模式范式：为机器学习与知识图谱推理构建完整数据集
人工智能
2026-02-17 v1 机器学习
摘要
用于知识图谱细化算法实验评估的数据集通常仅包含ground facts，保留的模式层面知识极其有限，即使源知识图谱中存在此类信息亦未被保留。这限制了依赖丰富本体约束、推理或神经符号技术的方法评估，并最终阻止了在大规模真实知识图谱中对其性能进行评估。本文提出了\resource{}，第一个提供工作流程以提取包括模式和ground facts的数据集，此类数据集已准备好用于机器学习和推理服务，同时包含我们整理好的精选数据集套件。该工作流程还处理在保留模式和事实时检测到的不一致情况，并利用推理来推导隐式知识。该数据集套件包括从具有表达性模式的知识图谱中新提取的数据集，同时通过添加模式信息来丰富现有数据集。每个数据集均以OWL格式序列化，即可用于推理服务。此外，我们提供了用于加载到标准机器学习库常见的张量表示形式的实用工具。
引用
@article{arxiv.2602.14795,
title = {Return of the Schema: Building Complete Datasets for Machine Learning and Reasoning on Knowledge Graphs},
author = {Ivan Diliso and Roberto Barile and Claudia d'Amato and Nicola Fanizzi},
journal= {arXiv preprint arXiv:2602.14795},
year = {2026}
}