人在回路的知识图谱扩展
机器学习
2023-03-28 v2 人工智能
摘要
经过整理的知识图谱编码了领域专业知识，并提升了多个领域中推荐、分割、广告定向及其他机器学习系统的性能。随着领域中新概念的出现，必须扩展知识图谱以维持机器学习性能。然而，人工扩展知识图谱在规模上不可行。本工作中，我们提出一种人在回路的知识图谱扩展方法。具体而言，给定知识图谱，我们的方法预测待添加新概念的“父节点”以供人类专家进一步验证。我们表明该方法既准确又可证明为“人类友好”。具体地，我们证明即便预测错误，我们的方法所预测的父节点在知识图谱中也“接近”概念的真实父节点。随后我们通过受控实验表明，满足该性质提升了人与算法协作的速度与准确性。我们进一步在来自 Pinterest 的知识图谱上评估了该方法，并显示其在准确性和人类友好性上均优于竞争方法。在 Pinterest 生产环境部署后，我们的方法将知识图谱扩展所需时间减少了约 400%（相较人工扩展），并促成了后续广告收入 20% 的增长。
引用
@article{arxiv.2212.05189,
title = {Expanding Knowledge Graphs with Humans in the Loop},
author = {Emaad Manzoor and Jordan Tong and Sriniketh Vijayaraghavan and Rui Li},
journal= {arXiv preprint arXiv:2212.05189},
year = {2023}
}