Recommandé
Contenu connexe
Similaire à ナレッジグラフ推論チャレンジ技術勉強会（2018/10/18）
Similaire à ナレッジグラフ推論チャレンジ技術勉強会（2018/10/18） (20)
Plus de KnowledgeGraph
Plus de KnowledgeGraph (13)
Dernier
Dernier (8)
ナレッジグラフ推論チャレンジ技術勉強会（2018/10/18）
- 3. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 本日の概要 本日のねらい 10月末の応募締切に向け，チャレンジの概要，想定 される推論例，応募のポイントなどを解説し，具体的 な応募イメージをつかんでいただく． 本日の予定 16:00 ナレッジグラフ推論チャレンジの紹介[古崎] ・開催趣旨，概要 ・提供するナレッジグラフの説明 16:30 SPARQLと推論ルールを用いた例＋デモ[江上] 16:50 応募イメージの紹介[川村] 17:30 質疑応答 17:45 終了 3
- 6. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 想定している応募内容 推理？推論？推定？する手法は，情報技術であれば なんでもOK！ 手法１ SPARQLで検索して探す 例） 特定の時間に特定の場所に居た人をUnionで探す，など 手法２ 一階述語論理に基づくルールを加えて推論す 例） ナイフに個人の指紋がある ⇒ 犯人である，など 手法３ オントロジーに基づいて記述論理で推論する 例） 犯人クラスを定義し，犯人候補との包摂関係を推論する,など 手法４ 機械学習を用いて分類,クラスタリングして推定する 例） 他の事件における犯人の特徴群から学習・推定する，など 提供されたナレッジグラフ以外の外部知識も利用可 適切な推理を進める上で必要な“捜査戦略”や“常識知識”の 導入も，キーポイントの１つ． 6
- 7. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 推理（推論）の例 ジュリアの死に不審な点があると，ヘレンから相 談を受ける ↓ ←犯人は現場にいた人【外部知識】 「ジュリアが死んだ日」に現場の屋敷にいた人物 の一覧を取得する ジュリアが結婚すると，ロイロット博士に入るお金 が減る ↓ ←お金は殺人の動機になりうる【外部知識】 ロイロット博士がジュリアを殺す動機になる 7
- 8. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 応募要領の概要 提出物 応募は本部門とアイデア部門に分かれています． アイデア部門は以下の１，２のみで結構です． 1. 応募者に関する情報 2. 推論・推理過程の説明 3. 実行プログラム （ただし，ソースコードの提出は必須ではありません） 審査基準 1. 正しく犯人を当てているか？ 2. 説明が納得できるか？ 3. 技術的な工夫 推論の仕方 拡張した知識 4. 評価観点 汎用性：一般的な知見となりうるか？ 少ない知識をうまく使う vs. 多量の知識？ 8
- 9. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 開催スケジュール（これまで） 2017/02/26 推論チャレンジ（仮称）の構想開始 in 第41回SWO研究会＠志賀島 2017/11/25 第１回公開WS：推論チャレンジ（仮称）開催予告 in 第43回SWO研究会＠人工知能学会合同研究会2017 2017/12/19 第２回公開WS：スキーマ検討会 2018/02/28 第３回公開WS：スキーマ設計会 2018/03/18 第４回公開WS：ナレッジグラフの構築テスト in 第44回SWO研究会＠五島市（合宿）併設ワークショップ 2018/04/23 第５回公開WS：「推論チャレンジ」ワークショップ 2018/06/05 ナレッジグラフ公開・チャレンジ開始 2018/08/07 応募に向けた技術勉強会 9
- 10. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 今後の予定 2018/10/18：応募に向けた技術勉強会（2回目） 2018/10/30： チャレンジ応募締切 2018/11/25： 授賞式 （JIST2018＠淡路島での併設イベントを予定） 2018/12月以降 応募者共著で国際会議での発表，論文投稿も予定 数年目以降は国際イベント化し，海外からの参加も募集！ ナレッジグラフ構築の自動化など，タスク範囲の拡大も検討 10 詳細は公式サイト，http://challenge.knowledge‐graph.jp/ もしくは「推論チャレンジ」で検索
- 12. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 ナレッジグラフ化の手順検討 手順決定に至るまでの経緯 ワークショップにてスキーマ検討 テンプレートを作成し，ワークショップ入力テスト →フィードバックを受けて，構築方法再検討 コアメンバー（3名）で構築作業 構築方法の再検討結果 小説全文をKG化 → 推理に必要な部分に絞ってKG化 小説の原文を残しKG化 → 予め，簡易な日本語に直したものKG化 構築方法が決定したら，クラウドソーシングでKG化 →ワーカへの支持が難しそうなので，学生バイトで… →（1年目は）コアメンバーで手分けしてKG化 12
- 13. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 実際のナレッジグラフ化の手順 1. 小説の内容から，ナレッジグラフ化の対象とする部分を抽出 （赤色でマーク） 2. １．でマークした部分を（中心に），短い文を箇条書きした形 に要約する 短い一文を「一つの場面」とする 例）ホームズはそれをヘレンに説明した。 ヘレンは真っ青になった。 3. 要約した短い文を基に，ナレッジグラフ化する情報を 「テンプレート」に記入 場面ごとにIDを付与，表記ゆれを統制，場面間の関係性の記述... 1. 全体を３つに分けて分担作業（1人7-10時間程度の作業） 途中，作業方針すり合わせのミーティングを開催（2-3回） 2. 各単文を英訳＋表記統制 3. 場面の関係性，時間の記述＋最終確認 4. テンプレートに記入いた内容を，プログラムでRDFに変換 13
- 17. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 スキーマ：「場面」 場面 原文 主語 述語 目的語 subject hasPredicate source その他 他の場面 場面間 主語 目的語 述語 の形でないことに注意 スキーマの基本構造 「場面」の記述に用いるプロパティ（赤字は必須） subject：その場面の記述において主語となる人や物 hasPredicate：その場面の内容を表す述語 場面の詳細を表す目的語：whom（だれに）, where（どこで）, when （いつ）, what（何を）, how（どのように）, …etc. 場面間の関係：then，if, because, …etc. time：その場面が起こった絶対時間（xsd:DateTime） source：その場面の原文（英語/日本語のリテラル） →場面に関わる複数の 情報をまとめるため 「場面」中心に記述 17
- 26. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 hasPropertyの例 kgcc:Propertyタイプ 26 「性質」を表す 任意のリソースを 導入する
- 30. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 RDFデータの提供方法 RDFファイル SpeckledBand.nt，SpeckledBand.rdf，SpeckledBand.ttl kgc.owl スキーマ定義（各RDFファイルにも含む） SPARQLエンドポイント http://lod.hozo.jp/repositories/kgc 参照解決可能URL http://kgc.knowledge-graph.jp/data/SpeckledBand/XXX （XXX=1から401の数字，または，k001） というURLにより，RDFデータに参照解決可能なアクセス可能 拡張子を変更することで，各種形式のRDFを取得可能 →プログラムから直接処理も可 例） http://kgc.knowledge-graph.jp/data/SpeckledBand/36 http://kgc.knowledge-graph.jp/data/SpeckledBand/36.ttl http://kgc.knowledge-graph.jp/data/SpeckledBand/36.rdf http://kgc.knowledge-graph.jp/data/SpeckledBand/36.json http://kgc.knowledge-graph.jp/data/SpeckledBand/36.jsonld 30
- 31. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 RDFを扱うための技術・ツール RDF用のライブラリ https://github.com/KnowledgeGraphJapan/sparql-library- examples にプログラム言語でのサンプルあり Javaを使うなら，Apache Jenaがおススメ OWL形式のファイルを開くには protégéなどのオントロジーエディタを使用（RDFファイルも開ける） https://protege.stanford.edu/ RDFファイルをDBに格納して使用するには FusekiやVirtuosoなどのRDF-DBを使用 チュートリアル資料 Jena，Fusekiの簡単な使用方法，SPARQLクエリの書き方など https://github.com/KnowledgeGraphJapan/LODws2nd 31 RDF処理に利用可能な技術
- 32. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 1 2017/11/25 JSAI合同研究会 推論チャレンジ技術勉強会 SPARQLと推論ルールを用いた例 人工知能学会セマンティックウェブとオントロジー（SWO）研究会 2018/10/18 @JST東京別館
- 41. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 実行環境 MacBook Pro High Sierra (メモリ16G, Core i7 3.5GHz) RDFストア: Stardog Community 4.1.3 （無償） 推論エンジン: Pellet (Stardogに組み込み) 10 https://www.stardog.com/
- 42. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 遺留物から推論するアプローチ 「犯行現場に落ちていた物の所有者は誰か」 SELECT * where { ?x kgc:where kd:犯行現場 ; kd:所有者 ?s . filter(?s != kd:ジョン・ストレイカー) } 11
- 44. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 行動から推論するアプローチ 「犯行当日に現場を通ったのは誰か」 SELECT * where { ?action kgc:who ?s ; kgc:hasPredicate kd:通った ; kgc:where kd:犯行現場 ; kgc:when "事件当日" . } 13
- 46. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 ホームズの推理をルールとして追加 ホームズの推理 「白銀号が連れ出された時に犬が吠えなかったということは、 白銀号を連れ出した犯人は犬がよく知っている人」 Semantic Web Rule Language (SWRL) (kd:犬 kd:not吠える ?x), (kd:犬 kd:知っている ?y) -> (?x kd:候補 ?y) 15 白銀号を連れ 出した人 ジョン・スト レイカー 犬 not吠える ネッド・ ハンター 白銀号知っている 候補
- 47. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 Stardogにルールを追加 StardogにSWRLを追加することも可能だが、SPARQLのよう にルールを書けるStardog Rules Syntax (SRS)が推奨されて いる。ルールが増えてくると見やすくなる。 16 PREFIX rule: <tag:stardog:api:rule:> PREFIX kd: <http://kgc.knowledge-graph.jp/data/SilverBlaze/> [] a rule:SPARQLRule ; rule:content """ IF { kd:犬 kd:not吠える ?x . kd:犬 kd:知っている ?y . } THEN { ?x kd:候補 ?y . } """. 「“」３つで囲んだ中に ルールを記述 前件 後件
- 48. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 Stardogにルールを追加 Data > Addからルールを記述したttlファイルをRDFと 同じ場所にロード 17
- 49. CC-BY4.0:人工知能学会 セマンティクWebとオントロジー（SWO）研究会 犯人を推論付きSPARQLで探す 「白銀号を連れ出した人, かつ犯行当日に現場を通った人」 SELECT * WHERE { kd:白銀号を連れ出した人 kd:候補 ?s . ?action kgc:who ?s ; kgc:hasPredicate kd:通った ; kgc:where kd:犯行現場 ; kgc:when "事件当日" . ?s rdf:type kd:Person . } 18
- 56. 本日の内容 別の小説「白銀号事件」をベースに少し具体的な応募イメージの説明 推論・推定処理の例 応募シート記入例 【参考】 推論チャレンジ 応募要項 http://challenge.knowledge-graph.jp/application.html 2
- 57. 推論・推定処理の設計方法 1. 小説にはないが，必要そうな知識をファクト，ルール化していく 本チャレンジは答えが分かっている問題でルールの書き方を学ぶスタンス 2. 独自の推論・推定処理を考案する さまざまな方法の組み合わせを考えるのが望ましい 前向き推論 後向き推論（プラニング） SPARQL検索 オントロジー推論 機械学習，など 3 以下の例では取り得る（適用できる）ルール，ファクトの内の１つの道筋を説明しています． 実際には，実行過程において多数の道筋が取り得て，その内の１つ，または，いくつかが 矛盾を起こさない形となって残る点に留意．
- 58. グレゴリ警部の（間違った）推論 R： Aのモノが現場に落ちていた → Aが犯人 F： 現場に落ちていたモノ has ?X（スカーフ）； F： シンプソン has ?X（スカーフ）； F： 予想屋 typeOf シンプソン； R： Aは予想屋である → Aはまっとうな人間ではない R： Bが馬を近くLに隠している → 馬が見つからない F： B exist ?L（近くの荒野）； F： ジプシー exist ?L（近くの荒野）； R： Bはジプシーである → Bはまっとうな人間ではない ∴ 犯人Aはシンプソンで，馬を隠しているBはジプシー 問題点： 状況証拠（モノが落ちている＝犯人）と偏見に頼った推論となっている 4 F： 提供されたナレッジグラフ内のファクト R： 追加すべきルール 後ろ向き推論 ドメイン知識（ナレッジグラフ）から 前件部変数Aに入る値を検索する シンプソンが何者か検索 常識的知識を追加 ドメイン知識（ナレッジグラフ）から 前件部変数Bに入る値を検索する 常識的知識 知識＞偏見（小説的ミスリード） 知識＞偏見（小説的ミスリード）
- 59. ホームズの推理 R： Aのモノが現場にあった → Aが犯人である R： Aのモノが現場にあった → Aが犯人かもしれない R： Aが馬を連れ出した → Aが犯人である F： Aは見張り（ハンター）を眠らせた next Aは馬を連れ出した； F： ハンター眠った causedBy （夕食に入っていた）アヘン； R： ハンターの夕食の味が濃い → ハンターはアヘンを摂取する F： 夕食 has マトンのカレー煮； F： 夕食 decidedBy ストレイカー家の家族 F：ストレイカー家の家族 typeOf ｛ストレイカー，妻｝ A＝ ｛ストレイカー，妻｝ 5 ドメイン知識 確率的な知識という位置づけ （ただ，ホームズも現場に着くまで シンプソンが犯人と考えていた） ドメイン知識 眠った理由を検索 小説的肝① （なくてもよい） 味が濃い理由を検索 味が濃い理由を検索 F： 提供されたナレッジグラフ内のファクト R： 追加すべきルール
- 60. ホームズの推理 cont’d R： Bが馬を連れ出した＠時刻T → Bが犯人 R： 見張りが寝ていた＠時刻T → 馬を連れ出せた R： 静かだった＠時刻T → 見張りが寝ていた（起きなかった） R： 犬が吠えなかった＠時刻T → 静かだった R： Bが犬を飼っている → 犬はBに吠えない F： {ストレイカー，見張り（馬丁）3人，ロス大佐} keep 犬； B＝ {ストレイカー，見張り（馬丁）3人，ロス大佐} A ∩ B ＝ ｛ストレイカー｝ 6 時刻Tに絞って ドメイン知識を 後ろ向きにトレース 小説的肝② ドメイン知識からBを検索 結論1 F： 提供されたナレッジグラフ内のファクト R： 追加すべきルール 一般的なルールを上手に使いまわして推論する場合や， ドメインに依存したルールをたくさん用意して少ないステップで推論する場合などがある
- 61. ホームズの推理 cont’d R： Cが馬を近くLに隠している → 馬が見つからない F： C exist ?L（ブラウンの厩舎）； F： ブラウン exist ?L（ブラウンの厩舎）； R： Dがストレイカーを殺した → Dが犯人 R： Dは殺人現場Sに居た → Dがストレイカーを殺した F： {ストレイカー，馬} exist 殺人現場S R： Dはストレイカーである → ストレイカーがストレイカーを殺した！ 必然的にもう１つの可能性｛馬｝となる ∴犯人A,Bはストレイカー，馬を隠しているCはブラウン，ストレイカーを殺したDは馬である 7 結論2 変数Cに入る値を検索 常識的知識 常識的知識 確率的知識 変数Dを検索 【矛盾】 結論3 F： 提供されたナレッジグラフ内のファクト R： 追加すべきルール
- 62. 別の推理の可能性 例） 動物（馬）も人を殺せる点を推論過程に入れる オントロジー推論（この場合，プロパティ推論） Person is-a Mammal； Person canKill Animal； Person canKill Person； 定義済みプロパティとする Animal is-a Mammal； Animal canKill Animal ； (Animal canKill Person ；) 兄弟概念であるAnimalに上記プロパティを追加 例） 羊を使って馬の脚を怪我させる実験をしていた点をいれてもよい 機械学習（この場合，ナレッジグラフ補完） ストレイカー has 羊； ストレイカー hurt 羊； ストレイカー has 馬；（ストレイカー hurt 馬；） 欠損（missing）プロパティとして推定 8
- 63. 応募シート１．応募者に関する情報 氏名またはチーム名： 推論 太郎 所属： IT Tech. Inc. メールアドレス（代表）： it@tech.com 9
- 64. 応募シート２．推論・推理過程の説明 プログラムのログなどを用いてポイントを解説．アイデアの場合は自由形式． （図などを用いて分かりやすく説明してください） 推論・推定処理における流れ，工夫点などをアピールしてください 使用した知識の範囲（ID） ID: 100-200など 推論・推理のために追加した知識についての記述 （追加した知識をWeb上で公開されている場合は，入手先のURL等も記載． ただし，追加した知識の公開は必須ではありません） 追加した知識についてまとめて記載してください パフォーマンス情報（計算機のスペック，実行時間，使用するメモリなど） MacBook Pro, Memory 8GB, Core i5 2.6 GHz, OS X12 参考情報（もしあれば応募者のWebサイトや関連する論文など） http://www.it.tech.com 10
- 65. 応募シート３．実行プログラム 実行形式のアプリケーションがダウンロードできるURL，またはWebサービスの URL （ただし，ソースコードの提出は必須ではありません） http://www.it.tech.com/application 実行方法の説明 上記サイトからkgc.zipをダウンロードをしてjavaでapp.jarを実行 既存ツールを利用する場合は，ツールの詳細（名称，バージョン，有償/無償など） Java 1.8 Stardog Community 4.1.3 （RDFデータベース） Pellet （推論エンジン） 11