[論文レビュー] Learning Onto-Relational Rules with Inductive Logic Programming

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

Logic, Reasoning, and Knowledge参考文献 41被引用数 6

ひとこと要約

本稿では、記述論理（DL）オントロジーと帰納的論理プログラミング（ILP）を統合することで、DLの概念および役割のルールベース定義の自動作成を実現するOnto-Relational Learning（ORL）という手法を提案する。ILPにオントロジーに配慮した仮説言語と一般化されたサブスミッションを拡張することで、正例と負例から正しい、再利用可能なルールを学習可能となり、スケーラブルかつ知識工学的負荷の低いSemantic Webオントロジーの拡張が可能となる。

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.

研究の動機と目的

• Semantic Webアプリケーションにおけるオントロジーの拡張・補完を目的としたルールの手作業作成にかかる高コストと困難さに対処すること。
• 帰納的論理プログラミング（ILP）を、背景知識としてオントロジーを扱えるように適応させ、形式的なDL意味論に基づいた関係的ルール学習を可能にすること。
• DLの概念と役割を論理プログラミングルールと統合する、体系的かつスケーラブルなonto-relationalルール学習手法の開発。
• ルールの追加による概念や役割の創出といったルールベースの操作を通じて、オントロジーの進化を支援すること。
• 特に仮説空間における適切な意味的一般性関係の定義という観点から、DLと論理プログラミングを統合する際の主な課題を特定・解決すること。

提案手法

• 本手法は、DL（例：$\mathcal{SHIQ}$, $\mathcal{ALN}$）と論理プログラミングを統合したハイブリッドKR形式を用いるILPフレームワークを採用し、特に$\mathcal{DL}$ + log ¬∨を用いることで表現力を向上させている。
• 一般化されたサブスミッションを意味的一般性順序として採用し、確定節およびオントロジー背景知識を処理できるように調整することで、仮説生成における論理的整合性を保証している。
• アルゴリズムは、空仮説から出発し、正例と負例を用いて段階的に仮説を特化するグリーディかつ「グリーディー・トゥ・プルーニング」戦略を用いて反復的に仮説を精錬する。
• 学習プロセスは、ハイブリッドDL-論理言語で表現された背景理論によってガイドされ、オントロジー的知識とルールベース知識の両方を推論可能にしている。
• フレームワークは単調および非単調推論をサポートしており、RIFおよびCycスタイルのシステムと整合性を持ち、ルール追加によるルールの進化を可能としている。
• 仮説の適合性を検証するための仮説精錬戦略を採用し、負例を含む仮説は除外する。

実験結果

リサーチクエスチョン

• RQ1 帰納的論理プログラミング（ILP）を、記述論理（DL）に基づくオントロジーを拡張・補完するルールを学習できるようにどのように適応できるか。
• RQ2 背景知識としてオントロジー的知識とルールベース知識の両方が含まれる場合に、仮説空間における適切な意味的一般性関係とは何か。
• RQ3 ILPシステムは、下位のオントロジーの意味論を尊重しつつ、新しいDLの概念と役割を定義するonto-relationalルールを効果的に学習できるか。
• RQ4 DLと論理プログラミングの統合が、実世界の知識ベースにおけるルール学習のスケーラビリティと tractability に与える影響は何か。
• RQ5 効果的かつ正確な例からのルール誘導を可能にするハイブリッドKR形式における主な設計選択肢は何か。

主な発見

• 提示されたORLフレームワークは、ILPを用いてDLの概念および役割のルールベース定義を成功裏に学習可能であり、正例と負例の両方を処理できる。
• 例題ケース（例：'LONER'および'LIKES'述語）を通じて、正例を完全にカバーし、負例を除外するという性能を達成している。
• 一般化されたサブスミッションは、オントロジー拡張仮説空間に対しても効果的に拡張可能であり、仮説精錬の基盤を確立している。
• ルール追加を通じてオントロジーの進化を支援することができ、コアオントロジー構造の変更なしに概念および役割の動的拡張が可能である。
• 最小限のトレーニングデータから複雑なルールを学習可能であるため、実用的かつスケーラブルであり、手作業によるルール作成の負担を大幅に軽減できる。
• 本手法は、再帰的ルールや選言的論理を含む、さまざまなDLと論理の組み合わせへも拡張可能であるが、一般化されたサブスミッションはすべての拡張に適切でない可能性がある。