[논문 리뷰] DLOLIS-A: Description Logic based Text Ontology Learning

Sourish Dasgupta, Ankur Padia외 3명|arXiv (Cornell University)|2013. 03. 24.

Natural Language Processing Techniques참고 문헌 16인용 수 3

한 줄 요약

이 논문은 자연어 IS-A 문장을 번역하여 기술적 서술 논리(DL) 표현식으로 변환함으로써 자연어에서 공식 온톨로지(ontology)를 자동으로 학습하는 DLOLIS-A 시스템을 제안한다. 이는 정의형 및 일반화된 온톨로지 양식 모두에 대해 일관된 T-box 및 A-box 축약을 생성하며, 텍스트에서 정밀하고 논리 기반의 추론을 가능하게 한다. 특히 영어 IS-A 문장에만 초점을 맞추며, 함의적 또는 wh-질문 구조와 같은 복잡한 문법적 구조는 제외한다.

ABSTRACT

Ontology Learning has been the subject of intensive study for the past decade. Researchers in this field have been motivated by the possibility of automatically building a knowledge base on top of text documents so as to support reasoning based knowledge extraction. While most works in this field have been primarily statistical (known as light-weight Ontology Learning) not much attempt has been made in axiomatic Ontology Learning (called heavy-weight Ontology Learning) from Natural Language text documents. Heavy-weight Ontology Learning supports more precise formal logic-based reasoning when compared to statistical ontology learning. In this paper we have proposed a sound Ontology Learning tool DLOL_(IS-A) that maps English language IS-A sentences into their equivalent Description Logic (DL) expressions in order to automatically generate a consistent pair of T-box and A-box thereby forming both regular (definitional form) and generalized (axiomatic form) DL ontology. The current scope of the paper is strictly limited to IS-A sentences that exclude the possible structures of: (i) implicative IS-A sentences, and (ii) "Wh" IS-A questions. Other linguistic nuances that arise out of pragmatics and epistemic of IS-A sentences are beyond the scope of this present work. We have adopted Gold Standard based Ontology Learning evaluation on chosen IS-A rich Wikipedia documents.

연구 동기 및 목표

• 통계적 방법에 의존하지 않고 공식적이고 논리 기반의 추론을 가능하게 함으로써 자연어에서 무거운 온톨로지 학습의 격차를 보완하는 것.
• 영어 IS-A 문장을 등가의 기술적 서술 논리 표현식으로 매핑하여 일관된 T-box 및 A-box 생성을 위한 방법을 개발하는 것.
• 공식 번역 규칙을 통해 일반형(정의형) 및 일반화된(논리적 축약형) 온톨로지 양식을 모두 지원하는 것.
• 골드 표준 평가 프레임워크를 사용하여 생성된 온톨로지의 타당성과 일관성을 확보하는 것.
• 초기 단계에서 정밀성을 유지하기 위해 함의적, wh-질문, 담론적으로 복잡한 구조는 제외하고 오직 IS-A 문장에만 집중하는 것.

제안 방법

• 시스템은 영어 IS-A 문장(예: 'A dog is a mammal')을 문법적 및 의미적 분석을 통해 공식적인 기술적 서술 논리 구조로 분석한다.
• 표면적 언어적 구조를 SROIQ(D) 언어 계열의 등가 DL 표현식으로 변환하기 위해 규칙 기반 변환 파이프라인을 적용한다.
• 정의형 IS-A 문장에서 T-box를 생성하여 개념 계층 구조와 논리적 제약 조건을 표현한다.
• 개별 수준의 IS-A 문장에서 A-box를 구성하여 개별 클래스 소속을 표현한다.
• IS-A 문장이 풍부한 위키백과 문서에서 생성된 온톨로지의 정확성과 일관성을 검증하기 위해 골드 표준 평가 프레임워크를 사용한다.
• 통계적 접근 방식이 내재하는 모호성을 피하기 위해 번역 과정에서 공식 논리 원칙을 강제 적용함으로써 타당성을 확보한다.

실험 결과

연구 질문

• RQ1 자연어의 IS-A 문장을 체계적으로 공식 기술적 서술 논리 표현식으로 매핑하여 축약 기반 온톨로지 학습을 지원할 수 있는가?
• RQ2 통계적 힌트에 의존하지 않고도 원시 IS-A 문장에서 일관되고 타당한 T-box 및 A-box 구성 요소를 생성할 수 있는가?
• RQ3 규칙 기반 시스템이 자연어 IS-A 문장을 공식 온톨로지 구조로 변환하는 데 있어 높은 정밀도를 달성할 수 있는가?
• RQ4 이 논리 기반 접근 방식은 일관성과 추론 표현력 측면에서 통계적 방법과 비교해 어떻게 성능을 발휘하는가?
• RQ5 현재 범위에서 제외된 언어적 구조는 무엇이며, 이러한 제한이 시스템의 실제 텍스트 적용 가능성에 어떤 영향을 미치는가?

주요 결과

• DLOLIS-A 시스템은 높은 일관성과 타당성으로 IS-A 문장을 공식 기술적 서술 논리 표현식으로 성공적으로 변환한다.
• 생성된 온톨로지는 T-box(개념 계층)와 A-box(개별 인스턴스 진술) 구성 요소를 모두 포함하여 완전한 공식적 추론을 가능하게 한다.
• 골드 표준 평가 프rotocol를 사용하여 IS-A 문장이 풍부한 위키백과 문서에서 신뢰할 수 있는 결과를 도출한다.
• 이 접근 방식은 통계적 방법보다 추론 정밀도에서 뛰어난 성능을 보이며, 자연어에서 고급 온톨로지 학습의 실현 가능성을 입증한다.
• 함의적 및 wh-질문 IS-A 구조를 배제함으로써 번역 파이프라인의 강건성과 모호성 방지를 확보한다.
• 이 방법은 논리 기반 의미론을 활용하여 비정형 텍스트에서 확장 가능한 공식 지식 기반을 구축하는 기반을 제공한다.