Knowledge and learning : synergies between ontologies and machine learning

Abstract

The growing pool of available information and knowledge makes suitable knowledge representation indispensable. Over the past decades, ontologies have emerged as a suitable method for describing knowledge flexibly and with rich semantics. However, ontology development is a labor-intensive and time-consuming process that requires consensus-building processes involving many experts. This growth in available information is further enhanced by machine learning meth- ods. These have delivered astonishing results, particularly in recent years. However, many of them suffer from a transparency problem. In this thesis, I show synergies between the world of ontologies and that of machine learning that can address their respective problems. We will present a novel, machine- learning-based approach to extend ontologies. Existing approaches rely largely on existing domain literature, which does not reflect the consensus that inheres in the ontology. Contrary to that, our approach is based solely on an existing ontology and its annotations. I will evaluate the proposed prediction system on a case study on the ChEBI ontology and demonstrate an interface that can be used by ChEBI developers in order to accelerate the development process. Conversely, we will also present two methods with which ontologies can be used in machine learning. Firstly, I will show that an ontology can serve as a knowledge base for learning tasks, even if the knowledge relevant to the task is not explicitly represented. Furthermore, I will present a method to use the semantic structure of the ontology to improve the logical consistency of predictions.

Der wachsende Fundus an verfügbaren Informationen und Wissen macht eine gute Wissensrepräsentation unerlässlich. Im Laufe der vergangenen Jahre haben sich Ontologien als geeignete Methoden etabliert, um Wissen flexibel und mit reich- haltiger Semantik zu beschreiben. Das Erstellen dieser Ontologien ist jedoch eine arbeitsintensive und zeitaufwendige Aufgabe, die voraussetzt, dass eine Gruppe von Domänenexperten einen gemeinsamen Konsens findet. Die Geschwindigkeit, mit der die verfügbaren Informationen anwachsen, hat sich seit der steigenden Popularität von Methoden des maschinellen Lernens stark er- höht. Diese haben zwar beeindruckende Resultate in den verschiedensten Domänen geliefert, leiden jedoch unter ihrer mangelnden Transparenz. In dieser Arbeit möchte ich die Synergien zwischen der Welt der Ontologien und der des maschinellen Lernens aufzeigen, die diese jeweiligen Probleme adressieren kön- nen. Ich werde einen neuartigen Ansatz präsentieren, welcher maschinelles Lernen nutzt, um Ontologien zu erweitern. Existierende Ansätze hierfür beruhen häufig auf Domänenliteratur, welche nicht den Konsens einer bestehenden Ontologie reflek- tieren. Im Gegensatz hierzu beruht dieser Ansatz ausschließlich auf der Ontologie und den enthaltenen Annotationen. Ich werde das resultierende Vorhersagesystem anhand der ChEBI-Ontologie evaluieren und einen neuen Service vorstellen, mit dem die Entwickelnden ihre Arbeit an der Ontologie beschleunigen können. Weiterhin möchte ich zwei Wege demonstrieren, auf denen Ontologien Methoden des maschinellen Lernens unterstützen können. Zunächst zeige ich, dass Ontologien als Wissensquelle für komplexe Lernaufgaben dienen können, selbst wenn das Wis- sen, das für die Aufgabe benötigt wird, nicht explizit in der Ontologie repräsentiert wird. Weiterhin werde ich eine Methode vorstellen, mit der die semantische Struktur der Ontologie direkt in das Training eingebunden werden kann, um konsistentere Vorhersagen zu fördern.