[論文レビュー] Formal Ontology Learning from English IS-A Sentences

Sourish Dasgupta, Ankur Padia+3 more|arXiv (Cornell University)|Feb 11, 2018

Natural Language Processing Techniques参考文献 61被引用数 3

ひとこと要約

本稿では、文脈的でない要因を考慮した英語のIS-A文を、2段階のパイプラインである正規化文構造（NSS）と記述論理$Δ\mathcal{SHOQ}(\mathbf{D})$への翻訳アルゴリズムを用いて、正式なオントロジーに変換するDLOLという形式的オントロジー学習フレームワークを提案する。DLOLは、Text2Onto、FRED、LExOといった最先端のツールと比較して、語彙的正確性で21%、インスタンスベースの推論再現率で46%高い性能を達成した。

ABSTRACT

Ontology learning (OL) is the process of automatically generating an ontological knowledge base from a plain text document. In this paper, we propose a new ontology learning approach and tool, called DLOL, which generates a knowledge base in the description logic (DL) SHOQ(D) from a collection of factual non-negative IS-A sentences in English. We provide extensive experimental results on the accuracy of DLOL, giving experimental comparisons to three state-of-the-art existing OL tools, namely Text2Onto, FRED, and LExO. Here, we use the standard OL accuracy measure, called lexical accuracy, and a novel OL accuracy measure, called instance-based inference model. In our experimental results, DLOL turns out to be about 21% and 46%, respectively, better than the best of the other three approaches.

研究の動機と目的

• 英語の事実的IS-A文から形式的オントロジーを学習する際の非自明な課題、すなわち語彙的・構文的・時制的・モーダル的・比較的変化に対処すること。
• 多様な文の形を標準的な構造に正規化する、仮説的表現に強く耐性を持つ中間表現を構築すること。
• 正規化された文を$Δ\mathcal{SHOQ}(\mathbf{D})$記述論理の断片における同等の公理と規則にマッピングするDL翻訳（DLT）アルゴリズムを設計すること。
• 標準的および新規のベンチマークを用いてフレームワークを評価し、既存のツールよりも優れた正確性を示すこと。
• IS-A文を、非IS-Aの事実的記述の形式的表現の基盤として確立すること。

提案手法

• 2段階のパイプラインを提案：まず、正規化文構造（NSS）が入力のIS-A文を標準形式に正規化し、構文的および語彙的変化への感受性を低減する。
• テンプレート適合アルゴリズムを用いて、Hearstパターン、時制の変化、モーダル形式など多様なIS-A文のパターンを標準的なNSSインスタンスにマッピングする。
• NSS内の言語的構造を$Δ\mathcal{SHOQ}(\mathbf{D})$記述論理の同等の公理と規則にマッピングするDL翻訳（DLT）アルゴリズムを適用する。
• WCL v1.1コーパスから作成されたゴールドスタンダードオントロジーを、意味的正確性の評価の基準として使用する。
• 語彙的マッチングを超えた推論能力を評価するため、新規のインスタンスベースの推論測定法（IIM）を導入する。
• 標準的な語彙的正確性（LA）とIIMを評価指標として用い、DLOLをText2Onto、FRED、LExOと比較し、コミュニティが公開したデータセット上で評価する。

実験結果

リサーチクエスチョン

• RQ1 形式的オントロジー学習システムは、言語的変化に強く耐性を持ちながら、事実的英語IS-A文を$Δ\mathcal{SHOQ}(\mathbf{D})$に高い正確性で翻訳できるか？
• RQ2 提案されたNSS表現は、既存のアプローチと比較して、多様なIS-A文のパターンを正規化する上でどの程度効果的か？
• RQ3 正規化された文を形式的論理公理に翻訳する際、DLTアルゴリズムが意味的整合性をどの程度保っているか？
• RQ4 語彙的正確性と推論に基づく推論性能の両面で、DLOLは最先端のOLツールと比較してどの程度優れているか？
• RQ5 IS-A文は、形式的表現を通じて非IS-Aの事実的記述を学習するための基盤として機能できるか？

主な発見

• DLOLは、次に優れた性能を示すツールと比較して、平均21%の語彙的正確性の向上を達成した。
• DLOLは、インスタンスベースの推論再現率（IIM）で平均46%の向上を達成し、優れた推論能力を示した。
• NSS正規化コンponentは、IS-A文における構文的および語彙的変化への感受性を顕著に低減し、下流の翻訳正確性を向上させた。
• DLTアルゴリズムは、比較的およびモーダル的形態を含む複雑なIS-Aパターンを、高い正確性で正しい$Δ\mathcal{SHOQ}(\mathbf{D})$公理にマッピングできた。
• WCL v1.1コーパスおよびドメイン固有のYAHOO! BOSSデータセットにおける評価は、DLOLが多様なテキストソースに対して高い耐性を示すことを確認した。
• 新規のIIMベンチマークは、DLOLが既存のツールよりも推論的関係をよりよく保持していることを示し、より強い意味的根拠を示している。