APEX$^2$：面向个性化知识图的自适应与极端综述
机器学习
2025-09-03 v2 人工智能
数据库
符号计算
摘要
知识图（Knowledge Graphs, KGs）存储大量关系事实，服务于各种应用。最近，个性化知识图（Personalized Knowledge Graphs, PKGs）作为一种解决方案，旨在通过针对用户在特定领域内的具体兴趣进行定制内容来优化存储成本。然而，现实世界中，用户查询及其潜在兴趣本质上是不断演变的，这要求PKGs持续适应；另一方面，综述始终需尽可能紧凑，以降低存储成本。然而，现有PKG综述方法隐含假设用户兴趣是恒定的，且不会随时间变化。此外，在PKG规模极度受限的情况下，现有方法无法区分哪些事实更具紧迫兴趣，无法保证被综述后的PKG具有实用性。为此，本文提出APEX，一种高度可扩展的PKG综述框架，具备鲁棒的理论保证，在极端小规模约束下的自适应综述任务中表现卓越。具体而言，APEX在构建初始PKG后，持续跟踪兴趣变化并调整先前的综述。我们在演变查询设置下评估了APEX，使用包含最高1200万三元组的基准KG进行测试，综述压缩比≤0.1%。实验表明，APEX在查询-答案准确性和效率方面均优于最先进的基线方法。代码已公开于 https://github.com/iDEA-iSAIL-Lab-UIUC/APEX。
引用
@article{arxiv.2412.17336,
title = {APEX$^2$: Adaptive and Extreme Summarization for Personalized Knowledge Graphs},
author = {Zihao Li and Dongqi Fu and Mengting Ai and Jingrui He},
journal= {arXiv preprint arXiv:2412.17336},
year = {2025}
}
备注
Accepted by KDD 2025. 27 pages