[论文解读] Learning Vague Concepts for the Semantic Web

Paolo Pareti, Ewan Klein|arXiv (Cornell University)|Oct 19, 2014

Semantic Web and Ontologies参考文献 32被引用 3

一句话总结

本文提出 VAGO 系統，透過在描述邏輯中使用可調節的數值適配器來建模本體中的模糊概念，實現本體演化過程中模糊概念的自動學習與局部不一致修復。透過將閾值視為可學習參數，VAGO 動態更新如「接近」或「昂貴」等模糊概念，透過訓練公理進行訓練，於目標閾值上達成 96% 的準確度，且與最佳值的偏差極小。

ABSTRACT

Ontologies can be a powerful tool for structuring knowledge, and they are currently the subject of extensive research. Updating the contents of an ontology or improving its interoperability with other ontologies is an important but difficult process. In this paper, we focus on the presence of vague concepts, which are pervasive in natural language, within the framework of formal ontologies. We will adopt a framework in which vagueness is captured via numerical restrictions that can be automatically adjusted. Since updating vague concepts, either through ontology alignment or ontology evolution, can lead to inconsistent sets of axioms, we define and implement a method to detecting and repairing such inconsistencies in a local fashion.

研究动机与目标

• 針對語義網中使用的形式化本體，解決『接近』或『昂貴』等模糊概念的表示與演化挑戰。
• 克服靜態模糊或機率模型的限制，將模糊性建模為動態且可學習的特性。
• 偵測並解決在本體對齊或演化過程中更新模糊概念時產生的不一致。
• 開發一種修改適配器值而非刪除公理的方法，以在修復過程中保留語義完整性。

提出的方法

• 模糊概念透過適配器建模——即描述邏輯公理中代表閾值值的變數，例如『成本 > X』表示『昂貴』。
• 系統使用學習機制，透過對訓練公理驗證本體，迭代調整適配器值。
• 將原始公理與訓練公理結合產生的不一致解釋為對齊錯誤，進而觸發閾值的目標適應。
• 學習過程中應用 Sigmoid 函數，以減少異常值對適配器演化的影響。
• 該方法運行於 OWL 2 與描述邏輯環境中，利用資料類型與基數限制來表達模糊概念。
• 修復透過局部修改適配器值進行，不刪除公理，確保新知識的保留。

实验结果

研究问题

• RQ1 如何以支援動態、情境敏感適應的方式表示形式化本體中的模糊概念？
• RQ2 何種機制可實現『接近』或『昂貴』等模糊概念閾值的自動學習？
• RQ3 如何在不刪除公理的情況下偵測並解決因本體更新產生的不一致？
• RQ4 系統透過訓練資料演化模糊概念定義，能在多大程度上對齊兩個本體？

主要发现

• 系統針對『CloseDistance』的最終適配器值與正確值的差異僅為標準差的 4%，顯示學習具有高度準確性。
• 『profitable』（書店數量）的適配器值與正確值的差異達標準差的 162%，顯示收斂性仍有改進空間。
• 學習過程成功透過 Sigmoid 函數減少異常值對適配器演化的影響。
• 透過修改適配器值而非刪除公理，該方法有效修復不一致，並保留語義內容。
• 模擬結果顯示，VAGO 可演化模糊概念定義以對齊訓練資料，提升基於擴展的本體對齊效果。
• 該方法可實現一致且逐步演化的本體，避免僵化或破壞性修復策略的缺點。