面向长尾实体的开放知识扩充

知识库（KBs）已逐渐成为许多人工智能应用的宝贵资产。尽管当前许多知识库规模相当大，但被广泛认为是不完整的，尤其缺乏长尾实体（例如不太知名的人物）的事实。现有方法主要通过对缺失链接的补全或缺失值的填充来扩充知识库。然而，它们仅解决了扩充问题的一部分，且缺乏对长尾实体的具体考量。在本文中，我们提出了一种完备的知识扩充方法，该方法从开放 Web 中预测长尾实体的缺失属性并推断其真实事实。来自流行实体的先验知识被用于改进每一个扩充步骤。我们在合成与真实世界数据集上的实验以及与相关工作的对比，证明了该方法的可行性与优越性。