相关实体选择：基于零样本类比剪枝的知识图谱引导构建
人工智能
2023-08-17 v2 机器学习
摘要
知识图谱构建（KGC）可视为一个迭代过程，从高质量的核出发，在良性循环中由知识抽取方法不断完善。这样的核可以从 Wikidata 等开放知识图谱中的已有知识获得。然而，由于此类通用知识图谱规模庞大，将其整体集成可能带来无关内容和可扩展性问题。我们提出了一种基于类比的方法，从通用知识图谱中感兴趣的种子实体出发，保留或剪枝其相邻实体。我们在 Wikidata 上通过两个手动标注的数据集评估了我们的方法，这两个数据集分别包含领域同质或领域异质的种子实体。我们经验性地表明，我们的基于类比的方法以极少的参数数量优于 LSTM、随机森林、SVM 和 MLP。我们还在迁移学习设置中评估了其泛化潜力。这些结果支持在知识图谱生命周期相关任务中进一步集成基于类比的推理。
引用
@article{arxiv.2306.16296,
title = {Relevant Entity Selection: Knowledge Graph Bootstrapping via Zero-Shot Analogical Pruning},
author = {Lucas Jarnac and Miguel Couceiro and Pierre Monnin},
journal= {arXiv preprint arXiv:2306.16296},
year = {2023}
}