[论文解读] TermPicker: Enabling the Reuse of Vocabulary Terms by Exploiting Data from the Linked Open Data Cloud - An Extended Technical Report

Johann Schaible, Thomas Gottron+1 more|arXiv (Cornell University)|Dec 17, 2015

Semantic Web and Ontologies参考文献 28被引用 4

一句话总结

TermPicker 是一种新颖的推荐系统，通过分析来自现有 LOD 数据集的模式（SLPs），实现对 RDF 词汇表术语在链接开放数据（LOD）中的重用。它使用包含五个特征的排序学习（L2R）方法对候选术语进行排序，与基线方法相比，推荐质量提升了 35%，MAP ≈ 0.70，MRR@5 ≈ 0.74。

ABSTRACT

Deciding which vocabulary terms to use when modeling data as Linked Open Data (LOD) is far from trivial. Choosing too general vocabulary terms, or terms from vocabularies that are not used by other LOD datasets, is likely to lead to a data representation, which will be harder to understand by humans and to be consumed by Linked data applications. In this technical report, we propose TermPicker: a novel approach for vocabulary reuse by recommending RDF types and properties based on exploiting the information on how other data providers on the LOD cloud use RDF types and properties to describe their data. To this end, we introduce the notion of so-called schema-level patterns (SLPs). They capture how sets of RDF types are connected via sets of properties within some data collection, e.g., within a dataset on the LOD cloud. TermPicker uses such SLPs and generates a ranked list of vocabulary terms for reuse. The lists of recommended terms are ordered by a ranking model which is computed using the machine learning approach Learning To Rank (L2R). TermPicker is evaluated based on the recommendation quality that is measured using the Mean Average Precision (MAP) and the Mean Reciprocal Rank at the first five positions (MRR@5). Our results illustrate an improvement of the recommendation quality by 29% - 36% when using SLPs compared to the beforehand investigated baselines of recommending solely popular vocabulary terms or terms from the same vocabulary. The overall best results are achieved using SLPs in conjunction with the Learning To Rank algorithm Random Forests.

研究动机与目标

• 为解决在 LOD 建模中选择合适 RDF 词汇表术语这一耗时且非显而易见的挑战。
• 通过利用现有 LOD 数据集中的实际使用模式，实现词汇表术语的重用。
• 通过捕捉数据中的结构关系，超越基于字符串匹配或流行度的方法，提升推荐质量。
• 开发一种方法，推荐其他数据提供者在类似建模任务中使用的术语。
• 评估模式级模式（SLPs）和排序学习在提升词汇表术语推荐效果方面的有效性。

提出的方法

• TermPicker 以查询-SLP（模式级模式）作为输入，其定义包括一组 RDF 类型、一组属性以及一组目标 RDF 类型。
• 它从 LOD 云上发布的词汇表中生成候选词汇表术语，并为每个候选术语计算五个特征，以评估其与查询-SLP 的相似性。
• 这些特征包括 SLP 之间的句法相似性、共现频率以及 RDF 类型和属性的结构对齐。
• 使用排序学习（L2R）模型（特别是随机森林）对这些特征进行训练，以根据相关性对候选术语进行排序。
• 系统使用从 LOD 云上的真实数据集中提取的 SLP 来建模词汇表术语在实际中的联合使用方式。
• 通过在 BTC 2014 和 DyLDO 数据集上进行 10 折留一法交叉验证来评估系统性能。

实验结果

研究问题

• RQ1 从真实 LOD 数据集中提取的模式级模式（SLPs）能否提升词汇表术语推荐的质量？
• RQ2 TermPicker 的推荐质量与仅推荐流行术语或同一词汇表中术语的基线方法相比如何？
• RQ3 在 LOD 上下文中，哪种排序学习算法在推荐词汇表术语排序方面表现最佳？
• RQ4 在多大程度上，整合 LOD 云中的结构化使用模式能提升推荐的相关性？
• RQ5 领域特定特征（如 PageRank 或 rdfs:domain/rdfs:range）能否提升推荐精度？

主要发现

• 与仅推荐流行术语或同一词汇表中术语的基线方法相比，TermPicker 的推荐质量提升了 29%–36%。
• 当使用 SLP 和排序学习时，TermPicker 的平均平均精度（MAP）达到约 0.70。
• 前五个结果中的平均倒数排名（MRR@5）约为 0.74，表明在 74% 的查询中，首个相关推荐位于前五名之内。
• 在所有 L2R 算法中，点对点排序学习（特别是随机森林）在此上下文中的表现最佳。
• SLP 的整合显著提升了推荐的相关性，通过捕捉 LOD 数据集间的真实使用模式。
• 未来工作建议，整合领域特定特征（如 PageRank 或 TBox 元数据，例如 rdfs:domain、rdfs:range）可能进一步提升推荐质量。