链接开放数据中基础区分的实证分析
人工智能
2018-05-24 v2 计算与语言
摘要
Web 及其语义扩展（即链接开放数据）包含开放的全球规模知识，并使其可供希望从中受益的潜在智能机器使用。然而，大多数链接开放数据缺乏本体区分，并且公理化稀疏。例如，诸如一个实体本质上是一个类还是一个个体，或者它是否是一个物理对象之类的区分，在数据中很难表达，尽管它们已经被基础本体（例如 DOLCE、SUMO）大量研究和形式化。这些区分也属于常识，这与许多人工智能任务相关，例如自然语言理解、场景识别等。基础本体通常形式化或受现有哲学理论启发，并采用自上而下的方法开发，而链接开放数据主要来自现有数据库或基于众包的工作（例如 DBpedia、Wikidata），两者之间存在差距。我们研究机器是否能在链接开放数据实体上学习基础区分，以及它们是否符合常识。我们想要回答诸如“DBpedia 中关于狗的实体是指一个类还是一个实例？”这样的问题。我们报告了一组基于机器学习和众包的实验，结果显示出有希望的结果。
引用
@article{arxiv.1803.09840,
title = {Empirical Analysis of Foundational Distinctions in Linked Open Data},
author = {Luigi Asprino and Valerio Basile and Paolo Ciancarini and Valentina Presutti},
journal= {arXiv preprint arXiv:1803.09840},
year = {2018}
}