[논문 리뷰] RDF2Rules: Learning Rules from RDF Knowledge Bases by Mining Frequent Predicate Cycles

Zhichun Wang, Juanzi Li|arXiv (Cornell University)|2015. 12. 24.

Natural Language Processing Techniques참고 문헌 24인용 수 31

한 줄 요약

RDF2Rules는 RDF 지식 기반에서 높은 효율성으로 추론 규칙을 생성하기 위해 빈도 있는 술어 순환(FPC)을 채굴하는 새로운 규칙 학습 방법이다. 개방 세계 가정 하에서 새로운 신뢰도 측정법과 실체 유형 정보를 활용함으로써, 특히 YAGO2와 DBpedia와 같은 대규모 지식 기반에서 AMIE+보다 더 높은 정확도와 빠른 성능을 달성한다.

ABSTRACT

Recently, several large-scale RDF knowledge bases have been built and applied in many knowledge-based applications. To further increase the number of facts in RDF knowledge bases, logic rules can be used to predict new facts based on the existing ones. Therefore, how to automatically learn reliable rules from large-scale knowledge bases becomes increasingly important. In this paper, we propose a novel rule learning approach named RDF2Rules for RDF knowledge bases. RDF2Rules first mines frequent predicate cycles (FPCs), a kind of interesting frequent patterns in knowledge bases, and then generates rules from the mined FPCs. Because each FPC can produce multiple rules, and effective pruning strategy is used in the process of mining FPCs, RDF2Rules works very efficiently. Another advantage of RDF2Rules is that it uses the entity type information when generates and evaluates rules, which makes the learned rules more accurate. Experiments show that our approach outperforms the compared approach in terms of both efficiency and accuracy.

연구 동기 및 목표

• 대규모 RDF 지식 기반에서 고품질의 추론 규칙을 자동으로 학습하는 데 도전하는 것.
• 규칙 단위의 채굴에서 패턴 기반의 FPC 채굴로 전환하여 규칙 학습의 효율성을 향상시키는 것.
• 규칙 생성 및 평가 과정에서 실체 유형 정보를 통합하여 규칙의 정확도를 향상시키는 것.
• 개방 세계 가정 하에서의 규칙 평가를 위한 더 정밀한 신뢰도 측정법을 개발하는 것.
• 다핵 아키텍처에서 규칙 학습을 확장 가능하고 병렬 실행 가능한 방식으로 지원하는 것.

제안 방법

• 반복적인 관계 경로를 나타내는 RDF 그래프 내의 새로운 유형의 빈도 패턴으로서 빈도 있는 술어 순환(FPC)을 채굴하는 것.
• 검색 공간을 줄이고 확장성을 향상시키기 위해 잘라내기 전략을 적용한 효율적인 FPC 채굴 알고리즘을 적용하는 것.
• 채굴된 각 FPC에서 다수의 추론 규칙을 생성하며, 실체 유형 제약 조건을 자동으로 포함하는 것.
• 실체 유형 정보를 통합하고 개방 세계 평가를 지원하는 새로운 신뢰도 측정법을 설계하는 것.
• FPC 채굴 및 규칙 평가의 속도를 향상시키기 위해 특수 구조로 RDF 데이터를 인덱싱하는 것.
• 성능 향상을 위해 다핵 아키텍처에서 FPC 채굴 프로세스를 병렬 실행하는 것.

실험 결과

연구 질문

• RQ1 대규모 RDF 지식 기반에서 효과적으로 빈도 있는 술어 순환을 채굴하여 규칙 학습의 기초로 삼을 수 있는가?
• RQ2 실체 유형 정보의 사용이 학습된 추론 규칙의 정확도에 어느 정도 기여하는가?
• RQ3 실체 유형과 개방 세계 가정을 고려한 새로운 신뢰도 측정법이 더 신뢰할 수 있는 규칙 평가를 가능하게 하는가?
• RQ4 FPC 기반 규칙 학습의 성능가 AMIE+와 같은 규칙 단위의 접근 방식과 비교해 속도와 정확도 측면에서 어떻게 다른가?
• RQ5 제안된 방법이 YAGO2와 DBpedia와 같은 실제 대규모 RDF 지식 기반에서 효율적으로 확장 가능한가?

주요 결과

• YAGO2와 DBpedia에서 평가한 결과, RDF2Rules는 효율성과 정확도 측면에서 AMIE+를 뛰어넘는다.
• 규칙 생성 과정에서 실체 유형 정보를 활용하는 것은 학습된 규칙의 정밀도를 크게 향상시킨다.
• 제안된 신뢰도 측정법은 AMIE+에서 사용하는 PCA 신뢰도 측정법보다 더 정확한 신뢰성 추정을 제공하며, 특히 개방 세계 시나리오에서 유의미한 개선을 이룬다.
• FPC 채굴 알고리즘은 높은 확장성을 확보하고 병렬 실행을 지원하여 대규모 RDF 데이터셋에서 더 빠른 처리를 가능하게 한다.
• 이 방법은 각 FPC에서 다수의 규칙을 생성하므로 성능을 저하시키지 않은 채 규칙 커버리지를 증가시킨다.
• 실험 결과, 비교 대상 방법에 비해 더 신뢰할 수 있는 예측을 하고 더 낮은 거짓 양성 비율을 기록함을 확인하였다.