[논문 리뷰] Formal Ontology Learning from English IS-A Sentences

Sourish Dasgupta, Ankur Padia외 3명|arXiv (Cornell University)|2018. 02. 11.

Natural Language Processing Techniques참고 문헌 61인용 수 3

한 줄 요약

이 논문은 사실적 영어 IS-A 문장을 $Δ\mathcal{SHOQ}(\mathbf{D})$ 기술 논리로 번역하는 공식 온톨로지 학습 프레임워크인 DLOL을 제안한다. 이는 두 단계의 파이프라인을 통해 이루어지며, 문장 정규화를 위한 정규화된 문장 구조(NSS)와 공식 논리로의 매핑을 위한 DL 번역(DLT) 알고리즘을 포함한다. DLOL은 Text2Onto, FRED, LExO와 같은 최신 기술 도구보다 어휘 정확도에서 21% 높고, 인스턴스 기반 추론 재현율에서 46% 높은 성능을 기록한다.

ABSTRACT

Ontology learning (OL) is the process of automatically generating an ontological knowledge base from a plain text document. In this paper, we propose a new ontology learning approach and tool, called DLOL, which generates a knowledge base in the description logic (DL) SHOQ(D) from a collection of factual non-negative IS-A sentences in English. We provide extensive experimental results on the accuracy of DLOL, giving experimental comparisons to three state-of-the-art existing OL tools, namely Text2Onto, FRED, and LExO. Here, we use the standard OL accuracy measure, called lexical accuracy, and a novel OL accuracy measure, called instance-based inference model. In our experimental results, DLOL turns out to be about 21% and 46%, respectively, better than the best of the other three approaches.

연구 동기 및 목표

• 영어의 사실적 IS-A 문장에서 비롯된 공식 온톨로지 학습의 비현실적인 과제, 즉 어휘적, 문법적, 시제적, 모odal, 비교적 변형에 대응하기 위해.
• 다양한 문장 형태를 표준 구조로 정규화하는 강력하고, 어색한 표현에 강건한 중간 표현을 개발하기 위해.
• 정규화된 문장을 $Δ\mathcal{SHOQ}(\mathbf{D})$ 기술 논리의 공식 축약자에 매핑하는 DL 번역 알고리즘을 설계하기 위해.
• 표준 및 새로운 벤치마크에서 프레임워크를 평가하여 기존 도구보다 뛰어난 정확도를 입증하기 위해.
• IS-A 문장을 비-IS-A 사실적 진술의 공식 표현 기초로 설정하기 위해.

제안 방법

• 두 단계 파이프라인을 제안: 첫 번째로, 정규화된 문장 구조(NSS)가 입력된 IS-A 문장을 표준 형태로 정규화하여 문법적 및 어휘적 변형에 대한 민감도를 낮춘다.
• 다양한 IS-A 문장 패턴—예를 들어 Hearst 패턴, 시제 변형, 모달 형태—을 표준화된 NSS 인스턴스로 매핑하기 위해 템플릿 일치 알고리즘을 적용한다.
• NSS의 언어적 구성요소를 $Δ\mathcal{SHOQ}(\mathbf{D})$ 기술 논리의 등가 축약자 및 규칙로 매핑하는 DL 번역(DLT) 알고리즘을 적용한다.
• 정확한 의미 평가를 위해 WCL v1.1 코퍼스에서 구축한 골드 표준 온톨로지를 기준으로 삼는다.
• 기존의 어휘 매칭을 넘어서 추론 능력을 평가하기 위해 새로운 인스턴스 기반 추론 측정법(IIM)을 도입한다.
• 표준 어휘 정확도(LA) 및 IIM을 평가 지표로 사용하여, 커뮤니티에서 공개한 데이터셋에서 DLOL을 Text2Onto, FRED, LExO와 비교한다.

실험 결과

연구 질문

• RQ1 공식 온톨로지 학습 시스템은 어휘적 변형에 강건하면서도 사실적 영어 IS-A 문장을 $Δ\mathcal{SHOQ}(\mathbf{D})$로 높은 정확도로 번역할 수 있는가?
• RQ2 제안된 NSS 표현은 기존 접근법에 비해 다양한 IS-A 문장 패턴을 얼마나 효과적으로 정규화하는가?
• RQ3 정규화된 문장을 공식 논리 축약자로 번역할 때 DLT 알고리즘이 의미의 충실도를 얼마나 잘 유지하는가?
• RQ4 DLOL은 어휘 정확도와 추론 기반 추론 성능 측면에서 최신 기술 온톨로지 학습 도구에 비해 얼마나 우수한가?
• RQ5 IS-A 문장을 비-IS-A 사실적 진술을 공식 표현을 통해 학습하는 데 기초로 사용할 수 있는가?

주요 결과

• DLOL은 다음으로 성능이 뛰어난 도구보다 평균 21% 높은 어휘 정확도를 기록하며, Text2Onto, FRED, LExO를 모두 능가한다.
• DLOL은 인스턴스 기반 추론 재현율(IIM)에서 평균 46% 향상되어 뛰어난 추론 능력을 입증한다.
• NSS 정규화 컴포넌트는 IS-A 문장의 문법적 및 어휘적 변형에 대한 민감도를 크게 감소시켜 후속 번역 정확도를 향상시킨다.
• DLT 알고리즘은 비교적 및 모달 형태를 포함한 복잡한 IS-A 패턴을 높은 정밀도로 올바른 $Δ\mathcal{SHOQ}(\mathbf{D})$ 축약자로 성공적으로 매핑한다.
• WCL v1.1 코퍼스와 도메인 특화 YAHOO! BOSS 데이터셋에서의 평가를 통해 DLOL이 다양한 텍스트 소스에서 강건함을 입증한다.
• 새로운 IIM 벤치마크는 DLOL이 기존 도구보다 더 잘 추론 관계를 유지함을 드러내며, 더 강력한 의미 기반을 지닌다는 것을 시사한다.