[论文解读] Direct computation of diagnoses for ontology debugging

Kostyantyn M. Shchekotykhin, Philipp Fleiß+2 more|arXiv (Cornell University)|Sep 5, 2012

Semantic Web and Ontologies参考文献 11被引用 3

一句话总结

本文提出一种直接诊断计算方法用于本体调试，跳过冲突集生成步骤，从而在存在大量故障的本体（如本体匹配或学习系统中常见）中实现高效诊断。通过使用逆向命中集（inverse hitting set）和QuickXPlain算法，该方法在性能上与标准技术相当或更优，尤其在传统基于模型的诊断因冲突集过多而失效的情况下表现更佳。

ABSTRACT

Modern ontology debugging methods allow efficient identification and localization of faulty axioms defined by a user while developing an ontology. The ontology development process in this case is characterized by rather frequent and regular calls to a reasoner resulting in an early user awareness of modeling errors. In such a scenario an ontology usually includes only a small number of conflict sets, i.e. sets of axioms preserving the faults. This property allows efficient use of standard model-based diagnosis techniques based on the application of hitting set algorithms to a number of given conflict sets. However, in many use cases such as ontology alignment the ontologies might include many more conflict sets than in usual ontology development settings, thus making precomputation of conflict sets and consequently ontology diagnosis infeasible. In this paper we suggest a debugging approach based on a direct computation of diagnoses that omits calculation of conflict sets. Embedded in an ontology debugger, the proposed algorithm is able to identify diagnoses for an ontology which includes a large number of faults and for which application of standard diagnosis methods fails. The evaluation results show that the approach is practicable and is able to identify a fault in adequate time.

研究动机与目标

• 解决标准基于模型的诊断在处理大量冲突集时的可扩展性限制，特别是在本体调试场景中。
• 实现由本体匹配或学习系统生成的本体的高效调试，这些系统通常会产生大量故障。
• 开发一种直接诊断计算方法，避免计算最小冲突集这一计算开销巨大的预处理步骤。
• 通过集成诊断区分技术以支持基于查询的迭代调试，实现交互式诊断。
• 在包含数千条公理的真实世界大规模本体上，验证该方法的可行性与性能表现。

提出的方法

• 提出Inv-HS-Tree，一种广度优先搜索算法，通过反转标准基于模型的诊断流程，直接计算诊断结果。
• 采用Inv-QuickXPlain，一种直接诊断算法，通过从诊断候选反向推导，避免计算冲突集。
• 采用基于命中集的方法识别最小诊断，而无需预先计算最小冲突集。
• 应用查询选择策略（熵与二分法）以引导基于查询的交互式诊断精炼过程。
• 基于本体匹配系统提供的置信度评分，维护先前的故障概率，以优先考虑更可能的诊断。
• 对前n个最优诊断进行迭代执行诊断计算，从而高效探索诊断空间。

实验结果

研究问题

• RQ1 直接诊断计算能否消除本体调试中预计算最小冲突集的需求？
• RQ2 在故障密度较高的本体中，直接诊断方法与标准基于模型的诊断方法相比性能如何？
• RQ3 该直接方法能否支持基于查询的交互式诊断，以实现诊断区分？
• RQ4 该直接诊断方法在包含数千条公理的真实世界大规模本体上的可扩展性如何？
• RQ5 利用匹配系统提供的置信度评分是否能提升诊断选择的效率？

主要发现

• 在基准数据上，该直接诊断方法平均仅需25秒即可计算出一个最小诊断，性能与现有贪心系统相当。
• 在Anatomy问题的不可满足本体上，该方法平均仅需40秒即可识别出目标诊断。
• 在多个案例中，Inv-HS-Tree优于标准的HS-Tree，尤其是在采用基于熵的查询选择策略时。
• 基于熵的查询选择策略优于二分法，其优势在于有效利用了本体匹配器提供的置信度值。
• 该方法成功诊断了包含最多11,545条公理的本体，证明了其在大规模场景下的可扩展性。
• 在冲突集预计算不可行的情况下，该方法的性能与标准技术相比保持相当或更优。