[论文解读] Heuristic Ranking in Tightly Coupled Probabilistic Description Logics

Thomas Lukasiewicz, María Vanina Martínez+2 more|arXiv (Cornell University)|Oct 16, 2012

Semantic Web and Ontologies参考文献 20被引用 11

一句话总结

本文提出了一种基于马尔可夫逻辑网络（MLNs）的EL++紧密耦合概率扩展，以实现不确定条件下的语义网推理。它引入了一种任意时间启发式算法，通过概率对逻辑结论进行排序，即使在未完成完整计算的情况下也能提供误差界和正确性保证，从而实现在知识图谱中的可扩展不确定性感知推理。

ABSTRACT

The Semantic Web effort has steadily been gaining traction in the recent years. In particular,Web search companies are recently realizing that their products need to evolve towards having richer semantic search capabilities. Description logics (DLs) have been adopted as the formal underpinnings for Semantic Web languages used in describing ontologies. Reasoning under uncertainty has recently taken a leading role in this arena, given the nature of data found on theWeb. In this paper, we present a probabilistic extension of the DL EL++ (which underlies the OWL2 EL profile) using Markov logic networks (MLNs) as probabilistic semantics. This extension is tightly coupled, meaning that probabilistic annotations in formulas can refer to objects in the ontology. We show that, even though the tightly coupled nature of our language means that many basic operations are data-intractable, we can leverage a sublanguage of MLNs that allows to rank the atomic consequences of an ontology relative to their probability values (called ranking queries) even when these values are not fully computed. We present an anytime algorithm to answer ranking queries, and provide an upper bound on the error that it incurs, as well as a criterion to decide when results are guaranteed to be correct.

研究动机与目标

• 为解决语义网本体中不确定性推理的挑战，特别是在存在不完整或不确定数据的大规模知识图谱中。
• 通过马尔可夫逻辑网络（MLNs）扩展EL++描述逻辑，赋予其概率语义，实现逻辑公式与概率注解之间的紧密耦合。
• 支持高效、任意时间的推理，以根据概率对逻辑结论进行排序，即使在无法进行完整概率计算的情况下亦可实现。
• 通过误差界和正确性标准，为排序结果的准确性提供理论保证。

提出的方法

• 本文将马尔可夫逻辑网络（MLNs）作为EL++的概率语义，使逻辑公式中可包含概率注解。
• 定义了一种紧密耦合的语言，其中公式中的概率权重可引用本体中的对象，从而支持更丰富的不确定性建模。
• 提出一种任意时间算法，基于估计概率对原子结论进行排序，逐步改进结果。
• 该算法使用启发式估计优先处理更可能的结论，并具备限制排序误差的机制。
• 建立了正确性准则，用于判断当前排序是否可保证准确，而无需进一步计算。
• 该方法利用MLN的子语言，实现在无需完整概率推理的前提下高效排序。

实验结果

研究问题

• RQ1 如何扩展概率描述逻辑，以在本体中实现逻辑公式与概率注解之间的紧密耦合？
• RQ2 哪些技术可实现在无需完整概率计算的情况下，对不确定性下的逻辑结论进行高效、任意时间的排序？
• RQ3 在紧密耦合的概率描述逻辑中，可为启发式排序提供哪些误差界？
• RQ4 在何种条件下可保证排序算法结果的正确性？
• RQ5 如何在保持准确性和可扩展性的前提下，管理此类系统中推理的复杂度？

主要发现

• 所提方法可在紧密耦合的概率描述逻辑中实现对逻辑结论的启发式排序，并提供可证明的误差界。
• 任意时间算法可逐步提供更优的排序结果，支持在早期停止计算，同时保持对最高等级结果的信心。
• 建立了正确性准则，可判断当前排序是否可被信任为准确，而无需进一步计算。
• 该方法通过避免完整概率计算，支持在大规模知识图谱中实现可扩展推理。
• 该方法适用于现实世界语义网场景，其中不确定性是固有的，且精确推理难以实现。
• 理论分析表明，即使未完全计算概率，该算法仍能保持有界的误差。