渐进式知识图谱补全
人工智能
2024-04-16 v1 计算与语言
机器学习
摘要
知识图谱补全（KGC）已成为解决知识图谱（KGs）不完整性问题的一种极具前景的方案。传统的 KGC 研究主要集中在三元组分类和链接预测上。然而，我们认为这些任务与现实场景并不完全契合，仅能作为替代性基准。在本文中，为了实现向更现实挑战的过渡，我们研究了与现实世界构建场景相关的三个关键过程：(a) 验证过程，源于人工验证者的必要性与局限性；(b) 挖掘过程，识别最具前景的候选者以供验证；(c) 训练过程，利用已验证数据供后续使用。通过整合这三个过程，我们引入了渐进式知识图谱补全（PKGC）任务，该任务模拟了现实场景中 KGs 的渐进式补全。此外，为加速 PKGC 处理，我们提出了两个加速模块：优化 Top- 算法和语义有效性过滤器。这些模块显著提升了挖掘过程的效率。我们的实验表明，链接预测的性能不能准确反映 PKGC 的性能。更深入的分析揭示了影响结果的关键因素，并为未来的研究提供了潜在方向。
引用
@article{arxiv.2404.09897,
title = {Progressive Knowledge Graph Completion},
author = {Jiayi Li and Ruilin Luo and Jiaqi Sun and Jing Xiao and Yujiu Yang},
journal= {arXiv preprint arXiv:2404.09897},
year = {2024}
}
备注
14 pages, 10 figures