A Frame-Based Approach for Integrating Heterogeneous Knowledge Sources
Jacobo Rouces · VBN Forskningsportal (Aalborg Universitet) · 2016
Large knowledge bases are increasingly available in the web, linked to each other so that their information can be combined and joined and they can be queried as a single knowledge base or navigated by software agents.The resulting global knowledge base is usually referred to as linked data, linked open data, linked open data cloud, or the semantic web.Commonly used standards for these knowledge bases specify a simple and homogeneous syntax based on triples that can be interpreted, under some simplifications, as defining a labelled directed graph, where the nodes and the edges are identified with internationalized resource identifiers that use domains owned by the stakeholder that publishes each graph.This makes easier the aggregation of data, which can be reduced to a union of triples.However, the use of different modelling patterns in different graphs requires any structured query over the global graph to combine all possible modelling patterns that may exist in it, including all possible nodes or edges that are synonymous, which is impractical.This semantic heterogeneity also prevents certain pieces of equivalent knowledge to be linked, because what is represented by one node in a graph may be represented implicitly, as some sort of graph pattern, in another graph using a different modelling pattern, making impossible the linking by means of simple equivalence edges.Furthermore, certain existing modelling patterns are too verbose and inefficient, while others lack expressiveness and fail to capture essential connections in the data.This thesis describes the creation of FrameBase, a system that reuses theory and resources from linguistics and cognitive science to provide different connected layers of representation that combine the expressiveness of some modelling patterns with the conciseness of others, while at the same time providing a common basic vocabulary that can be extended by stakeholders.The FrameBase multilayered system of modelling patterns model allows representing a wide range of knowledge in a way that allows truly seamless integration and querying of data.The thesis also introduces different methods to integrate knowledge from external knowledge bases, and eventually from any source of structured data.iii The methods range from manual to automatic, with different semi-automatic approaches being developed.Automatic methods exploit the ties of FrameBase with linguistics to create complex mappings with the names of elements in the external knowledge bases.The manual approach is streamlined with a web application that allows a user to build mappings in a simple graphical manner.Two different semi-automatic approaches are implemented: one enhancing automatic methods with simple heuristics specific to each knowledge base, and another enhancing the manual method by re-using the automatic and semi-automatic methods as part of a suggestion and search engine in the web application.The results of all automatic methods are evaluated with human annotators.Additionally, FrameBase's ties to linguistics also provide potential methods to interface with natural language, either for the purpose of text mining or question answering.The thesis discusses these potential methods at the end, hinting at possible lines of future work. ResuméStore videnbaser er i stigende grad offentliggjorte på webbet, knyttet sammen således at deres viden kan forenes og de kan forespørges på en gang eller navigeres ved softwareagenter.Den resulterende globale videnbase er normalt omtalt som linked data, linked open data, linked open data cloud, eller det semantiske web.Almindeligt brugte standarder for disse videnbaser angiver en simpel, homogen syntaks baseret på triples der under nogle forenklinger kan fortolkes som en mærket orienteret graf, hvor knude og kanter er identificeret med IRIs (Internationalized Resource Identifiers), der bruger domæner ejet af de enkelte udgivere.Det gør det lettere at aggregere viden ved at sammenføje triplerne.Imidlertid kræver brugen af forskellige modelleringsmønstre i forskellige grafer, at en struktureret forespørgsel over den globale graf kombinerer alle mulige modelleringsmønstre, herunder alle mulige knuder og kanter som er synonymer, hvilket er upraktisk.Denne semantiske uensartethed forhindrer desuden visse stykker af tilsvarende viden at blive tilkoblede, fordi det, som er repræsenteret ved en knude i en graf under en bestemt modelleringsmønster, kan repræsenteres implicit som en slags grafmønster i en anden graf under et anden modelleringsmønster, hvilket gør sammenkoblingen ved brug af simple ækvivalenskanter umuligt.Endvidere er visse eksisterende modelleringsmønstre for detaljerede og ineffektive, mens andre mangler udtryksfuldhed og undlader vigtige forbindelser i dataene.Denne afhandling beskriver oprettelsen af FrameBase, et system der anvender teori og ressourcer fra lingvistik og kognitionsforskning til at give forskellige forbundne repræsentationslag, der kombinerer udtryksfuldhed af nogle modelleringsmønstre med koncisheden af andre, mens de på samme tid giver et fælles, grundlæggende ordforråd der kan udvides af udgivere og brugerne.FrameBase's flerlagede system af modelleringsmønstre tillader at repræsentere en bred vifte af viden på en måde, som tillader trinløs integrering af såvel viden som forespørgsler til videnbasen.Afhandlingen introducerer desuden forskellige metoder til at integrere viden fra eksterne videnbaser og endelig fra enhver kilde af strukturerede data.Metoderne spænder fra manuelle til automatiske, og forskellige semiv automatiske tilgange bliver udviklet.Automatiske metoder udnytter Frame-Base's forbindelse til lingvistik for at skabe komplekse mapninger til navnene af elementer i de eksterne videnbaser.Den manuelle tilgang er effektiviseret med en webapplikation, der tillader en bruger at skabe mapninger på en simpel, grafiske måde.To forskellige semi-automatiske tilgang er implementeret: en, som udvider automatiske metoder med simple heuristikker knyttet til hver videnbase, og en anden, som udvider den manuelle metode med at genbruge de automatiske og semi-automatiske metoder for at implementere anbefalingsog søgefunktioner i webapplikationen.Resultaterne for automatiske metoder evalueres af mennesker.Desuden giver Framebase's bånd til lingvistik mulighed for at forbinde til naturligt sprog, enten med henblik på tekstudvinding (text mining) eller forespørgselsbesvarelse (question answering).Afhandlingen diskuterer desuden potentielle metoder til dette og antyder mulige linjer for det fremtidige arbejde.