Dual Box Embeddings for the Description Logic EL++

要約

OWLオントロジーは、その形式的意味論が記述論理(DL)に根ざしており、知識表現に広く使用されています。
ナレッジ グラフ (KG) と同様に、オントロジーは不完全であることが多く、維持および構築が困難であることがわかっています。
古典的な演繹的推論アルゴリズムは、オントロジーの正確な形式的意味論を使用して欠落している事実を予測しますが、近年では、オントロジーからありそうな事実を導き出すことができる帰納的推論技術への関心が高まっています。
KG と同様に、有望なアプローチは、潜在ベクトル空間でオントロジーの埋め込みを学習し、同時に基礎となる DL のセマンティクスに準拠していることを確認することです。
さまざまなアプローチが提案されていますが、現在のオントロジー埋め込み方法にはいくつかの欠点があります。特に、それらはいずれも 1 対多、多対 1、および多対多の関係と役割包含公理を忠実にモデル化できないという点です。
この問題に対処し、オントロジー補完のパフォーマンスを向上させるために、DL EL++ 用の Box$^2$EL という名前の新しいオントロジー埋め込み手法を提案します。これは、概念と役割の両方をボックス (つまり、軸が整列した超長方形) として表し、モデル間の相互関係を表現します。
バンピングメカニズムを使用したコンセプト関係。
私たちはBox$^2$ELの健全性を理論的に証明し、広範な実験評価を実施し、包含予測、役割主張予測、演繹推論の近似といったタスクに関して、さまざまなデータセットにわたって最先端の結果を達成しました。

要約(オリジナル)

OWL ontologies, whose formal semantics are rooted in Description Logic (DL), have been widely used for knowledge representation. Similar to Knowledge Graphs (KGs), ontologies are often incomplete, and maintaining and constructing them has proved challenging. While classical deductive reasoning algorithms use the precise formal semantics of an ontology to predict missing facts, recent years have witnessed growing interest in inductive reasoning techniques that can derive probable facts from an ontology. Similar to KGs, a promising approach is to learn ontology embeddings in a latent vector space, while additionally ensuring they adhere to the semantics of the underlying DL. While a variety of approaches have been proposed, current ontology embedding methods suffer from several shortcomings, especially that they all fail to faithfully model one-to-many, many-to-one, and many-to-many relations and role inclusion axioms. To address this problem and improve ontology completion performance, we propose a novel ontology embedding method named Box$^2$EL for the DL EL++, which represents both concepts and roles as boxes (i.e., axis-aligned hyperrectangles), and models inter-concept relationships using a bumping mechanism. We theoretically prove the soundness of Box$^2$EL and conduct an extensive experimental evaluation, achieving state-of-the-art results across a variety of datasets on the tasks of subsumption prediction, role assertion prediction, and approximating deductive reasoning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google