[論文レビュー] TermPicker: Enabling the Reuse of Vocabulary Terms by Exploiting Data from the Linked Open Data Cloud - An Extended Technical Report

Johann Schaible, Thomas Gottron+1 more|arXiv (Cornell University)|Dec 17, 2015

Semantic Web and Ontologies参考文献 28被引用数 4

ひとこと要約

TermPicker は、既存の LOD データセットから得られるスキーマレベルパターン（SLP）を分析することで、Linked Open Data（LOD）における RDF ワンダードの用語再利用を可能にする新規推薦システムである。学習によるランク付け（L2R）を用い、5つの特徴量を活用して候補用語をランク付けしており、ベースラインと比較して推薦品質が35%向上し、MAP ≈ 0.70、MRR@5 ≈ 0.74 を達成している。

ABSTRACT

Deciding which vocabulary terms to use when modeling data as Linked Open Data (LOD) is far from trivial. Choosing too general vocabulary terms, or terms from vocabularies that are not used by other LOD datasets, is likely to lead to a data representation, which will be harder to understand by humans and to be consumed by Linked data applications. In this technical report, we propose TermPicker: a novel approach for vocabulary reuse by recommending RDF types and properties based on exploiting the information on how other data providers on the LOD cloud use RDF types and properties to describe their data. To this end, we introduce the notion of so-called schema-level patterns (SLPs). They capture how sets of RDF types are connected via sets of properties within some data collection, e.g., within a dataset on the LOD cloud. TermPicker uses such SLPs and generates a ranked list of vocabulary terms for reuse. The lists of recommended terms are ordered by a ranking model which is computed using the machine learning approach Learning To Rank (L2R). TermPicker is evaluated based on the recommendation quality that is measured using the Mean Average Precision (MAP) and the Mean Reciprocal Rank at the first five positions (MRR@5). Our results illustrate an improvement of the recommendation quality by 29% - 36% when using SLPs compared to the beforehand investigated baselines of recommending solely popular vocabulary terms or terms from the same vocabulary. The overall best results are achieved using SLPs in conjunction with the Learning To Rank algorithm Random Forests.

研究の動機と目的

• LODモデリングにおける適切な RDF ワンダード用語の選定という課題に取り組むこと。これは時間のかかる非自明な作業である。
• 既存の LOD データセットからの現実世界の使用パターンを活用することで、用語の再利用を可能にすること。
• データ内の構造的関係を捉えることで、文字列一致や人気度ベースのアプローチを上回る推薦品質を向上させること。
• 類似したモデリングタスクを他のデータプロバイダーが実施している際に使用している用語を推薦する手法を開発すること。
• スキーマレベルパターン（SLP）と学習によるランク付けが、用語推薦の質を向上させるかを評価すること。

提案手法

• TermPicker は、RDF 型の集合、プロパティの集合、およびターゲットとなる RDF 型の集合によって定義されるクエリ-SLP（スキーマレベルパターン）を入力として受ける。
• LODクラウドに公開された用語集から候補用語を生成し、各候補について5つの特徴量を計算して、クエリ-SLPとの類似度を評価する。
• 特徴量には、SLP間の文法的類似度、共起頻度、RDF 型およびプロパティの構造的整合性が含まれる。
• これらの特徴量に基づいて、特にランダムフォレストを用いた学習によるランク付け（L2R）モデルを訓練し、関連性に応じて候補用語をランク付けする。
• 実際の LOD クラウド上のデータセットから抽出された SLP を使用して、用語が実際の文脈でどのように一緒に使われているかをモデル化する。
• BTC 2014 および DyLDO データセットを用いた 10 折り交差検証による評価が実施された。

実験結果

リサーチクエスチョン

• RQ1 実際の LOD データセットから抽出されたスキーマレベルパターン（SLP）は、用語推薦の質を向上させることができるか？
• RQ2 TermPicker の推薦品質は、単に人気のある用語や同じ用語集からの用語を推薦するベースラインと比較して、どのように異なるか？
• RQ3 LOD の文脈において、用語推薦のランク付けに最も適した学習によるランク付け（L2R）アルゴリズムは何か？
• RQ4 LOD クラウドからの構造的使用パターンを統合することで、推薦の関連性はどの程度向上するか？
• RQ5 PageRank や rdfs:domain/rdfs:range などのドメイン固有の特徴量を組み込むことで、推薦の正確性は向上するか？

主な発見

• TermPicker は、単に人気のある用語や同じ用語集からの用語を推薦するベースラインと比較して、推薦品質を 29–36% 向上させた。
• TermPicker の平均平均精度（MAP）は、SLP と学習によるランク付けを用いることで約 0.70 に達した。
• 上位5件内の平均逆順位（MRR@5）は約 0.74 であり、これは 74% のクエリで関連する推薦が上位5件内に含まれていることを示している。
• L2R アルゴリズムの中で、ポイントワイズ学習によるランク付け（特にランダムフォレスト）が、この文脈で最も優れたパフォーマンスを示した。
• SLP の統合により、LOD データセット全体における現実世界の使用パターンを捉えることで、推薦の関連性が顕著に向上した。
• 今後の課題として、PageRank や TBox メタデータ（例：rdfs:domain, rdfs:range）などのドメイン固有の特徴量を統合することで、さらに推薦品質を向上させられる可能性がある。