基于图的并行OWL本体推理方法研究

With the development of the Semantic Web and Knowledge Graph, knowledge base technologies have attracted widely attention in academia and industry. OWL is a W3C recommended standard language for representing knowledge on the Web, with description logics as its logical underpinning. OWL ontology reasoning plays an important role in knowledge-based services, such as ontology-based data integration. However, current description logic reasoners have weakness in dealing with large scale knowledge. Thus, we need new theories and framework for parallel reasoning. In big data area, graph structure has become the primary structure for handling large-scale data and some graph-based reasoners have shown good performance. In this project, we will study theories and techniques for graph-based parallel OWL ontology reasoning, which can be used to deal with large scale knowledge bases represented by OWL. We will first study the graph representation methods for OWL ontologies. Then, we will do research on graph-based parallel reasoning.algorithm and optimization techniques. Based on the theoretical work and algorithms, we will implement a graph-based parallel OWL ontology reasoning platform. The results of this project will be applied to Semantic Web, natural language understanding and intelligent question answering.

随着语义Web和知识图谱的发展，知识库技术受到学术界与业界的广泛关注。OWL是表达万维网上知识的一个标准语言，其逻辑基础是描述逻辑。OWL本体推理对于基于本体的知识服务，比如说基于本体的数据集成，具有重要的作用。但是，现有的OWL本体推理机在处理海量知识的推理时存在诸多缺陷，迫切需要新的并行推理理论以及实现高效并行OWL本体推理机。在大数据领域，图结构越来越成为大规模数据处理的首选结构。而且一些基于图的推理机显示出较好的推理效率。本项目研究基于图的并行OWL本体推理的理论和技术，处理海量知识的推理。项目首先研究OWL本体的图表示方法；其次，从计算复杂度角度研究OWL本体对于标准推理任务的可并行性理论。再次，研究基于图的并行本体推理算法和优化方法。最后，实现一个基于图的并行OWL本体推理平台。本项目的成果将应用于语义Web、自然语言理解和智能问答等领域。

随着语义知识库构建取得很大进展，对于海量知识库的推理方面需求越来越紧迫。然而，目前推理方面的工作中，利用图来提升推理效率的研究实践工作并不多；现有并行OWL本体推理方面的工作也主要考虑一些易处理OWL语言的并行本体推理，缺少对于OWL的最新版本OWL2其他子语言的并行推理工作，且缺乏从数据角度去判断一个本体是否适合并行推理。另外，现有并行推理系统大都只能在一个并行平台上运行，导致很难权衡推理的效率和推理的可伸缩性。. 本项目基于已有工作的不足开展研究的内容如下。解决基于图结构的并行OWL本体推理的理论和实践方面的问题。理论上，提出OWL本体的图表示语言，基于该表示语言提出一套描述逻辑中并行本体推理的理论和算法，并且给出优化技术。实践上，利用并行计算方面的技术，实现一个可伸缩、高效的推理系统，该推理系统可以在不同平台配置运行，从而权衡推理的效率和推理的可伸缩性。. 项目取得的主要成果如下。提出了OWL EL语言的图表示语言，并且证明了其完备性和正确性。基于该表示语言设计优化了并行推理算法，并实现了推理机GEL。针对医疗本体SNOMED CT的百万级别公理场景，GEL推理时间在14秒以内，优于使用更加广泛的推理机CEL和ELK。该成果发表在国际会议ICTAI’2015，并将进一步的研究成果发表在人工智能领域杂志IJAIT上。项目将研究范围从OWL EL进一步扩展到表达能力更丰富的OWL语言DHL上，从数据和并行理论的角度研究了推理的并行易处理性，提出利用单源推理路径降低并行推理复杂性，以及优化并行推理算法的理论和技术。基于该理论成果，实验发现所测试的现实本体中80%以上的本体具有并行易处理性，这也为大规模推理方法的有效性做出了实验上的支撑。该成果发表在国际会议ECAI’16中，并已将进一步的研究成果提交杂志JWS。针对图表示语言和基于图的并行推理算法，已提交申请专利。. 本项目研究内容的科学意义如下。基于图表示语言与并行技术结合方面的研究对推理技术的优化提供了新的途径。针对并行易处理性的研究对于OWL本体在生物医疗等领域的数据构建和集成方面具有指导作用，并且从理论上保证了并行的易处理性。