[論文レビュー] Inductive Logic Programming in Databases: from Datalog to DL+log

Francesca A. Lisi|arXiv (Cornell University)|Mar 12, 2010

Semantic Web and Ontologies参考文献 37被引用数 4

ひとこと要約

本論文は、記述論理学と非単調的 Datalog¬∨ を統合したハイブリッド知識表現枠組み 𝒟⁢ℒ+log¬∨ にインダクティブ論理プログラミング（ILP）を拡張することを提案し、関係データベースにおけるより表現力豊かで意味論的に根拠のある学習を可能にする。Datalog を超える枠組みとして、記述論理学と非単調的 Datalog¬∨ を統合することで、オントロジーに配慮したデータベースビューおよび整合性制約の誘導が可能となり、形式的意味論と非単調的推論を活用して概念的に意味のあるルールの発見が実現される。

ABSTRACT

In this paper we address an issue that has been brought to the attention of the database community with the advent of the Semantic Web, i.e. the issue of how ontologies (and semantics conveyed by them) can help solving typical database problems, through a better understanding of KR aspects related to databases. In particular, we investigate this issue from the ILP perspective by considering two database problems, (i) the definition of views and (ii) the definition of constraints, for a database whose schema is represented also by means of an ontology. Both can be reformulated as ILP problems and can benefit from the expressive and deductive power of the KR framework DL+log. We illustrate the application scenarios by means of examples. Keywords: Inductive Logic Programming, Relational Databases, Ontologies, Description Logics, Hybrid Knowledge Representation and Reasoning Systems. Note: To appear in Theory and Practice of Logic Programming (TPLP).

研究の動機と目的

• 関係データベースにおける正式なオントロジーの統合が、ILP において不足している課題を解決すること。
• データベースビュー定義および整合性制約の指定を、ILP 問題として再定式化すること。
• ハイブリッドな 𝒟⁢ℒ+log¬∨ フレームワークの表現力と演繹的パワーを活用し、より意味的に意味のあるルール誘導を実現すること。
• Datalog を超えて記述論理学と非単調的特徴を統合することで、ILP がより広範な応用に適応できること。
• オントロジーと関係データマイニングを密接に統合する「オントロジカル・リレーショナル・ラーニング」の基盤を築くこと。

提案手法

• データベースビューおよび制約問題を、𝒟⁢ℒ+log¬∨ フレームワーク内での ILP タスクとして再定式化すること。
• 非単調的充足可能性を処理し、ハイブリッドシステムにおける推論を支援するため、NMSAT-𝒟⁢ℒ+log を使用すること。
• 𝒟⁢ℒ+log¬∨ 内の演繹的メカニズムに基づいて、一般性順序、リファインメント演算子、カバレッジテストを定義すること。
• 仮説の生成と評価をガイドするため、エンタイルメントからの学習（learning-from-entailment）設定を採用すること。
• オントロジーを背景知識として採用し、ルール誘導の過程で概念的モデルを豊かにすること。
• 2つの特化された ILP アルゴリズムを設計：ビュー用の NMLEARN-𝒟⁢ℒ+log¬∨ と制約用の NMDISC-𝒟⁢ℒ+log¬∨。

実験結果

リサーチクエスチョン

• RQ1 ILP はどのように Datalog を超えて、関係データベースにおけるより豊かな知識表現を可能にするか？
• RQ2 オントロジーは、ILP におけるデータベースビューおよび制約の誘導をどのように向上させるか？
• RQ3 𝒟⁢ℒ+log¬∨ の非単調的特徴は、学習されたルールの表現力と意味的質をどのように向上させるか？
• RQ4 ハイブリッド DL-CL システムの文脈において、適切な一般性順序とリファインメント演算子は何か？
• RQ5 記述論理学と Datalog¬∨ の統合は、データベース応用における体系的で形式的なルール誘導をどのように可能にするか？

主な発見

• フレームワーク 𝒟⁢ℒ+log¬∨ は、非単調的推論と DL 構造を活用することで、FOIL や CLAUDIEN といった従来のシステムよりも著しく表現力の高いルール誘導を可能にする。
• 提案された ILP アルゴリズム NMLEARN-𝒟⁢ℒ+log¬∨ と NMDISC-𝒟⁢ℒ+log¬∨ は、ハイブリッドフレームワークの意味論に基づいて正式に定式化されており、正しさと一貫性が保証される。
• オントロジーは背景知識として自然に統合可能であり、概念的に意味があり意味的に豊かなルール誘導が可能になる。
• NMSAT-𝒟⁢ℒ+log を推論エンジンとして使用することで、仮説評価に不可欠な効率的な非単調的充足可能性チェックが実現される。
• 本アプローチにより、オントロジーを体系的に関係データマイニングおよびデータベーススキーマ設計に統合する「オントロジカル・リレーショナル・ラーニング」への道が開かれる。
• 実験的評価は未実施であるが、理論的基盤は、現実世界のデータベース応用におけるスケーラブルでオントロジーに配慮した ILP の実現可能性と可能性を示している。