応している。
• 本データセットは、CORALコーパスのCQの63.89%、CQ2SPARQL-OWLデータセットのSPARQL-OWLクエリの45.74%をカバーしている。
• クエリテンプレートで最も頻出する構造は、owl:Restriction（504/549）、owl:onProperty（504/549）、およびowl:intersectionOf（319/549）である。
• 未カバーの主要なクエリパターンとして、ネストされたプロパティチェーンとowl:disjointWithを含むクエリがあり、これらは非対応ケースのおよそ25%を占めている。
• 本データセットは拡張可能である。著者らは、新しい公理形状、語彙化ルール、および同義語データベースに対応するためのオープンソーススクリプトを提供している。
• 本データセットは永続的DOIを備えており、GitHubに公開されており、自然言語処理およびオントロジー工学のパイプラインへの再利用・拡張・統合が可能である。