基于同义词谓词的查询扩展提高查询答案完整性

354→基于同义词谓词的查询扩展提高查询答案完整性埃梅蒂斯·尼亚兹曼德由Maria-EstherVidal汉诺威莱布尼茨大学TIB Leibniz Information Centre for Science andTechnology汉诺威，德国Emetis. tib.eu摘要基于社区的知识图是按照混合方法生成的，其中人类智能使计算方法能够有效地整合知识或提供对某个领域的共同理解。 现有的基于社区的知识图代表了提高数据挖掘、信息检索、问题回答和多模态处理的准确性的知识的基本来源。然而，尽管贡献社区进行了巨大的努力，基于社区的知识图谱可能是不完整的，并集成了重复的数据和元数据。 我们通过提出一种有效的查询处理方法来估计答案的完整性并提高结果，从而解决了针对不完整的基于社区的知识图的查询回答的问题。它假设基于社区的知识图包括同义词谓词，其补充提高查询应答完整性所 目的是提出一种新的查询扩展方法的基础上识别同义词谓词使用嵌入知识图。我们的初步分析表明，我们的方法提高了查询答案的完整性。然而，查询可以用一些不导致完整答案的相似谓词来扩展 这表明，要用最少的同义词谓词进行查询扩展，以最大限度地提高答案的完整性，还需要做更多的工作。CCS概念• 信息系统查询优化;查询规划。关键词知识图，同义词检测，知识图嵌入，查询扩展，查询处理ACM参考格式：Emetis Niazmand，由Prof.博士玛丽亚-埃丝特·维达尔2022年 基于同义词谓词的查询扩展提高查询答案的完整性。在2022年网络会议（WWW）的配套会议记录中允许免费制作本作品的全部或部分的数字或硬拷贝，以供个人或课堂使用，前提是制作或分发副本的目的不是为了盈利或商业利益，并且副本的第一页上有本声明和完整的引用。版权的组成部分，这项工作所拥有的其他人比ACM必须尊重。允许使用学分进行摘要 以其他方式复制、重新发布、在服务器上发布或重新分发到列表，需要事先获得特定许可和/或付费。请求权限请发邮件至permissions@acm.org。WWW©2022计算机协会ACM ISBN 978-1-4503-9130-6/22/04。. . 十五块https://doi.org/10.1145/3487553.3524198’22ACM，美国纽约州纽约市，5页。https://doi.org/10.1145/3487553.35241981介绍知识图已经成为一种流行的形式主义，用于表示实体及其属性。与此同时，知识图的大小，如DBpedia [12]或WikiData [21]，通过增加实体及其属性的数量而不断增加。例如，DBpedia中的实体总数已从78，412，721（版本2015-04）增加到135，355，098（版本2016-10）1。阿尔-除了增强所表示的结构化知识的量之外，在知识图中建模的实体的频繁增长影响了诸如查询处理的查询管理任务。然而，基于开放世界假设（OWA）的知识图在默认情况下可能是不完整的，这导致查询引擎检索不完整的答案。信息不完整性是一个主要的数据质量问题，在知识图谱中包含同义词和重复的数据和元数据会加剧这一问题;此外，实体和属性可能具有同义词。Abedjan等人 [1]，我们的基线，发现同义词谓词对，在数据中相互替换，是查询扩展的良好候选者;它是通过提供基于频繁项集挖掘的技术建立在同义使用的关系之上的。虽然Abedjan et al. 显示了挖掘的同义词谓词的准确性，它是在一个小的数据集上进行的，并且没有反映基于社区的知识图的所有属性。此外，它们没有提供查询应答方法来显示在使用同义词谓词扩展查询后应答的完整性。此外，由于RDF数据的半结构化性质，没有简单的方法来检测不完整性，对查询处理产生负面影响Acosta等人 [2]提出了一个混合SPARQL引擎，通过众包提高答案的完整性。 虽然这项工作提出了一种新的混合引擎，但有关同义词谓词的知识也可以用于指导人群，从而减少不确定性[4]。 我们的目标是设计查询处理方法，以克服这些限制，利用知识图中的同义词谓词的知识。2动机DBpedia包含有关个人，音乐，体育，药物，电影和历史的信息。 与其他基于社区的知识图谱一样，DBpedia可能会遭受不完整性，并集成重复的数据和元数据。我们通过考虑SPARQL来激励我们的工作1根据http://downloads.dbpedia.org/公布的统计数据WWW埃梅蒂斯·尼亚兹曼德355数量：90回答数：45{{(？s_1，dbr：nove_Curie），（？o1，dbr：University_of_Paris），（？O2，dbr：镭）}{（？s_1，dbr：nove_Curie），（？o1，dbr：ESPCI），（？O2，dbr：钋）}{（？s_1，dbr：nove_Curie），（？O1，dbr：University_of_Paris），（？O2，dbr：钋）}{（？s_1，dbr：nove_Curie），（？O1，dbr：University_of_Paris），（？O2，dbr：放射性）}#答案：6PREFIXdbr：PREFIXdbo：PREFIXdbp：SELECTDISTINCT？s1，？o 1，？O2在哪里？{{？s1 dbo：relative dbr：Marie_Curie.}联盟{？s1 dbo：配偶dbr：玛丽_居里。}联盟{dbr：Marie_Curie dbo：child？s1.{{dbr：Marie_Curie dbo：almaMater？o1.}联盟{dbr：Marie_Curie dbp：almaMater？o1.}联盟{dbr：Marie_Curie dbp：工作机构？o 1.}}{{dbr：Marie_Curie dbo：知道吗？O2.}联盟{dbr：Marie_Curie dbo：学术学科？O2.}联盟{dbr：Marie_Curie dbp：field？O2.}PREFIXdbr：PREFIXdbo：SELECTDISTINCT？s1，？o 1，？O2在哪里？？s1 dbo：相对dbr：居里夫人。dbr：Marie_Curie dbo：almaMater？o 1.dbr：Marie_Curiedbo：知道吗？O2.}原始查询原始查询答案PREFIXdbr：PREFIXdbo：PREFIXdbp：SELECTDISTINCT？s1，？o 1，？O2在哪里？{{？s1 dbo：relative dbr：Marie_Curie.}联盟{？s1 dbo：配偶dbr：玛丽_居里。}联盟{dbr：Marie_Curie dbo：child？s1.{{dbr：Marie_Curie dbo：almaMater？o1.}联盟{dbr：Marie_Curie dbp：工作机构？o 1.}}{{dbr：Marie_Curie dbo：知道吗？O2.}联盟{dbr：Marie_Curie dbp：field？O2.}智能方法幼稚的做法图1：在DBpedia（版本2016 -10）上执行的SPARQL查询和通过使用同义词谓词重写三元组模式生成的两个查询原始SPARQL查询由三个三元组模式组成，并检索六个答案。重新制定的SPARQL查询一组扩展的三元组模式与天真的方法检索90个答案。一个重构的SPARQL查询一组扩展的三元组模式与智能方法检索45个答案。查 询 DBpedia （ 版 本 2016-10 ） ， 如 图 1 所 示 ; 它 为 dbr ：Marie_Curie检索亲属，机构和研究领域的名称此查询由三个三元组模式组成，并返回六个答案。如图1所示，SPARQL查询和使用两种不同方法（naive和smart）对DBpedia（版本2016-10）执行的转换后的查询返回不同数量的答案。同义词谓词存在，并且可能不具有相同数量的实例。例如，两个谓词dbo：relative和dbo：child在语义上彼此相似，但dbo：relative将dbr：Marie_Curie与dbr：Irève_Curie关联，而dbo：child将此资源与两个实体dbr：Irève_Curie和dbr：Irène_Joliot-Curie关联。为了实现答案的完整性，表示Marie Curie的孩子的两个实体都应该是dbo：relative的一部分，而不仅仅是一个。 查询扩展可以用来增强答案的完整性，它是将查询重写和转换为其他形式以提高信息抽取性能的过程。 查询扩展可以通过在知识图中找到可用的同义词描述（称为代表）并通过这些同义词重新制定查询来完成。图1中使用朴素方法扩展的查询包括谓词的所有可能代表;它返回90个结果。在这种简单的方法中，每个三元组模式都由同义词谓词扩展以返回更多的答案。 但在这90个答案中，可以找到许多重复和不正确的答案。因此，用类似的描述扩展现有查询的技术并不总是导致检索完整的答案。 在图1中，提供了一种智能方法，通过有效地检测同义词谓词来扩展原始查询，并且只考虑返回完整答案的代表，而不会在结果中的语义含义方面重复。可以看出，返回不完整和重复的答案（例如，dbp：almaMater和dbo：academicDiscipline）不应该是重写的一部分因此，我们的目标是用最少的同义词谓词来扩展查询，以增加答案的完整性。3现有技术3.1查询答案完整性已经开发了几种方法来增强查询应答的完整性最初的工作对应于Motro [14]，他根据查询完整性（QC）语句形式化了部分完整性的定义，表示查询的答案是完整的。 它可以确定用户查询的每个答案是否是完整的，或者它的任何子集是否是完整的。因此，只要一组其他查询完成，给定查询就完成。后来，Levy [13]通过表示不完整数据库的部分完整性来扩展这个想法，以展示如何从它们导出查询答案完整性。最后，Razniewski和Nutt [18]提出了一种基于Motro和Levy引入的语句的交集的方法，通过对数据库表的选择来表示，以指定数据库表的完整部分。他们展示了如何调整关系代数的运算符来操作这些完整性模式，以计算与查询答案相关的完整性模式HARE [2]是一个混合SPARQL查询引擎，它利用微任务机制来增强使用众包的查询答案的完整性它使用一个模型来估计RDF数据集的完整性HARE可以识别查询中检索缺失答案并产生不完整结果的部分。然而，使用微任务众包可能需要大量的时间，这可能花费更多的精力和金钱。基于同义词谓词的查询扩展提高查询答案完整性WWW356（）下一页（）下一页--（）下一页我们还旨在以高效和有效的方式增强查询答案的完整性，但我们的方法诉诸于基于社区的知识图中的谓词，这些谓词是同义词。3.2查询扩展已经进行了用于扩展查询的各种技术，其目的是通过检索更相关的答案来完成查询答案查询扩展是通过用类似的实体和属性重新表达查询来完成的 这与记录链接[17]和本体匹配[20]有关，其中目标是找到相同的概念。作为示例，Elbassuoni et al.[8]基于语言建模，以找到与给定实体或关系相关且在精神上接近的匹配Ghali等人[7]提出了一种概率查询扩展方法，用于在一组候选项中搜索与初始查询扩展最相关的 输出是一组术语，这些术语是扩展查询的候选项以及它们与整个查询的相关值。 在本文中，我们专注于嵌入模型，以发现候选人是最相关的查询中的查询扩展的谓词。3.3识别同义词谓词大多数发现术语同义词的方法都是基于自然语言处理或信息检索技术。在这些方法中，在诸如web文档的非结构化数据中搜索同义词候选者的共现是更常见的，并且需要自然语言处理规则。例如，Baroni et al.[5]提出了一种方法，该方法计算两个术语的同现率，而成对的候选人已经可用于其验证。 它们在成对的不相关术语中寻找成对的同义词，但不区分同义词和其他语义相关的术语。然而，很少有研究已经做了知识图和RDF数据中的同义词检测一个例子是由Abedjan等人提出的方法在[1]中提出的基于语句级正、负关联规则的聚合方法。通过这种方法，他们发现了RDF数据中属性值之间的重叠。他们发现频繁项目集的每个属性组成的对象实体。相对于其对象具有高重叠并且在其主题中具有低重叠的属性被识别为同义词。另一项工作是[11]，它提供了一种通过使用关联规则挖掘挖掘属性的可解释定义来检测大型知识图中的同义属性的技术。在我们的基线[1]中，假设属性永远不会为相同的主体实体一起 我们不考虑这个假设，虽然知识图中有一些属性是重叠的，但它们是同义词。3.4知识图嵌入知识图嵌入提供了用于多样性应用的技术[22]，例如通过预测知识图中的新三元组来完成知识图，关系提取，问题回答，查询扩展，寻找同义关系等。目前很少有研究考虑知识图嵌入模型来解决同义词关系检测问题。Kalo等人[10]知识的使用用于检测同义词关系的图嵌入，例如TransH [23]和TransD [9]，它们也应用于这项工作他们展示了如何通过在向量上应用距离度量来使用实体和关系的表示来测量语义相似性。类似地，我们的方法依赖于知识图嵌入（例如， RDF2vec [19]，transH [23]和transD[9]），并根据嵌入计算的相似性度量确定谓词之间的相关性。4研究问题和建议的方法我们定义的问题，提高查询答案的完整性，查询扩展。问题陈述。 给定RDF图G = V，E，L和SPARQL查询Q =t1，t2，.，tn由多个RDF三元组模式ti组成，i = 1，. n. 考虑一个理想的RDF图G_Ideal=V′，E′，L′，其中所有的三元组和答案都在这个图中。通过将Q扩展为Q′=Q ′来增强查询应答问题{t1′，t2′，.. . ，则满足以下条件：Q′在G上的执行与Q在G上的执行相比，提高了答案的完备性.Q′中的实体和属性的集合在语义上与Q相似。[[Q]]G<$[[Q′]G<$[[Q]]G_Ideal（1）建议的解决方案。 我们提出了我们的解决方案，以提高查询回答的完整性，通过扩展查询的基础上检测同义词属性存在于知识图。我们的目标是扩大查询与最小数量的同义属性，最大限度地提高答案的完整性。因此，我们的目标是为论文制定以下研究问题：我们的方法是否能够使用扩展查询和最少的同义词谓词来检索完整的答案？如何检测查询扩展的同义属性可以提高查询答案的完整性？RQ3：预先估计完整性如何通过避免不必要的扩展查询来帮助降低成本我们的方法的一般架构如图2所示。 它接收SPARQL查询和知识图，并输出查询的增强答案。 该体系结构包括四个部分：a）RDF完整性模型; b）检测同义词谓词; c）查询重构;和d）查询引擎。RDF完备性模型这个模型估计一个SPARQL查询的完整性，每当它被评估对一个知识图. 由于查询扩展是一个昂贵的任务，并不总是检索完整的答案，查询扩展成本可以减轻估计查询检索完整的答案提前。该模型采用同义谓词来评估三重模式的完备性。检测同义词谓词。用于扩展查询的同义词谓词检测器组件包括两个主要任务，生成候选集和修剪它们。在RDF图中检测同义谓词可以通过几种技术来完成，例如知识图嵌入计算，以找到知识图中存在的属性的表示，关联规则等。有许多图嵌入方法可以找到····WWW埃梅蒂斯·尼亚兹曼德3570.90.80.70.60.50.4图2：将给定查询Q扩展为Q′并在RDF知识图G上查询以检索完整答案的一般建议架构。属性的代表，如Graph2vec [15]，sub2vec [3]（嵌入子图），subgraph2vec [16]和RDF2vec [19]。由于我们处理RDF知识图，因此使用RDF2vec嵌入可以帮助我们跟踪知识图并找到实体和属性的邻域。在知识图嵌入技术中，通过将属性转换为向量来生成候选集，并通过测量余弦相似度来寻找它们之间的相似性和相关性。在关联规则技术中，通过挖掘属性的可解释定义来发现同义属性[11]。在生成候选集之后，我们需要通过将最相似的集合分组以保持在相同的组中来修剪具有低相似度值的集合。可以使用各种方法进行分组，例如局部敏感散列（LSH）、聚类或社区检测。这里使用的算法是基于局部敏感散列;它将类似的项目散列到相同的桶中[6]。查询重构。将SPARQL查询转化为相似三元组模式的并集查询的主要思想是用最小的表示或同义谓词重写查询，从而返回最大的结果。重写的查询针对SPARQL端点执行，并返回完整的答案。我们将设计启发式和成本为基础的查询优化技术，以产生有效的执行，利用同义词谓词。5方法我们的工作是基于这样的假设，即虽然不完整，但基于通信的知识图包括相互补充的同义词谓词。因此，使用同义词谓词扩展查询可能会增加答案的完整性。我们制定了三个研究问题来验证我们的假设，并进行文献综述，以确定从最先进的相关方法。因此，我们设计了一个抽象的架构，旨在确定查询计划，能够提高答案的完整性，同时减少执行时间。为了回答第一个研究问题，RQ 1，扩展查询技术诉诸RDF完整性模型和新的查询重写技术，以最小数量的同义词预测重新制定查询。关于RQ 2，我们提出的方法利用上下文知识在识别同义词谓词。我们研究了基于频繁项集挖掘的技术，作为我们的基础，并嵌入知识图技术来发现0.30.20.10.00.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9召回图3：DBpedia上的精确召回曲线与余弦相似性结果，显示了三种嵌入知识图技术（transD，transH和RDF2vec）之间的比较，基于频繁项集挖掘的基线技术，以及我们提出的技术。这些技术的性能来发现同义预测。由于查询重构并不总是返回完整的答案，通过预先应用RDF完整性模型，我们可以确保原始SPARQL查询是否返回完整的答案。我们的目标是确定有效的查询计划，并回答RQ3。我们提出的方法的行为进行了正式和经验验证。 在形式层面，我们将展示查询扩展技术生成的查询书写的正确性，以及它们的时间和空间复杂性。 我们将对各种基于社区的知识图谱进行实验研究，以评估我们的研究问题。6初步实验研究我们报告的准确性，我们最初的方法的实证评估我们创造了黄金标准（即，理想的RDF图），并计算每个研究查询的精确度和召回率。6.1实验配置标杆我们对DBpedia知识图中六个不同领域的60个查询进行了评估。 用于检索结果的端点基于DBpedia，版本2016-10。所考虑的知识领域是关于音乐，体育，人，药物，电影和历史。 对于我们的评估，每个知识领域选择了10个查询，由于知识图的不完整部分，这些查询不返回完整的结果。 它们被认为是通过在RDF图上扩展最少的同义谓词来评估它们是否返回完整的答案。基线。 我们从范围内容过滤和反向相关系数的实现开始，如同义词检测基线[1]中所述。在此基线中，假设属性不会在同一主题实体中一起出现，这在我们的实验中没有考虑同时，GQ检测同义词和谓词查询重构Q查询引擎完整的答案RDF完备性模型TransDTransHRDF2Vec拟议基准精度基于同义词谓词的查询扩展提高查询答案完整性WWW358在基于社区的知识图谱中，许多实体及其三元组可以由不同的科学家或来自不同的数据源插入。 我们还将我们的方法与三种知识图嵌入技术（例如，transD、transH和RDF2vec）。为了在RDF图中嵌入这些性质，使用了嵌入方法RDF2vec。不同的配置已被应用到寻找最相关的代表扩展查询。用于提取嵌入的RDF2vec配置被定义为遍历的深度、每个实体的遍历次数、遍历策略和向量大小。指标. 该方法的准确性进行评估，通过计算和比较所提出的方法的精度和召回值，通过应用选定的查询在不同的知识域。实施. 我们的方法是使用Python实现的3.7.5. DBpedia（版本2016-10）的公共SPARQL端点用于执行分解的子查询。6.2讨论我们的研究结果如图3所示;它将我们提出的方法与基线（频繁项集）和嵌入技术（RDF 2 vec，TransD和TransH）进行了比较。结果表明，与其他方法相比，该方法能够有效地检测同义词谓词，从而提高查询的完整性。图3中的精确度-召回率曲线表明，所提出的方法优于基线和其他嵌入技术。对于从0.3到0.8的召回率，所提出的方法实现了非常高的精度。 这表明通过检测到的同义词谓词从扩展查询中检索到的答案与从理想RDF图中检索到的答案更相似。然而，基线在召回率小于0.1时达到最高精度，但随后下降到0.05的精度此外，我们可以观察到RDF2vec在识别同义词关系方面优于transD和transH。 这表明语境知识在同义谓词的识别中起着至关重要的作用。7基于社区的知识图谱可能存在不完整性，并整合了重复的数据和元数据。因此应解决查询答案不完整的问题多年来，由于基于社区的知识图谱中的质量问题，提出一种检索完整信息的机制至关重要。因此，提供了一种合适的查询回答方法，以实现答案的完整性对不完整的知识图。目前提出的完备性模型没有考虑知识图中存在的相似和重复的实体和属性。基于同义词谓词的查询扩展是提高查询答案完整性的一种解决方案。我们将设计查询处理技术，从知识图中利用上下文知识来有效地解决问题。致谢这项工作得到了EraMed项目P4-LUCAT（GANo.53000015）。引用[1] Ziawasch Abedjan和Felix Naumann。2013年。同品种器械扩展的同义词分析140-154. https://doi.org/10.1007/978-3-642-38288-8_10[2] Maribel Acosta ， Elena Simperl ， Fabian Flöck ， and Maria-EstherVidal.2017 年 。 通 过 众 包 增 强 SPARQL 查 询 的 答 案 完 整 性 。 WebSemantics：Science，Services and Agents on the World Wide Web45（2017年7月）https://doi.org/10.1016/j.websem.2017.07.001[3] Bijaya Adhikari，Yao Zhang，Naren Ramakrishnan和B.阿迪蒂亚·普拉卡什2018年Sub2Vec：子图的特征学习。在巴基斯坦民主与发展部。[4] Mohammad Allahbakhsh，Boualem Benatallah，Aleksandar Aljatović，HamidR. Motahari Nezhad，Elisa Bertino，and Schahram Dustdar. 2013.众包系统中的质量控制：问题和方向。 Internet Computing，IEEE 17（03 2013），76-81。https://doi.org/10.1109/MIC.2013.20[5] 马可·巴罗尼和萨布丽娜·比斯2004年。 使用共现统计和网络发现技术语言中的同义词。（2004年1月）。[6] Mayur Datar，Piotr Indyk，Nicole Immorlica，and Vahab Mirrokni. 2004. 基于p- 稳 定 分 布 的 局 部 敏 感 哈 希 算 法 。 计 算 几 何 年 度 研 讨 会 论 文 集 。https://doi.org/10.1145/997817。 997857[7] Btihal El Ghali ， Abderrahim El Qadi ， Mohamed Ouadou ， and DrissAboutajdine. 2012.使用推荐的过去用户查询的概率查询扩展方法。406-411.https://doi.org/10.1109/INTECH.2012.6457806[8] Shady Elbassuoni，Maya Ramanath，and Gerhard Weikum.2011年。 查询松弛的 相 似 性 关 系 搜 索 ， 卷 。 6643 62 比 76 https://doi.org/10.1007/978-3-642-21064-8_5[9] 纪国良，何世柱，徐立恒，刘康，赵军2015年。 基于动态映射矩阵的知识图嵌入。 第53届计算语言学协会年会和第7届自然语言处理国际联合会议论文集（ 第 1 卷 ： 长 文 ） 。 计 算 语 言 学 协 会 ， 北 京 ， 中 国 ， 687-696 。https://doi.org/10.3115/v1/P15-1067[10] Jan-Christoph Kalo，Philipp Ehler，and Wolf-Tilo Balke. 2019.统一同义关系的知识图谱整合。[11] Jan-Christoph Kalo，Stephan Mennicke，Philipp Ehler，and Wolf-Tilo Balke.2020. 通过共享数据驱动定义检测同义属性。In The Semantic Web，AndreasHarth，Sabrina Kirrane，Axel-Cyrille Ngonga Ngomo，Heiko Paulheim，Anisa Rula，Anna Lisa Gentile，Peter Haase，and Michael Cochez. SpringerInternational Publishing，Cham，360[12] Jens Lehmann ， Robert Isele ， Max Jakob ， Anja Jentzsch ， DimitrisKontokostas ， Pablo Mendes ， Sebastian Hellmann ， Mohamed Morsey ，Patrick Van Kleef，Sören Auer，and Christian Bizer. 2014年。 DBpedia-从维基百科提取的 大 规 模 多 语 言 知 识 库。Semantic Web Journal6（01 2014） .http：//doi.org/10.3233/SW-140134[13] 阿隆利维1996.从不完整的数据库中获得完整的答案。在在proc第22届国际Conf. 在非常大的数据库（VLDB'96。402-412[14] Amihai Motro。一九八六年完整性信息及其在查询处理中的应用在1986年8月25-28日在日本京都举行的VLDBChu，Georges Gardarin，Setsuo Ohsuga，andYahikoKambayashi（编辑）.摩根·考夫曼170http://www.vldb.org/conf/1986/P170.PDF[15] Annamalai Narayanan，Mahinthan Chandramohan，Rajasekar Venkatesan ，Lihui Chen，Yang Liu，and Shantanu Jaiswal. 2017年。graph2vec：学习图的分布式表示CoRRabs/1707.05005（2017）。arXiv：1707.05005http：//arxiv.org/abs/1707.05005[16] Annamalai Narayanan ， Chandramohan Mahinthan ， Lihui Chen ， YangLiu，and Santhoshkumar Saminathan.2016年。subgraph2vec：从大型图中学习有根子图的分布式表示。（2016年6月）。[17] 菲利克斯·瑙曼和梅兰妮·赫歇尔。2010.重复检测简介。在重复检测。[18] Simon Razniewski，Flip Korn，Werner Nutt，and Divesh Srivastava.2015年 。 部 分 完 全 数 据 库 上 查 询 答 案 的 完 全 程 度 的 识 别 。 561-576.https://doi.org/10.1145/2723372.2750544[19] Petar Ristoski，Jessica Rosati，Tommaso Di Noia，Renato De Leone，andHeiko Paulheim.2018年RDF2Vec：RDF图嵌入及其应用。 Se-manticWeb 10（08 2018），1-32。https://doi.org/10.3233/SW-180317[20] 斯蒂芬·斯塔布和鲁迪·斯塔德 2003年。本体论手册。 https://doi.org/10。1007/978-3-540-92673-3[21] Denny Vrandečić和Markus Krötzsch。2014.维基数据：一个自由的协作知识库。Commun. ACM 57，10（2014），78-85.[22] 王泉，毛振东，王斌，郭立。2017年。知识图嵌入：方法与应用综述。IEEETransactions on Knowledge and Data EngineeringPP （ 2017 年 9 月 ） ， 1https://doi.org/10.1109/TKDE。 2017.2754499[23] Zhen Wang，Jianwen Zhang，Jianlin Feng，and Zheng Chen.2014年。基于超平面平移的知识图嵌入 在第二十八届AAAI人工智能会议（魁北克市，魁北克，加拿大）（AAAI'14）的会议记录。AAAI Press，1112