ProMap - Anfragebearbeitung für das Semantic Web unter Berücksichtigung unsicherer Mappings
Final Report Abstract
Die wichtigsten Ergebnisse des Projekts lassen sich in komprimierter Weise folgendermaßen darstellen. • Wir haben einen Formalismus entwickelt, mit dem sich Ontologie Mappings als Axiome in einer probabilistischen Wissenbasis verstehen lassen. Dabei werden die Axiome der Ontologien als sicheres Wissen und die Mapping Axiome als unsicheres Wissen behandelt. Innerhalb dieser Modellierung können wir zwei Arten von Anfragen beantworten: Wir können die wahrscheinlichste konsistente Submenge an Korrespondenzen berechnen. Wir haben gezeigt, wie sich dieses Problem, das Problem der MAP-Inferenz, auf ein ILP zurückführen lässt und wie es sich mit Hilfe eines ILP Solvers lösen lässt. - Wir können die bedingte Wahrscheinlichkeit eines einzelnen Axioms (oder einer Schlussfolgerung) approximieren. Wir haben gezeigt, dass man zu diesem Zweck eine Monte-Carlo Simulation, die auf Markov-Ketten aufbaut, verwenden kann. • Wir haben verschiedene ILP Solver getestet. Unsere Implementierung basiert auf dem ILP Solver GUROBI. Die Ergebnisse zeigen, dass unser Verfahren effizient auf kleinere und mittelgroße Matching Probleme anwendbar ist. • Wir haben ein Matching Tool entwickelt, das im Rahmen der OAEI 2010 und 2011 in umfangreicher Weise evaluiert wurde. Dieses Tool beinhaltet eine Bibliothek von kombinierbaren Matching Verfahren und verwendet implizit das oben erwähnte Verfahren zur Berechnung der MAP Inferenz. Die Evaluationsergebnisse zeigen, dass wir in vielen Testfällen bessere Ergebnisse erzeugen können als die meisten anderen Matching Systeme. Somit können wir insgesamt die Schlussfolgerung ziehen, dass wir im Rahmen des Projekts die wesentlichen Ziele erreicht haben. Lediglich in Bezug auf das Teilziel El0 mussten wir Abstriche machen. Unter anderem aus diesem Grund haben wir einen erfolgreichen Antrag auf Forschungsförderung im Rahmen eines Google Faculty Research Awards gestellt.
Publications
- A probabilistic-logical framework for ontology matching, in Proceedings of the 24th AAAI Conference on Artificial Intelligence, 2010
M. Niepert, C. Meilicke, and H. Stuckenschmidt
- CODI: Combinatorial optimization for data integration-results for oaei 2010. Ontology Matching, pages 142-149, 2010
J. Noessner and M. Niepert
- CODI: Combinatorial optimization for data integration-results for oaei 2011. Ontology Matching, pages 134-141
J. Huber, T. Sztyler, J. Noessner, and C. Meilicke
- Log-linear description logics. In Proceedings of the Twenty-Second international joint conference on Artificial intelligence, pages 2153-2158. AAAI Press, 2011
M. Niepert, J. Noessner, and H. Stuckenschmidt
- Towards distributed incinc inference in probalilistic knowledge bases. Automatic Knowledge Base Construiction and Web-scale knowledge Extraction (AKBC-WBKEX 2012), 2012
M. Niepert, C. Meilicke, and H. Stuckenschmidt
