[논문 리뷰] Towards Unveiling the Ontology Key Features Altering Reasoner Performances

Nourhène Alaya, Sadok Ben Yahia외 1명|arXiv (Cornell University)|2015. 09. 29.

Semantic Web and Ontologies참고 문헌 17인용 수 5

한 줄 요약

이 논문은 서술 논리에서 추론 성능에 크게 영향을 주는 온톨로지의 핵심적 구조적 및 문법적 특징을 식별하고 정량화한다. TBox, ABox, 개체 속성, 개체 수준 특성으로 분류된 종합적인 특징 집합을 제안함으로써, 온톨로지의 어려움을 측정 가능한 지표로 제공함으로써 추론 엔진의 행동 예측과 성능 향상을 위한 온톨로지 최적화를 가능하게 한다.

ABSTRACT

Reasoning with ontologies is one of the core fields of research in Description Logics. A variety of efficient reasoner with highly optimized algorithms have been developed to allow inference tasks on expressive ontology languages such as OWL(DL). However, reasoner reported computing times have exceeded and sometimes fall behind the expected theoretical values. From an empirical perspective, it is not yet well understood, which particular aspects in the ontology are reasoner performance degrading factors. In this paper, we conducted an investigation about state of art works that attempted to portray potential correlation between reasoner empirical behaviour and particular ontological features. These works were analysed and then broken down into categories. Further, we proposed a set of ontology features covering a broad range of structural and syntactic ontology characteristics. We claim that these features are good indicators of the ontology hardness level against reasoning tasks.

연구 동기 및 목표

• 이론적 복잡도 경계가 존재함에도 불구하고 추론 엔진 성능이 예측 불가능하게 변동하는 이유를 이해하기 위해.
• 추론 성능 저하와 관련된 도메인 독립적인 온톨로지 특징을 특정하기 위해.
• 추론 작업에서 온톨로지의 어려움을 평가하기 위한 체계적이고 정량적인 특징 집합을 개발하기 위해.
• 성능에 중요한 영향을 미치는 구성 요소를 부각시킴으로써 온톨로지 모델링 및 개선을 지원하기 위해.
• 향후 기계 학습 기반 접근법을 통해 온톨로지 구조에 기반한 추론 엔진 행동 예측을 가능하게 하기 위해.

제안 방법

• 온톨로지 특징을 네 가지 주요 그룹으로 분류: TBox, ABox, 개체 속성, 개체 수준 특성.
• 전이성 또는 대칭성과 같은 특징의 영향을 정량화하기 위해 빈도 기반 지표인 OPCF(개체 속성 특성 빈도)를 정의.
• 수 제약의 영향을 평가하기 위해 HVC(최고 값 기수)와 AVC(평균 값 기수)를 계산.
• TBox 공리에서 노미널 사용 빈도를 측정하기 위해 NomTB와 TBNom을 도입하고, 개체 간 상호 배타성 및 동일성 비율을 위해 IDISJ/ISAM을 사용.
• 형식적 방정식(예: OPCO 및 OPCF)을 사용하여 온톨로지 간 비교를 위해 특징 발생 빈도를 정규화.
• 추론 엔진 성능 예측 모델링을 위한 특징 카탈로그를 제안.

실험 결과

연구 질문

• RQ1 다양한 추론 엔진에서 온톨로지 특징 중 어느 것이 추론 성능 저하에 가장 크게 기여하는가?
• RQ2 온톨로지의 문법적 및 구조적 특징을 어떻게 정량화하여 추론 복잡도를 예측할 수 있는가?
• RQ3 전이성, 기수 제약, 노미널과 같은 특징이 관측된 성능 변동성과 어느 정도 관련이 있는가?
• RQ4 특징 빈도(예: OPCF)가 온톨로지의 어려움을 신뢰할 만한 지표로 기능할 수 있는가?
• RQ5 이러한 특징은 온톨로지 작성 및 최적화를 위해 어떻게 활용될 수 있는가?

주요 결과

• 제안된 특징 집합은 추론 성능에 영향을 주는 구조적 및 문법적 특징을 효과적으로 포괄하며, 온톨로지 어려움 평가를 위한 종합적인 프레임워크를 제공한다.
• 전이성 및 대칭성과 같은 개체 속성 특성은 OPCF와 같은 빈도 지표를 통해 측정 가능한 영향을 미치며, 높은 값은 더 큰 추론 오버헤드를 의미한다.
• 높은 기수 제약(HVC)과 그 평균값(AVC)은 성능 저하의 주요 기여 요소로 확인되었다.
• TBox 공리에서의 노미널 사용(노미널 사용 빈도: NomTB 및 TBNom)은 특수한 추론 절차로 인해 추론 복잡도 증가와 관련이 있다.
• 개체 수준 특징인 상호 배타성(IDISJ) 및 동일성(ISAM) 비율도 성능 변동성에 기여한다.
• 특징 카탈로그는 향후 지도 학습을 통해 추론 엔진 행동을 예측하고 성능 저하 핵심 요소를 식별하는 데 활용될 수 있다.