大规模知识图中不一致性的快速计算

PDF格式 | 695KB | 更新于2025-01-16 | 89 浏览量 | 举报

2613

大

规模知识图中不一致性解释的快速计算

陈忠健

博世人工智能中心

德国伦宁根

trungkien. de.bosch.com

穆罕默德

·H.

加德

埃拉布

博世人工智能中心

Renningen，德国

德国萨尔布吕肯

马克斯-普朗克信息

学研究所

gadelrab@mpi-

inf.mpg.de

达里娅

斯捷潘诺娃

博世人工智能中心

Renningen，德国

daria. de.bosch.com

摘要

叶夫根尼

哈拉莫夫

博世人工智能中心

Renningen，德国

evgeny. de.bosch.com

扬尼克·施特根

博世人工智能中心

Renningen，德国

jannik. de.bosch.com

知识图

知识图谱是

Web

搜索和问答等应用的重要资源由于知识库通常是

自动构建的，它们可能包含不正确的事实。探测它们是一项至关

重要但又极其昂贵的任务。突出

的解决方案检测和解释

中关于

描述感兴趣的

域的伴随本体的不一致性

。与机器学习方法相比，

它们更可靠

，更易于人类解释，但在大型KG上的规模很小。

在这

本体

ObjectPropertyRange

（

hasCustomer

，

Company

）

ObjectPropertyDomain

（

isCityOf

，

City

）

DisjointClasses（City，Company，Country）

图1：一个KG和本体的例子。

论文中，我们提出了一种新的方法，大大加快检测和解释大型

中的不一致性的过程中，利用

抽象捕捉突出的数据模式。

尽管

抽象要小得多，但它保留了不一致性

及其解释。我们对大

型

的实验（例如，

DBpedia

和

Yago

）证明了我们的方法的可行

性，并表明

它显着优于流行的基线。

ACM

参考格式：

作者声明：

John H. Gad-Elrab

，

Daria Stepanova

，

Evgeny Khar-

lamov

，

and Jannik Strötgen. 2020.

大规模知识图中不一致性解释的快速计算在

网

络会议

2020

（

WWW '20

）的会议记录，

2020

年

月

日至

日，台北，台

湾。

ACM

，美国纽约州

纽约市， 7 页。

https://doi.org/10.1145/3366423.3380014

1 介绍

动机知识图（

）通过用类标记实体并经由二元关系将它们互

连来描述关于实体的事实例如，图

的顶部描绘了具有

关于公司和

位置的事实的KG，例如，

诺基亚

是一个

大众品牌

，

它是

IBM

的

客户。大型知识库的突出例子包括

DBpedia [19]

、

NELL [23]

、

Yago [31]

、

Freebase [3]

和

Wiki-

data [34]--都包含数百万个事实。

KG为各种

重要的应用程序提供动力，包括

Web

搜索

[5]

和问题

本文在知识共享署名4.0国际

（CC-BY 4.0）许可下发布。作者保留在其个人和公

司网站上以适当的署名传播作品的权利

WWW

2020 IW 3C 2

（国际万维网大会委员会），

在知识共享

CC-BY 4.0

许可下发布。

ACM ISBN 978-1-4503-7023-3/20/04。

https://doi.org/10.1145/3366423.3380014

回答

[6]

。虽然

的数据质量对于这种应用

至关重要，但不幸的

是，大规模

通常不准确。实际上，

它们是使用诸如信息提取

（例如，

Yago

）、众包（例如，

Wikidata

）或

使用基于嵌入的方法

（参见

[36]

的概述）。

这些方法不可避免地引入错误信息，例如，

错误地消除了实体的歧义或错误的关系。

在这种情况下，一个共同的任务是在幼儿园中

发现不正确

的事实

虽然关于这个主题的许多工作都集中

在机器学习技术上

（例如，

[15

，

27]

），依赖

于符号推理的方法（例如，[25，

32]）由于其准确性和人类可解释性[26]，已经显示出这项任

务的好处

用于检测

中的不正确事实的一个突出的这样的方法

是计算KG相对于手动制作的本体的不一致解释[14]，本体是

捕

获相关感兴趣域和强制执行某些语句不能一起出现的约束的公理

集。

在图1的底部呈现的示例本体指出，hasCustomer关系的范围

是

Company

，

isCityOf

关系的域

是City，并且类City、Company和

Country是不相交的。这种

本体通常是由领域专家精心创建的，

并且

中的错误通常以

中是否存在与伴随的本体相矛盾的三元

组为特征。

很容易验证我们的样本KG与本体相矛盾，因为丰

田和诺基亚属于不相交的类Company和City。导致这种情况的

最小

公理集是一种

不一致的解释

。

检测和解释用本体增强的KG中的不

一致性

是基本的和充分研究的知识管理任务

[13

，

26]

。众所周

知，找到所有甚至一些

解释需要计算，因此无法扩展

麦卡菲

hasCustomer

PopularName

丰田

hasCustomer

isCityOf

日本

国家

IBM

hasCustomer

诺基

亚

芬兰

国家

联系我们

下载后可阅读完整内容，剩余6页未读，立即下载

cpongm

粉丝: 6

大规模知识图中不一致性的快速计算

能源互联网一致性算法

论文研究-基于分布式计算的大规模动态图计算的研究 .pdf

决策表不一致的快速通用归约算法

【数据同步挑战】：手淘处理大规模数据一致性问题的解决方案

并行计算访存模型的内存访问一致性与容错性：确保计算稳定性

【gprMax V3并行计算捷径】：快速提升大规模模拟速度

大规模数据处理与分布式计算

高性能计算中的大规模数据处理与分析

FEKO并行计算可扩展性分析：更大规模仿真轻松驾驭

Guava Hashing在分布式系统数据一致性中的作用：确保一致性的7个策略

最新资源