评估用于 OWL 2 QL 的元推理的 Datalog 工具
内容提要
本文汇总多篇研究，聚焦Datalog与本体推理：DaRLing实现OWL 2 RL重写；本体中介查询可用Datalog片段表达，并与CSP、MMSNP关联，得出一阶/Datalog重写、P/NP二分法及查询包容性结果；还涉及索引优化、DatalogMTL推理系统MeTeoR、DL-Lite与EL本体学习、模块抽取、本体引导规划、魔法集优化及Vadalog系统。
延伸解读
Datalog 作为本体推理的通用基础
文章汇总的多项研究显示，Datalog 及其片段被广泛用于表达和优化本体推理任务。例如，DaRLing 将 OWL 2 RL 本体重写为 Datalog 以实现 SPARQL 查询；本体中介查询也可用不相交的 Datalog 片段表达。这表明 Datalog 在连接描述逻辑、查询重写和实际系统实现中扮演着核心角色，为读者理解不同方法之间的共性提供了线索。
理论结果与系统实现的相互支撑
文章既包含理论成果，如本体中介查询的一阶/Datalog 重写、P/NP 二分法和查询包容性，也介绍了多个系统，如 MeTeoR、Vadalog 和索引优化技术。这些系统在时间推理、复杂逻辑推论和内存效率方面进行了实验评估，说明理论进展能够推动实际工具的发展，而系统需求也反过来促进理论问题的解决。
本体学习与模块抽取的边界
文章提到，使用准确查询学习框架可以多项式查询学习 DL-Lite 和部分 EL 片段本体，但即使非循环 EL 本体也无法用多项式查询学习。同时，模块抽取可转化为 Datalog 推理问题，以提取更小的模块。这些结果揭示了本体学习与模块化在可计算性上的限制，提醒读者注意不同本体语言在学习和抽取任务中的难度差异。
Q&A
DaRLing 系统是做什么的？
DaRLing 是一个用于 OWL 2 RL 本体推理的 Datalog 重写器，在 SPARQL 查询下具有实际适用性。
本体中介查询与 CSP 和 MMSNP 有什么联系？
本体中介查询与约束满足问题（CSP）及其逻辑泛化 MMSNP 公式有密切联系，利用这些联系得出了关于本体中介查询的新结果，如查询的一阶重写和 Datalog 重写、P/NP 二分法以及查询包容性问题。
如何优化 Datalog 查询的索引以减少内存使用？
通过确定最佳索引方案及 Datalog 规则的适当排列来优化 Datalog 查询，可以降低内存消耗并优化查询效率，在不损失效率的情况下显著减少内存使用。
MeTeoR 系统在 DatalogMTL 推理中有什么特点？
MeTeoR 是一种结合基于自动机的技术与材料化（正向链接）的方法，用于在 DatalogMTL 中进行实际推理。实验表明，MeTeoR 是一种可扩展的系统，可实现对涉及数千万个时间事实的复杂时间规则和数据集进行推理。
学习 DL-Lite 和 EL 本体有什么不同？
使用 Angluin 等人的准确查询学习框架，可以用多项式大小的多项式查询来学习用 DL-Lite 描述逻辑和某些与 OWL 2 RL 相关的 EL 片段描述的本体，但即使只允许非循环本体，也不能用多项式大小的查询来学习用 EL 描述逻辑描述的本体。
Vadalog 系统采用了哪些技术来实现高效推理？
Vadalog 系统采用侵略性终止控制策略实现了 Warded Datalog+/-，并利用 Datalog+/- 语言中的 Shy 和 Warded Datalog+/- 以及新型推理技术 'chase variants'，在基于流式处理架构中实现了 Vadalog 引擎，从而在真实环境中高效解决本体推理任务。
