[论文解读] Ontology Alignment at the Instance and Schema Level

Fabian M. Suchanek, Serge Abiteboul+1 more|arXiv (Cornell University)|May 27, 2011

Semantic Web and Ontologies参考文献 35被引用 3

一句话总结

PARIS 是一种概率性、无参数的综合本体对齐算法，可同时对 RDFS 本体中的实例、关系和类进行对齐。通过利用模式层与实例层匹配之间的相互增强，它在 YAGO 和 IMDb 等大规模真实本体上实现了 90% 的精确率和 92% 的 F1 分数，且无需调优或训练数据。

ABSTRACT

We present PARIS, an approach for the automatic alignment of ontologies. PARIS aligns not only instances, but also relations and classes. Alignments at the instance-level cross-fertilize with alignments at the schema-level. Thereby, our system provides a truly holistic solution to the problem of ontology alignment. The heart of the approach is probabilistic. This allows PARIS to run without any parameter tuning. We demonstrate the efficiency of the algorithm and its precision through extensive experiments. In particular, we obtain a precision of around 90% in experiments with two of the world's largest ontologies.

研究动机与目标

• 解决包含丰富模式和数百万实例的大规模、复杂本体对齐的挑战。
• 开发一种完全自动化的对齐系统，无需参数调优或训练数据。
• 创建一种整体性解决方案，通过相互增强实现模式层（类和关系）与实例层对齐的集成。
• 通过自动发现语义对应关系，实现 DBpedia、YAGO 和 IMDb 等孤立知识岛之间的互操作性。
• 证明在大规模场景下，统一的概率模型用于本体对齐的可行性和有效性。

提出的方法

• PARIS 使用概率框架，联合建模实例、子关系和子类的等价性，从而实现模式层与实例层对齐之间的交叉促进。
• 核心模型基于跨本体的共享属性、结构相似性以及关系上下文，计算语义等价的可能性。
• 采用迭代推理过程，通过贝叶斯更新在实例对齐和模式对齐之间交替优化。
• 通过严谨的概率公式设计，实现字面量等价性和高效计算的优化，避免了手动参数调优。
• 不依赖名称启发式方法即可处理关系和类的对齐，支持语义等价但名称不同的关系对齐。
• 系统通过全局功能层实现，确保所有对齐类型的一致性。

实验结果

研究问题

• RQ1 统一的概率模型能否在大规模本体中有效同时对齐实例、关系和类？
• RQ2 通过相互增强，实例层对齐在多大程度上能提升模式层对齐，反之亦然？
• RQ3 完全自动化的本体对齐系统是否能在无需训练数据或参数调优的情况下实现高精确率？
• RQ4 整体方法的性能与仅对齐实例或仅对齐模式的基线方法相比如何？
• RQ5 在处理本体中结构异构性时，该方法的主要失败模式和局限性是什么？

主要发现

• 在 YAGO 和 IMDb 这两个全球最大的本体上进行的实验中，PARIS 实现了约 90% 的精确率。
• 系统在实例对齐上达到了 92% 的 F1 分数，显著优于仅依赖 rdfs:label 匹配的基线方法（F1 分数为 82%）。
• PARIS 以 100% 的精确率对齐了 IMDb 与 YAGO 之间 80% 的关系，展示了其在关系匹配方面的强大性能。
• 在阈值为 0 时，该算法正确地将 50% 的 IMDb 类映射到等价或更一般的 YAGO 类，尽管在反向映射中性能较低，这主要是因为 YAGO 更关注突出实体。
• 该方法在不依赖基于名称的启发式方法的情况下，成功对齐了语义等价但名称不同的实体。
• 尽管在处理结构异构性（如事件建模差异）方面存在局限，PARIS 仍是首个在无需调优或训练数据的前提下，实现大规模本体中实例、关系和类的全面、全自动对齐的方法。