学习源-目标对 SPARQL 查询的进化算法：在 DBpedia 中寻找人类联想的模式
人工智能
2017-04-25 v3 数据库
神经与进化计算
机器学习
摘要
有效利用 Linked Data 社区提供的知识，往往受到需要领域专家构建正确 SPARQL 查询来回答问题的阻碍。对于新问题，他们必须决定哪些数据集是合适的，以及使用何种术语和建模风格来表述 SPARQL 查询。在本工作中，我们提出了一种进化算法来帮助应对这一挑战性任务。给定一个源-目标节点对示例的训练列表，我们的算法可以从 SPARQL 端点学习模式（SPARQL 查询）。学习到的模式可以被可视化以作为进一步研究的基础，或者它们可以用于预测新源节点的目标节点。我们将该算法应用于包含数百个人类联想（如“圆 - 方”）的数据集，以在 DBpedia 中为它们寻找模式。通过在加载了超过 79 亿个三元组的 SPARQL 端点上运行该算法，我们展示了其可扩展性。此外，我们使用生成的 SPARQL 查询来模拟人类联想，其平均精度均值为 39.9%，Recall@10 为 63.9%。
引用
@article{arxiv.1607.07249,
title = {An Evolutionary Algorithm to Learn SPARQL Queries for Source-Target-Pairs: Finding Patterns for Human Associations in DBpedia},
author = {Jörn Hees and Rouven Bauer and Joachim Folz and Damian Borth and Andreas Dengel},
journal= {arXiv preprint arXiv:1607.07249},
year = {2017}
}
备注
15 pages, 2 figures, as of 2016-09-13 6a19d5d7020770dc0711081ce2c1e52f71bf4b86