[논문 리뷰] Learning Onto-Relational Rules with Inductive Logic Programming

Francesca A. Lisi|arXiv (Cornell University)|2012. 10. 10.

Logic, Reasoning, and Knowledge참고 문헌 41인용 수 6

한 줄 요약

이 논문은 서술 논리학(DL) 온톨로지와 인도적 논리 프로그래밍(ILP)을 통합하여 DL 개념과 역할에 대한 규칙 기반 정의를 자동화하는 온토-관계 학습(ORL)을 제안한다. ILP에 온톨로지 기반 가설 언어와 일반화된 포함관계를 통합함으로써, 양성 및 부정성 예시로부터 정확하고 재사용 가능한 규칙을 학습할 수 있으며, 이는 확장 가능하고 지식 공학 효율적인 의미 웹 온톨로지 확장을 가능하게 한다.

ABSTRACT

Rules complement and extend ontologies on the Semantic Web. We refer to these rules as onto-relational since they combine DL-based ontology languages and Knowledge Representation formalisms supporting the relational data model within the tradition of Logic Programming and Deductive Databases. Rule authoring is a very demanding Knowledge Engineering task which can be automated though partially by applying Machine Learning algorithms. In this chapter we show how Inductive Logic Programming (ILP), born at the intersection of Machine Learning and Logic Programming and considered as a major approach to Relational Learning, can be adapted to Onto-Relational Learning. For the sake of illustration, we provide details of a specific Onto-Relational Learning solution to the problem of learning rule-based definitions of DL concepts and roles with ILP.

연구 동기 및 목표

• 의미 웹 응용에서 온톨로지를 확장하거나 보완하는 규칙를 수작업으로 작성하는 데 드는 높은 비용과 어려움을 해결하기 위해.
• 인도적 논리 프로그래밍(ILP)을 온톨로지를 배경 지식으로 다룰 수 있도록 적응시켜, 형식적 DL 의미론에 기반한 관계 규칙 학습을 가능하게 하기 위해.
• DL 개념과 역할을 논리 프로그래밍 규칙과 통합하는 온토-관계 규칙을 원칙적이고 확장 가능한 방법으로 학습하기 위해.
• 규칙 추가를 통한 개념 및 역할 생성과 같은 규칙 기반 운영을 통해 온톨로지의 진화를 지원하기 위해.
• DL과 논리 프로그래밍을 통합할 때 발생하는 핵심 과제, 특히 가설 공간에 적절한 의미적 일반성 관계를 정의하는 데 초점을 맞추기 위해.

제안 방법

• 이 방법은 DL(예: $\mathcal{SHIQ}$, $\mathcal{ALN}$)과 논리 프로그래밍을 결합한 하이브리드 지식 표현 형식을 사용하며, 특히 $\mathcal{DL}$ + log ¬∨를 활용해 표현력을 향상시킨 ILP 프레임워크를 확장한다.
• 일반화된 포함관계를 의미적 일반성 순서로 사용하며, 확정 문장과 온톨로지 배경 지식을 처리할 수 있도록 조정하여 가설 생성 시 논리적 일관성을 보장한다.
• 알고리즘은 null 가설에서 시작하여, 음성 및 양성 예시를 사용해 점진적으로 전문화하는 그리디-그리디-그리디 전략을 통해 가설을 반복적으로 개선한다.
• 학습 과정은 하이브리드 DL-논리 언어로 표현된 배경 이론에 의해 이끌리며, 이는 온톨로지적 지식과 규칙 기반 지식을 모두 추론할 수 있도록 한다.
• 프레임워크는 단조론적 및 비단조론적 추론을 모두 지원하며, RIF 및 Cyc 스타일 시스템과 일치하며, 규칙 추가를 통한 규칙 진화를 가능하게 한다.
• 가설의 보편성 검증 전략을 적용하여 음성 예시를 포함하는 가설은 제거한다.

실험 결과

연구 질문

• RQ1 인도적 논리 프로그래밍(ILP)은 어떻게 DL 기반 온톨로지를 확장하거나 보완하는 규칙을 학습할 수 있도록 적응시킬 수 있는가?
• RQ2 배경 지식으로 온톨로지적 요소와 규칙 기반 요소가 모두 포함된 경우, 가설 공간에 적절한 의미적 일반성 관계는 무엇인가?
• RQ3 ILP 시스템은 기초 온톨로지의 의미를 존중하면서도 새로운 DL 개념과 역할을 정의하는 온토-관계 규칙을 효과적으로 학습할 수 있는가?
• RQ4 DL과 논리 프로그래밍을 통합할 경우, 실제 지식 기반에서 규칙 학습의 확장성과 처리 가능성에 어떤 영향을 미치는가?
• RQ5 효과적이고 정확한 예시 기반 규칙 유도를 가능하게 하는 하이브리드 지식 표현 형식의 핵심 설계 선택 사항은 무엇인가?

주요 결과

• 제안된 ORL 프레임워크는 ILP를 사용하여 DL 개념과 역할에 대한 규칙 기반 정의를 성공적으로 학습하며, 음성 및 양성 예시를 모두 처리할 수 있다.
• 예시 사례를 통해 'LONER'와 'LIKES' 술어에 대한 분석 결과, 음성 예시를 배제하면서도 양성 예시를 완전히 커버하는 것으로 확인되었다.
• 일반화된 포함관계는 온톨로지 확장 가설 공간에 효과적으로 확장되어 가설 개선의 견고한 기반을 마련하였다.
• 규칙 추가를 통한 온톨로지 진화를 지원하여, 핵심 온톨로지 구조를 수정하지 않고도 개념과 역할을 동적으로 확장할 수 있다.
• 최소한의 학습 데이터로부터 복잡한 규칙을 학습할 수 있어, 수작업 규칙 작성의 부담을 줄일 수 있어 확장 가능하고 실용적이다.
• 이 방법은 다양한 DL과 논리 조합, 예를 들어 재귀 규칙과 비결합 논리 등으로도 확장 가능하지만, 일반화된 포함관계는 이러한 모든 확장에 적합하지 않을 수 있다.