KGClean：一种由嵌入驱动的知识图谱清洗框架
数据库
2020-05-01 v1
摘要
知识图谱的质量保证是各类知识驱动应用的前提。我们提出 KGClean，一种由知识图谱嵌入驱动的新型清洗框架，用于检测并修复异构脏数据。与以往要么侧重于填补缺失数据、要么清理违反有限规则的错误的方法不同，KGClean 能够（i）同时清洗缺失数据与其他错误取值，以及（ii）自动挖掘潜在规则，从而扩大错误检测的覆盖范围。KGClean 首先通过 TransGAT（一种有效的知识图谱嵌入模型）学习数据表示，该模型汇聚每个数据的邻域信息并纳入数据间的交互，将数据映射至具有丰富语义的连续向量空间。KGClean 集成了一个基于主动学习的分类模型，利用少量标注种子识别错误。KGClean 利用一种高效的 PRO-repair 策略，借助传播力这一新概念来修复错误。在四个典型知识图谱上的大量实验证明了 KGClean 在实际中的有效性。
引用
@article{arxiv.2004.14478,
title = {KGClean: An Embedding Powered Knowledge Graph Cleaning Framework},
author = {Congcong Ge and Yunjun Gao and Honghui Weng and Chong Zhang and Xiaoye Miao and Baihua Zheng},
journal= {arXiv preprint arXiv:2004.14478},
year = {2020}
}