由知识库驱动的实体集Taxonomic扩张之旅

在人类认知和计算智能的更广阔的背景中，识别实体之间的相似性是核心任务。实体集扩张是其中突出的任务，旨在从初始实体集（实体元组）中识别出与前者共享相关语义属性的额外实体——可能重复执行此过程以形成日益更广泛的集合。然而，这种“线性”方法并未揭示知识资源中更丰富的“分类”结构。最近的基于逻辑的框架引入了扩张图的概念：一种根于有向无环图，其中每个节点代表由逻辑公式标记的语义泛化，边缘编码严格的语义包含。这一结构支持由知识库驱动的实体集Taxonomic扩张。然而，这类图的可能很大尺寸可能在现实场景中使完全材料化变得不可行。为克服这一问题，我们形式化了检查两个元组是否位于可比较、不可比较或相同节点的推理任务。我们的结果表明，在现实假设下——例如限制输入或限制实体描述——这些任务可以高效实现。这使得在不要求完全图构造的情况下，对扩张图进行局部、增量式导航成为可能，支持实际应用。