[論文レビュー] Ontology Alignment at the Instance and Schema Level

Fabian M. Suchanek, Serge Abiteboul+1 more|arXiv (Cornell University)|May 27, 2011

Semantic Web and Ontologies参考文献 35被引用数 3

ひとこと要約

PARIS は、RDFS オントロジー間のインスタンス、関係、クラスを同時に統合的に整合させる、確率的でパラメータフリーのアルゴリズムである。スキーマレベルとインスタンスレベルのマッチングの相互強化を活用することで、調整や学習データを一切用いず、YAGO や IMDb といった大規模な実世界のオントロジーにおいて、90% の精度と 92% の F スコアを達成した。

ABSTRACT

We present PARIS, an approach for the automatic alignment of ontologies. PARIS aligns not only instances, but also relations and classes. Alignments at the instance-level cross-fertilize with alignments at the schema-level. Thereby, our system provides a truly holistic solution to the problem of ontology alignment. The heart of the approach is probabilistic. This allows PARIS to run without any parameter tuning. We demonstrate the efficiency of the algorithm and its precision through extensive experiments. In particular, we obtain a precision of around 90% in experiments with two of the world's largest ontologies.

研究の動機と目的

• 豊富なスキーマと数百万のインスタンスを含む、大規模で複雑なオントロジーの整合を扱う課題に取り組むこと。
• 調整や学習データを一切必要としない完全自動の整合システムを開発すること。
• スキーマレベル（クラスおよび関係）とインスタンスレベルの整合を、相互強化によって統合する包括的ソリューションを構築すること。
• DBpedia や YAGO、IMDb といった孤立した知識の島同士の相互運用性を可能にするために、自動的に意味的対応関係を発見すること。
• 大規模なオントロジー整合に向けた統一的確率モデルの実現可能性と有効性を示すこと。

提案手法

• PARIS は、インスタンスの同等性、部分関係、部分クラスの同時モデル化を確率的フレームワークで行い、スキーマとインスタンスの整合の間で相互作用を生み出す。
• コアモデルは、共有属性、構造的類似性、およびオントロジー間の関係的文脈に基づいて、意味的同等性の尤度を計算する。
• ベイズ更新を用いて、インスタンスの整合とスキーマの整合を交互に改善する反復的推論プロセスを採用する。
• リテラルの同等性と効率的な計算の最適化を含み、原理的確率的定式化により手動によるパラメータ調整を回避する。
• 名前ヒューリスティクスに依存せずに、関係やクラスの整合を実現し、異なる名前を持つ意味的に同等の関係の整合が可能である。
• すべての整合タイプにわたる整合性を保証するため、グローバルな機能レイヤーをシステムに実装している。

実験結果

リサーチクエスチョン

• RQ1 統一された確率的モデルは、大規模なオントロジーにおいて、インスタンス、関係、クラスを同時に効果的に整合できるか？
• RQ2 インスタンスレベルの整合がスキーマレベルの整合を、逆にスキーマレベルの整合がインスタンスレベルの整合をどれほど向上させられるか、相互強化の効果はどの程度か？
• RQ3 完全自動のオントロジー整合システムは、学習データやパラメータ調整を一切必要とせず、高い精度を達成できるか？
• RQ4 インスタンスのみまたはスキーマのみを対象とするベースライン手法と比較して、包括的アプローチの性能はどのように異なるか？
• RQ5 構造的非均一性（例：イベントのモデル化の違い）を扱う際の、このアプローチの主な失敗モードと制限は何か？

主な発見

• PARIS は、世界最大級の2つのオントロジー YAGO と IMDb を用いた実験で、約 90% の精度を達成した。
• インスタンスの整合において F スコアが 92% に達し、rdfs:label のみに依存するベースライン手法（F スコア 82%）を著しく上回った。
• PARIS は、IMDb と YAGO 間の関係の 80% を 100% の精度で整合した。関係のマッチングにおいて優れた性能を示した。
• 閾値 0 において、IMDb のクラスの 50% が同等またはより一般的な YAGO のクラスに正しくマッピングされたが、YAGO が顕著なエンティティに焦点を当てているため、逆方向の性能は低かった。
• 名前ベースのヒューリスティクスに依存せず、異なる名前を持つ意味的に同等のエンティティの整合も成功した。
• 構造的非均一性（例：イベントのモデル化の違い）の処理に限界はあったが、調整や学習データを一切必要とせず、インスタンス、関係、クラスの包括的で完全自動の整合を、大規模オントロジーで初めて実現した。