Praktische Methoden für Probabilistisches Schließen in Wissensnetzwerken

• Antragsteller: Professor Dr. Heiner Stuckenschmidt
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2016 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 327259924

Die automatische Extraktion und Integration von Weltwissen aus heterogenen Web Quellen in sogenannte Wissensnetzwerken ist ein Forschungsgebiet, dass seit einigen Jahren sowohl von der Wissenschaft als auch von großen Suchmaschinenanbietern wie Google und Microsoft intensiv betrieben wird. Trotz immer besserer Extraktionsmethoden enthalten die entstehenden Modelle häufig Inkonsistenzen, die durch fehlerhafte Informationen entstehen. Im beantragten Projekt sollen Methoden zur Konsistenzprüfung von Wissen in solchen Wissensnetzwerken untersucht werden. Bestehende Methoden zur Konsistenzprüfung in Wissensbasen sind in diesem Kontext nur bedingt geeignet, da sie Kernaspekte bestehender Wissensnetzwerke nicht berücksichtigen: (1) Probabilistische Bewertungen der Unsicherheit hinsichtliche der Korrektheit von extrahierten Fakten, (2) die Berücksichtigung von Objekteigenschaften mit numerischen Werten und (3) temporale Bezüge von Fakten, die deren Gültigkeit einschränken. Die Berücksichtigung von probabilistischem Wissen wurde bereits in Vorarbeiten des Antragstellers behandelt und eine komplexe Templatesprache für Markov-Logic Netzwerke entwickelt, mit deren Hilfe sich die logische Semantik von Wissensnetzen simulieren lässt. Hierdurch wird es möglich, die Berechnung des wahrscheinlichsten konsistenten Modells auf die das MAP-State Inferenzproblem in Markov-Logic zu reduzieren. Im vorliegenden Antrag sollen diese Vorarbeiten in Hinblick auf die Berücksichtigung numerischer Werte und temporaler Inferenz erweitert werden. Hierzu sollen zunächst Markov-Logic Netzwerke um numerische Attribute und -constraints erweitert und effiziente Inferenzmethoden für diese Erweiterung entwickelt werden. Hierauf aufsetzend soll eine ausdrucksstarke Template-Sprache entwickelt werden, die sowohl logisches als auch temporales Schliessen auf diese Inferenzmethoden zurückführt. Die enstehende Template Sprache und die entwickelten Inferenzverfahren sollen dann auf der Basis bekannter Wissensnetzwerke, insbesondere DBpedia, YAGO und NELL systematisch evaluiert werden. Die entwickelten Methoden sollen auf der Basis der hierbei gewonnenen Erkenntnisse in einer zweiten kürzeren Iteration verbessert werden. Konkrete Ergebnisse des Projekts sind neben der Publikation der wissenschaftlichen Ergebnisse eine Erweiterung der RockIT Inferenzmaschine für Markov Logic um Methoden zur Behandlung numerischer Attribute und Constraints sowie eine Erweiterung des vorhandenen Online Interfaces um Methoden zur Transformation von Modellen in den üblichen Semantic Web Sprachen in die entwickelte Templatesprache.

• DFG-Verfahren: Sachbeihilfen