Ontology-Based Data Access Using Rewriting, OWL 2 RL Systems and Repairing

Abstract

Abstract. In previous work it has been shown how an OWL 2 DL ontology O can be 'repaired' for an OWL 2 RL system ans-that is, how we can compute a set of axioms R that is independent from the data and such that ans that is generally incomplete for O becomes complete for all SPARQL queries when used with O ∪ R. However, the initial implementation and experiments were very preliminary and hence it is currently unclear whether the approach can be applied to large and complex ontologies. Moreover, the approach so far can only support instance queries. In the current paper we thoroughly investigate repairing as an approach to scalable (and complete) ontology-based data access. First, we present several non-trivial optimisations to the first prototype. Second, we show how (arbitrary) conjunctive queries can be supported by integrating well-known query rewriting techniques with OWL 2 RL systems via repairing. Third, we perform an extensive experimental evaluation obtaining encouraging results. In more detail, our results show that we can compute repairs even for very large real-world ontologies in a reasonable amount of time, that the performance overhead introduced by repairing is negligible in small to medium sized ontologies and noticeable but manageable in large and complex one, and that the hybrid reasoning approach can very efficiently compute the correct answers for real-world challenging scenarios.

Hydrowl: A Hybrid Query Answering System for OWL 2 DL Ontologies

“…It can be verified that when ans is applied over T ∪ R it is able to return all answers to every ground query and every datasets over T -that is, for every ground CQ Q and A we have cert(Q, T ∪ A) ⊆ ans(Q, T ∪ R ∪ A). 2 Such a set of axioms R is called the repair of T for ans [8,12] and the process of computing it repairing.…”

“…Moreover, note that the important component both in computing R as well as in computing Rew Q is a query rewriting system [8,12]. Hence, we call this approach rewriting-based query answering.…”

Επαναγραφή Και Συνεπής Απάντηση Συζευκτικών Ερωτημάτων Σε Εξελισσόμενες Βάσεις Γνώσης

“…Δεν ήταν εφικτή η υλοποίηση του Αλγορίθμου 5, αφού κάτι τέτοιο απαιτεί την παρέμβαση στον κώδικα ενός ABox-συστήματος κορεσμού ή την κατασκευή ενός τέτοιου συστήματος από την αρχή. Τα συστήματα που κατασκευάσαμε χρησιμοποιούν το RL-σύστημα κορεσμού δεδομένων GraphDB [69], το Hydrowl [128] για τον υπολογισμό των συμπληρωμάτων και το Rapid [131] για τον υπολογισμό των επαναγραφών.…”

“…♢ Παρόλο που τα RL συστήματα κορεσμού δεδομένων είναι ιδιαίτερα αποδοτικά για RL-οντολογίες, για υψηλότερες εκφραστικότητες αδυνατούν υπολογίσουν όλο το σύνολο των απαντήσεων. Για να αντιμετωπιστεί το πρόβλημα αυτό οι Stoilos et al[129,128] εισήγαγαν την έννοια του T -συμπληρώματος για μία οντολογία T και ένα σύστημα ans. Πρακτικά, το T -συμπλήρωμα αποτελείται από το ελάχιστο σύνολο αξιωμάτων που συμπεραίνονται από την οντολογία τέτοιο ώστε ένα RL-σύστημα να δύναται να υπολογίσει όλες τις απαντήσεις ακόμα και για οντολογίες υψηλότερης εκφραστικότητας.…”

Βελτιστοποιημένοι Αλγόριθμοι Επαναγραφής Ερωτημάτων Για Εκφραστικές Περιγραφικές Λογικές

“…Η συγκεκριμένη εργασία οδήγησε στην ανάπτυξη του συστήματος KAON2 [99], που όμως, σημειώνουμε ότι δεν υποστηρίζει την επαναγραφή συζευκτικών ερωτημάτων. Σε περισσότερο πρόσφατες εργασίες [127,126], το datalog πρόγραμμα της επαναγραφής δεν αποτιμάται άμεσα, αλλά η επαναγραφή της οντολογίας αξιοποιείται από μεθόδους απάντησης ερωτημάτων που βασίζονται σε τεχνολογίες του σημασιολογικού ιστού. Σημειώνουμε επίσης, τις προσεγγίσεις που εφαρμόζουν τη συνδυαστική μέθοδο (combined approach) [81,91].…”