[论文解读] Bound Your Models! How to Make OWL an ASP Modeling Language

Sarah Alice Gaggl, Sebastian Rudolph+1 more|arXiv (Cornell University)|Nov 3, 2015

Multi-Agent Systems and Negotiation被引用 3

一句话总结

本文提出了OWL的有界模型语义，通过将模型限制在由命名个体定义的有限域内，使OWL能够作为答案集编程（ASP）语言使用。作者提出将SROIQ知识库转换为ASP程序，从而利用现有的ASP求解器高效求解有界模型推理任务——如可满足性、蕴含、模型提取与枚举——实证结果表明，与传统OWL推理器相比，性能显著提升。

ABSTRACT

To exploit the Web Ontology Language OWL as an answer set programming (ASP) language, we introduce the notion of bounded model semantics, as an intuitive and computationally advantageous alternative to its classical semantics. We show that a translation into ASP allows for solving a wide range of bounded-model reasoning tasks, including satisfiability and axiom entailment but also novel ones such as model extraction and enumeration. Ultimately, our work facilitates harnessing advanced semantic web modeling environments for the logic programming community through an "off-label use" of OWL.

研究动机与目标

• 为解决答案集编程（ASP）缺乏用户友好且可扩展的建模环境的问题，尽管其在求解组合问题方面能力强大，但这一问题阻碍了其应用。
• 克服OWL经典语义（允许无限模型）与约束满足问题需求（需要有限、有界推理）之间的不匹配。
• 使具备丰富工具链和直观语法（如Manchester语法）的OWL，能够作为ASP任务的高级建模语言使用。
• 提供从SROIQ知识库到ASP程序的映射，使得有界模型与答案集精确对应，从而支持使用高级ASP求解器。
• 证明在此框架下，有界模型推理为NP完全问题，相较于经典OWL推理的N2ExpTime完全性，计算上更具可处理性。

提出的方法

• 通过将解释域限制为本体中出现的命名个体，引入有界模型语义，从而确保模型为有限。
• 在最新版OWL中形式化有界模型条件，以保持与现有OWL推理器的向后兼容性，尽管由于组合爆炸，这些推理器仍表现不佳。
• 开发从SROIQ知识库到答案集程序（ASP）的直接转换，使得ASP程序的答案集与原始本体的有界模型精确对应。
• 利用ASP求解器（如clasp、dlv）的内置能力，实现高效的模型枚举、提取与最小化，这些功能在标准OWL推理器中并不原生支持。
• 实现一个名为Wolpertinger的系统，通过OWL API推理器接口与OWL工具链集成，实现与Protégé等环境的无缝使用。
• 优化转换过程，利用ASP特有的功能（如约束、聚集和优化语句），提升复杂推理任务的性能。

实验结果

研究问题

• RQ1 能否通过非经典语义，将OWL有效重用于作为答案集编程的高级建模语言？
• RQ2 OWL中有界模型推理的计算复杂度是多少？与经典OWL推理相比如何？
• RQ3 从SROIQ知识库到ASP程序的转换能否在保持有界模型语义的同时，实现高效推理？
• RQ4 现有ASP求解器在有界模型推理任务（如模型枚举与提取）上，能否显著优于传统OWL推理器？
• RQ5 该框架在利用ASP原生能力的基础上，能否支持非标准推理任务，如公理精确定位、解释生成与反向推理？

主要发现

• OWL中的有界模型推理为NP完全问题，相较于经典OWL推理的N2ExpTime完全性，计算复杂度显著降低，使其在实际应用中更具可处理性。
• Wolpertinger系统通过ASP转换，在平均约6秒内求解了一个数独知识库，其中超过90%的时间用于生成（grounding），实际求解时间不足0.1秒。
• 对于100万个数独实例的模型枚举，Wolpertinger耗时约279秒，其中273秒用于求解，表明其在大规模枚举任务中具备良好的可扩展性。
• 在不可满足性测试中，Wolpertinger在大型知识库上优于HermiT：当HermiT在最大实例上15分钟后超时时，Wolpertinger仅用85秒即完成求解。
• 在模型提取与部分枚举任务中，HermiT因超时（15分钟）无法完成，而Wolpertinger在35秒内成功提取了10万个模型。
• 该框架通过利用ASP原生能力，实现了模型枚举与提取等高级推理任务——这些任务在标准OWL推理器中并不原生支持。