From axioms over graphs to vectors, and back again: evaluating the properties of graph-based ontology embeddings

要約

記述論理オントロジーの埋め込みを生成し、これらの埋め込みを機械学習で使用するいくつかのアプローチが開発されています。
オントロジー埋め込みを生成するアプローチの 1 つは、最初にオントロジーをグラフ構造に埋め込むことです。つまり、名前付きエンティティと論理公理のノードとエッジのセットを導入し、次にグラフ埋め込みを適用してグラフを $\mathbb{R} に埋め込みます。
^n$.
オントロジーをグラフに埋め込む方法 (グラフ射影) には、使用できる公理の種類、射影が可逆であるかどうか、主張された公理または演繹的閉包に適用できるかどうかに関連するさまざまな形式的特性があります。
オントロジーの埋め込みに使用されてきたいくつかのグラフ射影法を定性的および定量的に分析し、オントロジーの埋め込みから公理を予測するパフォーマンスに対するグラフ射影の特性の影響を示します。
さまざまな射影方法にはかなりの違いがあり、ノードとエッジへの公理の射影と、知識を表すオントロジーの選択の両方が、オントロジー埋め込みを使用して公理を予測する成功に影響を与えることがわかりました。

要約(オリジナル)

Several approaches have been developed that generate embeddings for Description Logic ontologies and use these embeddings in machine learning. One approach of generating ontologies embeddings is by first embedding the ontologies into a graph structure, i.e., introducing a set of nodes and edges for named entities and logical axioms, and then applying a graph embedding to embed the graph in $\mathbb{R}^n$. Methods that embed ontologies in graphs (graph projections) have different formal properties related to the type of axioms they can utilize, whether the projections are invertible or not, and whether they can be applied to asserted axioms or their deductive closure. We analyze, qualitatively and quantitatively, several graph projection methods that have been used to embed ontologies, and we demonstrate the effect of the properties of graph projections on the performance of predicting axioms from ontology embeddings. We find that there are substantial differences between different projection methods, and both the projection of axioms into nodes and edges as well ontological choices in representing knowledge will impact the success of using ontology embeddings to predict axioms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google