[論文レビュー] Towards Unveiling the Ontology Key Features Altering Reasoner Performances

Nourhène Alaya, Sadok Ben Yahia+1 more|arXiv (Cornell University)|Sep 29, 2015

Semantic Web and Ontologies参考文献 17被引用数 5

ひとこと要約

本稿は、記述論理における推論性能に顕著な影響を与える、知識表現の構造的および文法的特徴を同定し、定量的に評価する。著者らは、TBox、ABox、オブジェクトプロパティ、個体レベルの特徴に分類された包括的な特徴セットを提案することで、オントロジーの難易度を測定可能な指標として提供し、推論エンジンの挙動を予測し、性能向上のためのオントロジー最適化を支援する。

ABSTRACT

Reasoning with ontologies is one of the core fields of research in Description Logics. A variety of efficient reasoner with highly optimized algorithms have been developed to allow inference tasks on expressive ontology languages such as OWL(DL). However, reasoner reported computing times have exceeded and sometimes fall behind the expected theoretical values. From an empirical perspective, it is not yet well understood, which particular aspects in the ontology are reasoner performance degrading factors. In this paper, we conducted an investigation about state of art works that attempted to portray potential correlation between reasoner empirical behaviour and particular ontological features. These works were analysed and then broken down into categories. Further, we proposed a set of ontology features covering a broad range of structural and syntactic ontology characteristics. We claim that these features are good indicators of the ontology hardness level against reasoning tasks.

研究の動機と目的

• 理論的複雑度の上限があるにもかかわらず、推論エンジンの性能が予測不能に変動する理由を理解すること。
• 推論性能の低下と相関する、分野に依存しないオントロジー特徴を同定すること。
• 推論タスクにおけるオントロジー難易度を評価するための体系的で定量的な特徴セットを開発すること。
• 性能に大きな影響を与えるコンponentsを特定することで、オントロジーモデリングおよび改訂を支援すること。
• 将来的な機械学習手法を用いて、オントロジー構造に基づいて推論エンジンの挙動を予測することを可能にすること。

提案手法

• オントロジー特徴をTBox、ABox、オブジェクトプロパティ、個体レベルの4つの主要なグループに分類する。
• 伝達性や対称性などの特徴が与える影響を定量化するため、頻度ベースの指標（例：OPCF：オブジェクトプロパティ特徴頻度）を定義する。
• 数制限の影響を評価するため、HVC（最高値基数）とAVC（平均値基数）を計算する。
• TBoxの公理におけるノーマル使用頻度を測定するNomTBおよびTBNomを導入し、個体の排反性と等価性の比率を表すIDISJ/ISAMを定義する。
• 形式的な方程式（例：OPCOおよびOPCF）を用いて、オントロジー間での特徴出現頻度を正規化し、クロスオントロジー比較を可能にする。
• 推論エンジンの性能予測モデリングに使用可能な特徴カタログを提案する。

実験結果

リサーチクエスチョン

• RQ1 どのオントロジー特徴が、異なる推論エンジンにおいて、推論性能を最も顕著に低下させるか？
• RQ2 オントロジーの文法的および構造的特徴をどのように定量化すれば、推論複雑度を予測できるか？
• RQ3 伝達性、基数制限、ノーマルなど、特定の特徴が観察された性能変動とどの程度相関しているか？
• RQ4 頻度指標（例：OPCF）は、オントロジー難易度の信頼できる指標として機能するか？
• RQ5 これらの特徴をどのように活用して、オントロジー作成および最適化を支援できるか？

主な発見

• 提案された特徴セットは、推論性能に影響を与える構造的および文法的特徴を効果的に捉えており、オントロジー難易度評価の包括的フレームワークを提供する。
• 伝達性や対称性といったオブジェクトプロパティ特徴は、OPCFなどの頻度指標を通じて測定可能であり、値が高くなるほど推論オーバーヘッドが顕著になる。
• 高い基数制限（HVC）およびその平均値（AVC）は、性能低下の顕著な要因であると特定された。
• TBox公理におけるノーマル使用頻度（NomTBおよびTBNom）は、特殊な推論手順を伴うため、推論複雑度の増加と相関する。
• 個体レベルの特徴、例えば排反性（IDISJ）や等価性（ISAM）の比率も、性能のばらつきに寄与している。
• 特徴カタログにより、将来的な教師あり学習を用いた推論エンジン挙動の予測が可能となり、性能を著しく低下させる特徴の特定が可能になる。