Ontology learning towards expressiveness: A survey
| 項目 | 内容 |
|---|---|
| 論文ID | P07 |
| 区分・分類 | 論文・枠組み・サーベイ |
| 著者・所属 | Pauline Armary（CIAD, UR 7533, Université de Bourgogne, Dijon, France／Anabasis Assets, Saint-Denis, France）、Cheikh Brahim El-Vaigh、Ouassila Labbani Narsis、Christophe Nicolle（いずれも CIAD, UR 7533, Université de Bourgogne, Dijon, France） |
| 発表先 | Computer Science Review（Vol.56, 100693） |
| 発表日 | 2024-12-05（オンライン公開） |
| 引用数 | 12（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.1016/j.cosrev.2024.100693 |
| 取得（HAL hal-04823977 に登録された出版社版、論文/pdf/P07.pdf） | |
| 読んだ範囲 | 全文（本文 p.1〜18。p.19〜21 は参考文献） |
論文タイプ
サーベイ。SLR の手法に倣い、2012年以降の54本を3つの研究質問で分類・集計した総説。
研究の目標
- 背景：OL Layer Cake（Cimiano）の下位5層（用語・概念・関係・階層）の学習は lightweight な Ontology Learning（OL）として研究が多いが、上位2層（Axiom Schemata、General Axiom）の学習が表現力と推論能力を大きく高める。既存サーベイはデータ源別・ツール別の整理に留まり、公理・ルールの詳細が欠けていた。
- 問い：「OL技術で表現力の高いオントロジーを自動構築するには何ができるか／データ源をどうすれば推論可能な形式オントロジー体系に変換できるか」。RQ1「何から学ぶか」（データ形式・内容・データセット・既存オントロジー・応用領域）、RQ2「何を学ぶか」（公理の種類、形式言語、表現力レベル、目的）、RQ3「どう学ぶか」（アルゴリズム、評価、技術基盤、公開ツール）で分析する。
- 到達点：heavyweight オントロジー学習の現状整理、公理の細分類の提案、未開拓の研究方向の提示。
技術的なやり方
| 項目 | 内容 |
|---|---|
| 方法論 | Kitchenham らの SLR 手法に準拠 |
| 検索DB | Web of Science、ScienceDirect、ACM Digital Library、IEEE Xplore、arXiv |
| クエリ | ("ontology learning" OR "automatic ontology construction" OR "ontology enrichment" OR "ontology extension" OR "knowledge base learning") AND ("rule" OR "axiom" OR "SWRL" OR "description logic" OR "OWL DL" OR "schema induction" OR "axiom extraction" OR "schemas learning" OR "DL-learning") |
| 検索時期 | 2023年5月（findpapers 経由。IEEE と WoS は手動） |
| 除外基準 | ExC1〜9：2012年以前、重複、非英語、会議要約、未査読、非公開、実験なし、自動学習なし、lightweight オントロジー |
| 絞り込み | 重複除去後429本 → 240本を精読 → 70本除外（自動学習なし・オントロジー対象外）、116本除外（分類階層・非階層関係のみ）→ 54本 |
OWL2 の公理分類を OL Layer Cake の上位2層に対応付けた細分類：
| OL Layer Cake | 細分類 | 内容 |
|---|---|---|
| Axiom Schemata | Class expressions | 否定・積・和・存在／全称制約・濃度制約 |
| Axiom Schemata | Class axioms | 包含・等価・排他（disjoint） |
| Axiom Schemata | Object property axioms | 推移性・対称／非対称・反射／非反射・逆・関数性・逆関数性・property chain・role inclusion |
| Axiom Schemata | Data property axioms | データ型・部分プロパティ・排他・関数性 |
| General Axiom | Class Expression Subsumption | クラスとクラス式の包含（必要十分条件の定義） |
| General Axiom | Complex Rules | 複数公理の組合せ（SWRL・FOL 等で表現） |
アルゴリズムは Rule-based（mapping rules、lexico-syntactic pattern）、Unsupervised Learning（Association Rule Mining、Graph Theory、Clustering、Situation testing、Formal Concept Analysis）、Evolutionary Algorithm（Grammatical Evolution、Genetic Logic Programming）、Neural Network（Bayesian Network、Deep Learning）の4系統に分類する。
結果
| 観点 | 論文中の数値・所見 |
|---|---|
| 発行動向 | 微増傾向、特に General Axiom への関心が増加。2020年が例外的に多い |
| 地域 | 欧州がほぼ半数、フランスが15%。米国は1本のみ |
| データ形式 | Text と Knowledge Base が主流、RDB も多い。XML は1本のみ |
| データ内容 | KB は全て example data。Text・RDB は主に descriptive data。prescriptive data（臨床ガイドライン・規制文書）は Text のみ。法律文書は扱われていない |
| データセット | DBpedia が最多（ほか YAGO、Wikidata）。ベンチマークは LUBM、BEAUFORD。私企業データは Thales（航空機整備）、Airbus（設計原則960件）。上位オントロジーの利用は皆無 |
| 応用領域 | 63%超が単一領域に限定せず。産業分野が20%で最多 |
| 対象公理 | 54本中40本が2種以上（最大12種）を対象。種類別はほぼ均等だが Data Property 公理は4本のみ。多いのは Subsumption・Cardinality・Disjointness、少ないのは Role inclusion・Property chain・Asymmetry・Min-max value |
| 形式×公理 | RDB → 主に Object Property 公理、Text → 主に Complex Rules、KB → 最も多様 |
| 形式言語 | OWL/OWL2 が最多（4.2.2節では58%、RQ2 まとめでは62%と記載）。SWRL 7本、OWL-RL・SHACL・Datalog 各1本、Description Logic 5本、FOL 4本、Fuzzy OWL 2本 |
| 表現力レベル | 記述論理のレベルを明示するのは15本（30%弱）のみ（5.1節では「52本中14本」と記載）。例示は ELC、SHOIN(D) 等 |
| 学習の目的 | 新規オントロジー構築、KB 補完（最多）、データからのルール発見、公理・ルールの評価、推論の実現、オントロジーとソースデータのマッピング |
| アルゴリズム | Rule-based 約33%、Unsupervised 約46%で合わせて3/4超。進化的アルゴリズムは2019年以降 Tettamanzi らが牽引。ニューラルネットは少数 |
| 内容×手法 | descriptive／prescriptive 文書は Rule-based、example data は Unsupervised・NN・進化的で処理する傾向。対象公理の種類は手法をあまり規定しない |
| 評価 | Task-based、Gold Standard、Benchmark（最上位）、Criteria-based、Manual の5種。指標は Precision が最多 |
| 実装 | 言語を明記するのは57%。うち Java 40%、Python 15%。再利用可能なツールは Protégé plugin、DL-Learner、OntoLearn の3つ |
| 成熟度 | RDB スキーマからの学習は mapping rules で成熟（主に2000年代）。KB の example からの学習が最も成熟（GoldMiner、BelNet、LeDA、RuDik、Evoda、AMIE+）。テキスト記述からの学習は調査段階（lexico-syntactic pattern が到達点、[26] が NL→論理の翻訳タスクを提示） |
限界・課題
著者が述べる対象文献群への批判： - コードとデータの公開が稀で再現が難しい。テキスト・RDB からの公理学習ツールは保守されたものが無く、データセットもタスク固有で共有されない - 目標とする記述論理の表現力レベルが明示されず、表現力と決定可能性のトレードオフを踏まえた動機も説明されない - 評価が弱い。タスクベース評価は少数で、ベンチマーク不在のため外部評価が困難。学習した表現の質（名詞＝Class、動詞＝Relation と決めてよいか）はほぼ議論されない
提示された研究方向： | ID | 内容 | |---|---| | RD1 | 未着手の公理（asymmetry、min-max、property chain、role inclusion、datatype）への取り組み | | RD2 | 規制文書など prescriptive 文書を対象とする | | RD3 | テキスト中の固有表現（NER）から instance を作り、帰納的に公理を学ぶ | | RD4 | 学習した公理・ルールの評価（タスクに適した公理の選択） | | RD5 | テキストから複雑ルールへの翻訳に語の意味を取り込む | | RD6 | Transformer・LLM でテキストから一階述語論理式を抽出する |
要点
OL Layer Cake の上位2層（公理・ルール）を学ぶ heavyweight オントロジー学習の54本を、データ源・対象公理・手法の3軸で体系的に分類したサーベイ。 KB の example data からの帰納学習（DBpedia・DL-Learner 等）が最も成熟し、テキスト・規制文書からのルール学習や LLM 活用は未開拓と位置づける。 表現力レベルの明示、再現可能なコード・データ公開、タスクベース評価の不足を分野全体の課題として指摘する。