知识图谱中的深度过时事实检测
人工智能
2024-02-07 v1 计算与语言
数字图书馆
机器学习
摘要
知识图谱（KGs）因其在众多领域的巨大潜力而备受关注。然而，随着现实世界信息的演变，过时事实问题对知识图谱构成了挑战，影响了其整体质量。现有的过时事实检测解决方案通常依赖人工识别。为此，本文提出了DEAN（Deep outdatEd fAct detectioN，深度过时事实检测），一个新颖的基于深度学习的框架，旨在识别知识图谱中的过时事实。DEAN的独特之处在于通过对实体和关系的全面建模来捕获事实之间隐含的结构信息。为了有效揭示潜在的过时信息，DEAN采用了一种基于预定义的、以实体数量加权的“关系-节点”（R2N）图的对比方法。实验结果证明了DEAN相较于最先进基线方法的有效性和优越性。
引用
@article{arxiv.2402.03732,
title = {Deep Outdated Fact Detection in Knowledge Graphs},
author = {Huiling Tu and Shuo Yu and Vidya Saikrishna and Feng Xia and Karin Verspoor},
journal= {arXiv preprint arXiv:2402.03732},
year = {2024}
}
备注
10 pages, 6 figures