Opis projektu
Niezawodne rozumowanie dla wyszukiwarek semantycznych
Proste wyszukiwanie informacji w Internecie nie jest wolne od problemów, gdyż często wiąże się z koniecznością przeglądania nieistotnych wyników wyszukiwania. Jednym z problemów obecnych wyszukiwarek semantycznych jest oparcie ich działania na nierealistycznym założeniu, według którego wszystkie fakty dotyczące danej dziedziny są wyraźnie określone w ich bazie wiedzy lub w sieci. Istotne informacje są często rozproszone między wieloma niespójnymi bazami wiedzy, a teorie dziedzin rzadko są kompletne. Finansowany ze środków Europejskiej Rady ds. Badań Naukowych projekt FLEXILOG ma na celu ulepszenie wyszukiwarek semantycznych poprzez wprowadzenie rodziny logik zapewniających niezawodne rozumowanie na podstawie wiedzy na temat świata rzeczywistego. W ramach prac badacze wykorzystają reprezentacje terminów języka naturalnego w przestrzeni wektorowej do oszacowania wiarygodności modeli logicznych, umożliwiając różne formy zdroworozsądkowego rozumowania.
Cel
Semantic search engines use structured knowledge to improve traditional web search, e.g. by directly answering questions from users. Current approaches to semantic search rely on the unrealistic assumption that all true facts about a given domain are explicitly stated in their knowledge base or on the web. To reach their full potential, semantic search engines need the ability to reason about known facts. However, existing logics cannot adequately deal with the imperfect nature of knowledge from the web. One problem is that relevant information tends to be distributed over several heterogeneous knowledge bases that are inconsistent with each other. Moreover, domain theories are seldom complete, which means that a form of so-called plausible reasoning is needed. Finally, as relevant logical theories do not exist for many domains, reasoning may need to rely on imperfect probabilistic theories that have been learned from the web.
To overcome these challenges, FLEXILOG will introduce a family of logics for robust reasoning with messy real-world knowledge, based on vector-space representations of natural language terms (i.e. of lexical knowledge). In particular, we will use lexical knowledge to estimate the plausibility of logical models, using conceptual simplicity as a proxy for plausibility (i.e. Occam’s razor). This will enable us to implement various forms of commonsense reasoning, equipping classical logic with the ability to draw plausible conclusions based on regularities that are observed in a knowledge base. We will then generalise our approach to probabilistic logics, and show how we can use the resulting lexically informed probabilistic logics to learn accurate and comprehensive domain theories from the web. This project will enable a robust data-driven approach to logic-based semantic search, and more generally lead to fundamental progress in a variety of knowledge-intensive applications for which logical inference has traditionally been too brittle.
Dziedzina nauki
- natural sciencescomputer and information sciencesknowledge engineeringontology
- natural sciencesmathematicsapplied mathematicsstatistics and probabilitybayesian statistics
- natural sciencescomputer and information sciencesdata sciencenatural language processing
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
Program(-y)
Temat(-y)
System finansowania
ERC-STG - Starting GrantInstytucja przyjmująca
CF24 0DE Cardiff
Zjednoczone Królestwo