基于跨图表示学习的高效知识图谱验证
计算与语言
2020-08-18 v1 人工智能
摘要
信息抽取的最新进展推动了通过挖掘大规模文本语料库自动构建巨型知识图谱（KGs）。然而，自动抽取不可避免地会将噪声事实引入 KGs。为验证 KG 内事实（即三元组）的正确性，一种可能的方法是通过捕捉事实的语义含义将三元组映射为向量表示。尽管已开发了许多面向知识图谱的表示学习方法，这些方法对验证并不有效。它们通常假设事实正确，因而可能过拟合噪声事实并无法检测出此类事实。为实现有效的 KG 验证，我们提议利用一个外部人工策展的 KG 作为辅助信息源，以帮助检测目标 KG 中的错误。该外部 KG 构建于人工策展的知识库之上，往往具有高精度。另一方面，尽管由文本信息抽取构建的目标 KG 精度较低，但其可覆盖任何人工策展知识库中未包含的新颖或领域特定事实。为应对这一挑战性任务，我们提出一种跨图表示学习框架，即 CrossVal，其能利用外部 KG 高效验证目标 KG 中的事实。这是通过基于语义含义嵌入三元组、抽取跨 KG 负样本并依据正确程度为每个三元组估计置信度得分来实现的。我们在跨不同领域的数据集上评估了所提框架。实验结果表明，相较于最先进方法，所提框架在大规模 KGs 上取得了最佳性能。
引用
@article{arxiv.2008.06995,
title = {Efficient Knowledge Graph Validation via Cross-Graph Representation Learning},
author = {Yaqing Wang and Fenglong Ma and Jing Gao},
journal= {arXiv preprint arXiv:2008.06995},
year = {2020}
}
备注
CIKM 2020