[论文解读] 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 6

一句话总结

本文提出了一种名为知识本体关系学习（Onto-Relational Learning, ORL）的方法，该方法将描述逻辑（Description Logics, DL）本体与归纳逻辑编程（Inductive Logic Programming, ILP）相结合，以自动化生成用于DL概念和角色的基于规则的定义。通过在ILP中引入本体感知的假设语言和广义子类关系，该方法能够从正负样本中学习到正确且可重用的规则，从而实现可扩展的、知识工程效率更高的语义网本体扩展。

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.

研究动机与目标

• 为解决在语义网应用中手动编写扩展或补充本体的规则所面临的高成本和高难度问题。
• 将归纳逻辑编程（ILP）适配为可处理本体作为背景知识的形式，从而实现基于正式DL语义的关联规则学习。
• 开发一种系统化且可扩展的方法，用于学习集成DL概念与角色及逻辑编程规则的本体-关系规则。
• 通过基于规则的操作（如通过添加规则来创建概念和角色）支持本体的演化。
• 识别并解决在整合DL与逻辑编程过程中面临的关键挑战，特别是为假设空间定义适当的语义泛化关系。

提出的方法

• 该方法采用一种扩展的ILP框架，结合了DL（例如，$\mathcal{SHIQ}$, $\mathcal{ALN}$）与逻辑编程的混合知识表示形式，特别使用$\mathcal{DL}$ + log ¬∨以增强表达能力。
• 采用广义子类关系作为语义泛化顺序，经调整以处理确定性子句和本体背景知识，确保假设生成过程中的逻辑一致性。
• 算法通过一种贪心的“先细化再修剪”策略，迭代地对假设进行细化，从空假设开始，利用正负样本逐步优化。
• 学习过程由一个以混合DL-逻辑语言表达的背景理论引导，使系统能够同时推理本体知识和规则知识。
• 该框架支持单调与非单调推理，与RIF和Cyc风格系统保持一致，并可通过添加规则实现规则演化。
• 采用一种假设细化策略，检查正负样本的覆盖情况，排除覆盖负样本的假设。

实验结果

研究问题

• RQ1 如何将归纳逻辑编程（ILP）适配为学习能够扩展或补充基于描述逻辑（DL）本体的规则？
• RQ2 当背景知识同时包含本体和规则成分时，假设空间的适当语义泛化关系应如何定义？
• RQ3 ILP系统能否有效学习到定义新DL概念和角色的本体-关系规则，同时尊重底层本体的语义？
• RQ4 DL与逻辑编程的集成如何影响真实知识库中规则学习的可扩展性与可处理性？
• RQ5 在混合知识表示形式中，哪些关键设计选择能够实现从示例中有效且正确地进行规则归纳？

主要发现

• 所提出的ORL框架成功利用ILP学习到基于规则的DL概念与角色定义，具备处理正负样本的能力。
• 该方法在示例案例中（如'LONER'和'LIKES'谓词）实现了对正样本的完全覆盖，同时排除了负样本。
• 广义子类关系被有效扩展至本体扩展的假设空间，为假设细化提供了坚实基础。
• 该框架支持通过添加规则实现本体演化，可在不修改核心本体结构的前提下动态扩展概念与角色。
• 该方法具有可扩展性和实用性，如能从极少的训练数据中学习复杂规则，显著减轻了手动编写规则的负担。
• 该方法可扩展至多种DL与逻辑的组合，包括递归规则和析取逻辑，尽管广义子类关系可能不适用于所有此类扩展。