[논문 리뷰] Logical Inferences with Contexts of RDF Triples

Vinh Nguyen, Amit Sheth|arXiv (Cornell University)|2017. 01. 20.

Semantic Web and Ontologies참고 문헌 13인용 수 5

한 줄 요약

이 논문은 RDF의 맥락적 삼항관계—삼항관계에 대한 삼항관계—를 형식적 모델 이론적 의미론에서 일등 시민으로 다루는 모델 이론적 의미론을 제안한다. 이는 출처, 시간, 위치 메타데이터에 대한 논리적 추론을 가능하게 한다. 이 메커니즘은 맥락적 삼항관계를 유도하기 위한 새로운 함의 규칙을 도입하였으며, DBpedia와 NCBI Genes와 같은 대규모 지식 기반에서 확장 가능함을 입증하였다. 추론 과정에서 10억 개의 삼항관계당 추가로 약 5~6분이 소요된다.

ABSTRACT

Logical inference, an integral feature of the Semantic Web, is the process of deriving new triples by applying entailment rules on knowledge bases. The entailment rules are determined by the model-theoretic semantics. Incorporating context of an RDF triple (e.g., provenance, time, and location) into the inferencing process requires the formal semantics to be capable of describing the context of RDF triples also in the form of triples, or in other words, RDF contextual triples about triples. The formal semantics should also provide the rules that could entail new contextual triples about triples. In this paper, we propose the first inferencing mechanism that allows context of RDF triples, represented in the form of RDF triples about triples, to be the first-class citizens in the model-theoretic semantics and in the logical rules. Our inference mechanism is well-formalized with all new concepts being captured in the model-theoretic semantics. This formal semantics also allows us to derive a new set of entailment rules that could entail new contextual triples about triples. To demonstrate the feasibility and the scalability of the proposed mechanism, we implement a new tool in which we transform the existing knowledge bases to our representation of RDF triples about triples and provide the option for this tool to compute the inferred triples for the proposed rules. We evaluate the computation of the proposed rules on a large scale using various real-world knowledge bases such as Bio2RDF NCBI Genes and DBpedia. The results show that the computation of the inferred triples can be highly scalable. On average, one billion inferred triples adds 5-6 minutes to the overall transformation process. NCBI Genes, with 20 billion triples in total, took only 232 minutes for the transformation of 12 billion triples and added 42 minutes for inferring 8 billion triples to the overall process.

연구 동기 및 목표

• RDF 삼항관계에 대한 맥락 정보(예: 출처, 시간, 위치)를 모델 이론적 의미론에서 일등 시민으로서 형식화한다.
• 기존 삼항관계로부터 새로운 맥락적 삼항관계를 논리적으로 유도할 수 있는 함의 규칙 세트를 개발한다.
• semantic 정확성을 유지하면서 대규모 지식 기반에서의 확장 가능한 추론을 가능하게 한다.
• 실세계 데이터셋인 DBpedia와 NCBI Genes에서 제안된 추론 메커니즘의 실현 가능성과 성능을 입증한다.

제안 방법

• 싱글턴 속성( singleton properties)을 사용하여 RDF 삼항관계의 맥락 정보를 삼항관계로 표현하고, 이를 모델 이론적 의미론에서 일등 시민으로 간주한다.
• 표준 RDF/OWL 의미론을 확장하여 맥락적 삼항관계와 그 논리적 관계를 포함하는 형식적 모델 이론적 의미론을 정의한다.
• 기존 맥락적 삼항관계와 사실 삼항관계를 바탕으로 새로운 맥락적 삼항관계를 추론할 수 있는 새로운 함의 규칙 세트를 설계한다.
• 기존 지식 기반을 새로운 맥락적 삼항관계 형식으로 재표현하고 전방 추론을 적용하는 변환 파이프라인을 구현한다.
• 색인과 스트림 기반 병렬 처리를 사용하여 대규모 추론을 효율적으로 처리하기 위해 성능을 최적화한다.
• NoReasoning 및 Reasoning 버전을 사용하여 실세계 지식 기반(Bio2RDF, DBpedia, NCBI Genes)에서 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 RDF 삼항관계에 대한 맥락 정보(출처, 시간, 위치)는 어떻게 모델 이론적 의미론에서 일등 시민으로서 형식화할 수 있는가?
• RQ2 기존 맥락적 삼항관계로부터 새로운 맥락적 삼항관계를 논리적으로 유도하기 위해 필요한 함의 규칙는 무엇인가?
• RQ3 제안된 추론 메커니즘은 200억 개의 삼항관계를 가진 NCBI Genes와 같은 대규모 지식 기반에 확장 가능한가?
• RQ4 추론 성능은 전체 변환 및 저장 오버헤드에 어떤 영향을 미치는가?

주요 결과

• 제안된 추론 메커니즘은 계산적으로 확장 가능하며, 10억 개의 유추된 삼항관계당 변환 과정에 추가로 약 5~6분이 소요된다.
• NCBI Genes에서 120억 개의 삼항관계를 변환하고 80억 개의 맥락적 삼항관계를 유추하는 데 변환에 232분, 추론에 42분이 소요되어 총 274분이 소요되었다.
• 중복 제거를 통해 부과되는 중복 맥락적 삼항관계를 줄인 유니크 버전은 듀플 버전 대비 디스크 공간과 런타임을 최대 50% 감소시켰다.
• NoReasoning 버전 대비 Reasoning 버전은 런타임이 14~19% 더 오래 걸리고 디스크 공간은 15~25% 더 많이 사용하여, 관리 가능한 오버헤드임을 확인하였다.
• 이 메커니즘은 시간적·공간적 출처와 같은 맥락 메타데이터에 대한 논리적 추론을 가능하게 하여, 시간 기반 추론 및 출처 추적과 같은 고급 응용을 지원한다.
• 이 접근법은 OWL 2 Full과 호환되며, 추가적인 의미론적 확장으로 OWL 2 DL 및 직접 의미론으로도 확장 가능하다.