用新对象属性丰富关联数据集

尽管通过 LOD 倡议已有多个 RDF 知识库可用，但此类关联数据集的 ontology 模式并不十分丰富。特别是，它们缺乏对象属性。在关联数据语境下，寻找任意两个给定类之间新对象属性（及其实例）的问题尚未得到详细研究。本文提出 DART（用于丰富关联数据 T-Box 的任意关系检测）——一种无监督解决方案，用于在两个给定类之间为 LOD 云丰富新对象属性。DART 利用上下文相似性从网络语料库中识别可能代表个体间关系的文本模式。然后通过释义检测对这些文本模式进行聚类，以捕获两个给定 LOD 类之间的对象属性。DART 还执行全自动映射，将发现的关系映射到关联数据集中的属性。这可用于多种目的，例如识别全新关系、消除不相关关系以及生成预期的属性公理。我们在若干类对上实证评估了该方法，发现该系统确实可用于用新对象属性及其实例丰富关联数据集。我们将 DART 与 newOntExt 系统进行了比较，后者是 NELL（永不终止的语言学习）项目的一个分支。实验表明，DART 在正确性和关系数量方面均优于 newOntExt。