知识图谱中的异常检测与分类
机器学习
2024-12-09 v1
摘要
知识图谱（KG）中的异常，如冗余、不一致、矛盾和缺失值，是不可避免的，因为这些图谱通常由人工整理，或通过机器学习和自然语言处理技术提取。因此，异常检测是一项可以提升 KG 质量的任务。在本文中，我们提出 SEKA（SEeking Knowledge graph Anomalies），一种用于检测 KG 中异常三元组和实体的无监督方法。SEKA 可以在保留覆盖范围的同时帮助提升 KG 的正确性。我们提出了路径排序算法（PRA）的一种适配版本，称为佐证路径排序算法（CPRA），它是 PRA 的高效适配，专门用于检测 KG 中的异常。此外，我们还提出了 TAXO（KG 中异常类型的分类法），一种 KG 中可能出现的异常类型的分类体系。该分类体系对 SEKA 发现的异常进行了分类，并广泛讨论了 KG 中可能存在的数据质量问题。我们在四个真实 KG（YAGO-1、KBpedia、Wikidata 和 DSKG）上评估了两种方法，以展示 SEKA 和 TAXO 超越基线的能力。
引用
@article{arxiv.2412.04780,
title = {Anomaly Detection and Classification in Knowledge Graphs},
author = {Asara Senaratne and Peter Christen and Pouya Omran and Graham Williams},
journal= {arXiv preprint arXiv:2412.04780},
year = {2024}
}