[논문 리뷰] Ontology Alignment at the Instance and Schema Level

Fabian M. Suchanek, Serge Abiteboul외 1명|arXiv (Cornell University)|2011. 05. 27.

Semantic Web and Ontologies참고 문헌 35인용 수 3

한 줄 요약

PARIS는 RDFS 온톨로지 간에 인스턴스, 관계, 클래스를 동시에 정렬하는 확률적이고 파rameter-free 알고리즘입니다. 스키마 수준와 인스턴스 수준의 상호 강화를 활용함으로써, 튜닝이나 학습 데이터 없이 YAGO와 IMDb와 같은 대규모 실세계 온톨로지에서 90% 정밀도와 92% F-스코어를 달성합니다.

ABSTRACT

We present PARIS, an approach for the automatic alignment of ontologies. PARIS aligns not only instances, but also relations and classes. Alignments at the instance-level cross-fertilize with alignments at the schema-level. Thereby, our system provides a truly holistic solution to the problem of ontology alignment. The heart of the approach is probabilistic. This allows PARIS to run without any parameter tuning. We demonstrate the efficiency of the algorithm and its precision through extensive experiments. In particular, we obtain a precision of around 90% in experiments with two of the world's largest ontologies.

연구 동기 및 목표

• 풍부한 스키마와 수백만 개의 인스턴스를 포함하는 대규모이고 복잡한 온톨로지 간의 정렬 과제를 해결하기 위해.
• 파rameter 튜닝이나 학습 데이터가 필요 없는 완전 자동 정렬 시스템을 개발하기 위해.
• 스키마 수준(클래스 및 관계)과 인스턴스 수준 정렬을 상호 강화를 통해 통합하는 통합 솔루션을 만들기 위해.
• DBpedia, YAGO, IMDb와 같은 고립된 지식 아일랜드 간의 상호운용성을 위해 자동으로 의미적 대응 관계를 발견하기 위해.
• 대규모에서의 온톨로지 정렬을 위한 통합된 확률적 모델의 실현 가능성과 효과성을 입증하기 위해.

제안 방법

• PARIS는 인스턴스, 하위관계, 하위클래스 간의 동치성을 동시에 모델링하는 확률적 프레임워크를 사용하여 스키마 정렬과 인스턴스 정렬 간의 상호 보완을 가능하게 합니다.
• 핵심 모델은 온톨로지 간 공유 속성, 구조적 유사성, 그리고 관계적 맥락을 기반으로 의미적 동치성의 가능성을 계산합니다.
• 베이지안 업데이트를 사용하여 반복적 추론 과정을 통해 인스턴스 정렬과 스키마 정렬을 번갈아가며 개선합니다.
• 문자열 동치성 및 효율적 계산을 위한 최적화를 포함하며, 원칙적인 확률적 공식화를 통해 수동 파rameter 튜닝을 피합니다.
• 이름 히وري스틱스에 의존하지 않고 관계와 클래스 정렬을 수행하여 이름이 다를지라도 의미적으로 동치인 관계를 정렬할 수 있습니다.
• 모든 정렬 유형 간 일관성을 보장하는 글로벌 功能 레이어를 포함한 시스템 아키텍처를 구현합니다.

실험 결과

연구 질문

• RQ1 통합된 확률적 모델이 대규모 온톨로지에서 인스턴스, 관계, 클래스를 동시에 효과적으로 정렬할 수 있는가?
• RQ2 인스턴스 수준 정렬이 스키마 수준 정렬을 얼마나 향상시키며, 그 반대의 경우도 마찬가지로 상호 강화 효과가 얼마나 큰가?
• RQ3 학습 데이터나 파rameter 튜닝 없이도 완전 자동 온톨로지 정렬 시스템이 높은 정밀도를 달성할 수 있는가?
• RQ4 단지 인스턴스나 단지 스키마만 정렬하는 기준 방법과 비교해 볼 때, 통합적 접근의 성능은 어떠한가?
• RQ5 온톨로지의 구조적 이질성에 대응할 때 이 방법의 주요 실패 원인과 제약 사항은 무엇인가?

주요 결과

• PARIS는 세계에서 가장 큰 온톨로지 중 두 개인 YAGO와 IMDb를 대상으로 한 실험에서 약 90%의 정밀도를 달성했습니다.
• 시스템은 인스턴스 정렬에서 F-스코어 92%를 기록했으며, rdfs:label 매칭에 의존하는 기준 방법(82% F-스코어)보다 뚜렷이 뛰어난 성능을 보였습니다.
• PARIS는 IMDb와 YAGO 간 80%의 관계를 정확도 100%로 정렬하여 관계 매칭에서 뛰어난 성능을 입증했습니다.
• 임계값 0에서 IMDb 클래스의 50%가 동치이거나 더 일반적인 YAGO 클래스로 정확히 매핑되었지만, YAGO가 주요 엔티티에 집중함에 따라 반대 방향에서는 성능이 낮았습니다.
• 이름 기반 히وري스틱스에 의존하지 않고도 이름이 다를지라도 의미적으로 동치인 엔티티를 정확히 매핑할 수 있었습니다.
• 구조적 이질성(예: 이벤트 모델링의 차이)을 다루는 데에는 제약이 있었지만, 튜닝이나 학습 데이터 없이도 대규모 온톨로지에서 인스턴스, 관계, 클래스를 통합적으로 완전 자동으로 정렬한 첫 번째 사례로 평가됩니다.