[논문 리뷰] Inductive Logic Programming in Databases: from Datalog to DL+log

Francesca A. Lisi|arXiv (Cornell University)|2010. 03. 12.

Semantic Web and Ontologies참고 문헌 37인용 수 4

한 줄 요약

이 논문은 관계형 데이터베이스를 위한 더 표현력 있고 의미론적으로 타당한 학습을 가능하게 하기 위해 인덕티브 논리 프로그래밍(ILP)을 Datalog를 초월해 하이브리드 지식 표현 프레임워크 𝒟⁢ℒ+log¬∨로 확장하는 것을 제안한다. 서술 논리와 비단조화 Datalog¬∨를 통합함으로써, 온톨로지 인식 학습을 통한 데이터베이스 뷰 및 무결성 제약 조건의 유도를 가능하게 하며, 형식적 의미론과 비단조화 추론을 활용해 개념적으로 의미 있는 규칙 발견을 지원한다.

ABSTRACT

In this paper we address an issue that has been brought to the attention of the database community with the advent of the Semantic Web, i.e. the issue of how ontologies (and semantics conveyed by them) can help solving typical database problems, through a better understanding of KR aspects related to databases. In particular, we investigate this issue from the ILP perspective by considering two database problems, (i) the definition of views and (ii) the definition of constraints, for a database whose schema is represented also by means of an ontology. Both can be reformulated as ILP problems and can benefit from the expressive and deductive power of the KR framework DL+log. We illustrate the application scenarios by means of examples. Keywords: Inductive Logic Programming, Relational Databases, Ontologies, Description Logics, Hybrid Knowledge Representation and Reasoning Systems. Note: To appear in Theory and Practice of Logic Programming (TPLP).

연구 동기 및 목표

• 관계형 데이터베이스에 대한 공식 온톨로지 통합이 ILP에서 부족한 점을 보완하기 위해.
• 데이터베이스 뷰 정의 및 무결성 제약 조건 명시를 ILP 문제로 재구성하기 위해.
• 하이브리드 𝒟⁢ℒ+log¬∨ 프레임워크의 표현력과 추론 능력을 활용해 더 의미론적으로 유의미한 규칙 유도를 위해.
• Datalog를 초월해 서술 논리와 비단조화 기능을 통합함으로써 ILP가 발전할 수 있도록 하기 위해.
• 온톨로지와 관계형 데이터 마이닝을 밀접하게 통합함으로써 온토-관계형 학습의 기반을 마련하기 위해.

제안 방법

• 𝒟⁢ℒ+log¬∨ 프레임워크 내에서 데이터베이스 뷰 및 제약 문제를 ILP 작업으로 재구성하기 위해.
• 비단조화 만족 가능성 처리 및 하이브리드 시스템 내 추론을 지원하기 위해 NMSAT-𝒟⁢ℒ+log 알고리즘을 사용하기 위해.
• 𝒟⁢ℒ+log¬∨ 내의 추론 기반으로 일반성 순서, 정련 연산자 및 커버리지 테스트를 정의하기 위해.
• 가설 생성 및 평가를 이끄는 데 사용하기 위해 엄밀한 함의 기반 학습 설정을 채택하기 위해.
• 규칙 유도 과정에서 개념적 모델을 풍부하게 하기 위해 온톨로지를 배경 지식으로 통합하기 위해.
• 두 가지 특수화된 ILP 알고리즘 설계: 뷰 유도를 위한 NMLEARN-𝒟⁢ℒ+log¬∨ 및 제약 조건 유도를 위한 NMDISC-𝒟⁢ℒ+log¬∨.

실험 결과

연구 질문

• RQ1 ILP는 어떻게 Datalog를 초월해 관계형 데이터베이스에서 더 풍부한 지식 표현을 지원할 수 있는가?
• RQ2 온톨로지는 ILP에서 데이터베이스 뷰 및 제약 조건의 유도를 어떻게 향상시킬 수 있는가?
• RQ3 𝒟⁢ℒ+log¬∨의 비단조화 기능은 학습된 규칙의 표현력과 의미론적 품질을 어떻게 향상시킬 수 있는가?
• RQ4 하이브리드 DL-CL 시스템 맥락에서 ILP에 적합한 일반성 순서와 정련 연산자는 무엇인가?
• RQ5 서술 논리와 Datalog¬∨의 통합은 데이터베이스 응용 분야에서 체계적이고 형식적인 규칙 유도를 어떻게 가능하게 하는가?

주요 결과

• 𝒟⁢ℒ+log¬∨ 프레임워크는 비단조화 추론과 DL 구조를 통해 기존의 FOIL이나 CLAUDIEN과 같은 전통적 시스템보다 훨씬 높은 표현력을 갖춘 규칙 유도를 가능하게 한다.
• 제안된 ILP 알고리즘인 NMLEARN-𝒟⁢ℒ+log¬∨와 NMDISC-𝒟⁢ℒ+log¬∨는 하이브리드 프레임워크의 의미론에 철저히 기반하여 정확성과 일관성을 보장한다.
• 온톨로지는 배경 지식으로 자연스럽게 통합되어 개념적으로 의미 있고 의미론적으로 풍부한 규칙 유도를 가능하게 한다.
• NMSAT-𝒟⁢ℒ+log를 추론 엔진으로 사용함으로써 가설 평가에 필수적인 효율적인 비단조화 만족 가능성 검사가 가능해진다.
• 이 접근은 온톨로지 통합 관계형 데이터 마이닝 및 데이터베이스 스키마 설계에 있어 체계적인 온토-관계형 학습으로의 길을 열어 놓는다.
• 실증적 평가는 아직 미흡하지만, 이론적 기반은 현실 세계의 데이터베이스 응용 분야에서 확장 가능하고 온톨로지 인식 ILP의 가능성을 입증한다.