[논문 리뷰] Breaking-down the Ontology Alignment Task with a Lexical Index and Neural Embeddings

Ernesto Jiménez-Ruiz, Asan Agibetov외 2명|arXiv (Cornell University)|2018. 05. 31.

Semantic Web and Ontologies참고 문헌 12인용 수 7

한 줄 요약

이 논문은 대규모 온톨로지 정합성 작업을 더 작은 독립적인 하위 작업으로 분해하는 새로운 프레임워크를 제안한다. 어휘 색인과 신경망 임베딩을 활용하여 확장성을 향상시킨다. 국소성 모듈과 클러스터링 전략—기본적인 방법과 신경망 임베딩 기반 방법—을 통해 고도의 커버리지와 검색 공간의 감소를 보장함으로써 이전에는 비가능시 여겨졌던 대규모 OAEI 작업을 수행할 수 있도록 하며, 기존 파ip라인인 SANOM(v.2018)에 통합 가능하게 한다.

ABSTRACT

Large ontologies still pose serious challenges to state-of-the-art ontology alignment systems. In the paper we present an approach that combines a lexical index, a neural embedding model and locality modules to effectively divide an input ontology matching task into smaller and more tractable matching (sub)tasks. We have conducted a comprehensive evaluation using the datasets of the Ontology Alignment Evaluation Initiative. The results are encouraging and suggest that the proposed methods are adequate in practice and can be integrated within the workflow of state-of-the-art systems.

연구 동기 및 목표

• 대규모 온톨로지 정합성 작업에서 발생하는 확장성 문제를 해결하기 위해, 최신 기술로도 메모리 및 시간 제약으로 인해 실패하는 경우가 많다.
• 특히 OAEI largebio 트랙의 대규모 온톨로지에 대해 커버리지 보장을 갖지 못하는 기존 분할 방법의 한계를 극복한다.
• 일치 작업을 더 작은 다룰 수 있는 하위 작업으로 나누면서도 정합성 커버리지를 유지하는 방법을 개발한다.
• 하위 작업 분해를 위한 모듈형이고 즉시 사용 가능한 워크플로우를 제공함으로써 기존 온톨로지 정합성 시스템과의 통합을 가능하게 한다.
• 실제 OAEI 데이터셋에서 두 가지 클러스터링 전략—기본적인 분할과 신경망 임베딩 기반 클러스터링—의 효과를 평가한다.

제안 방법

• 유사도 기반 클러스터링을 위한 효율적인 접근을 가능하게 하기 위해 온톨로지 엔티티에서 어휘 색인을 구축한다.
• 밀도 있는 벡터 표현을 학습하기 위해 로그-선형 신경망 임베딩 모델을 적용하여 온톨로지 엔티티의 의미적 관계를 포착한다.
• 특정 서명에 대해 관련된 모든 관계를 유지하는 자가 포함된 의미적으로 일관된 하위 온톨로지를 추출하기 위해 국소성 모듈을 사용한다.
• 어휘 색인과 신경망 임베딩을 통해 엔티티를 클러스터링함으로써 원본 일치 작업을 다수의 독립적인 하위 작업으로 분할한다.
• 두 가지 클러스터링 전략을 적용한다: (1) 기본적인 균일한 분할 방법; (2) 의미적으로 유사한 엔티티를 그룹화하는 신경망 임베딩 기반 클러스터링.
• 모든 의미적으로 관련된 엔티티를 포함하는 국소성 모듈을 사용함으로써 커버리지 보장을 확보하여 관련 매핑의 손실을 방지한다.

실험 결과

연구 질문

• RQ1 어휘 색인과 신경망 임베딩 기반 클러스터링이 대규모 온톨로지 정합성 작업을 더 작은 다룰 수 있는 하위 작업으로 효과적으로 분해할 수 있는가?
• RQ2 기본적인 분할 전략과 신경망 임베딩 기반 클러스터링 전략 간 하위 작업의 커버리지 수준은 어떻게 비교되는가?
• RQ3 이 분해 프레임워크가 이전에는 다루기 어려웠던 대규모 작업에서 기존 온톨로지 정합성 시스템의 성능을 얼마나 향상시키는가?
• RQ4 하위 작업 수가 증가함에 따라 정밀도, 재현도, F-측정치에 어떤 영향을 미치는가?
• RQ5 이 프레임워크는 기존 정합성 시스템에 효과적으로 통합될 수 있으며, 확장성과 성능 향상에 기여하는가?

주요 결과

• 제안된 프레임워크는 이전에 OAEI largebio 작업을 완료하지 못했던 다섯 개의 온톨로지 정합성 시스템이 이제는 이를 완료할 수 있도록 하여 확장성 향상을 입증했다.
• 신경망 임베딩 기반 클러스터링 전략은 검색 공간의 감소에서 뚜렷한 감소 효과를 보였으며, 기본적인 분할 방법보다 우수한 성능을 보였다.
• 국소성 모듈을 통해 하위 작업 전반에 걸쳐 커버리지가 유지되었으며, 이는 의미적으로 일관된 자가 포함된 하위 온톨로지를 추출했기 때문이다.
• 확장성 향상에도 불구하고 하위 작업 수가 증가함에 따라 F-측정치가 약간 감소했으며, 이는 겹치는 매핑과 오분류 가능성으로 인한 것으로 보인다.
• SANOM 시스템(v.2018)에 성공적으로 통합되어 실용적 적용 가능성과 실제 정합성 파이프라인과의 호환성을 입증했다.
• 기본 클러스터링 전략은 균형 잡힌 하위 작업을 생성했고, 신경망 임베딩 방법은 더 나은 검색 공간 감소와 의미적 일관성을 제공했다.