面向OpenStreetMap与知识图谱的神经模式对齐
机器学习
2021-07-29 v1 人工智能
摘要
OpenStreetMap（OSM）是志愿地理信息中最丰富且公开可用的来源之一。尽管OSM包含各类地理实体，其描述高度异构、不完整，且未遵循任何明确定义的本体。知识图谱有潜力提供有价值的语义信息以丰富OSM实体。然而，由于OSM模式庞大、异构、模糊且扁平，以及标注稀疏，将OSM实体与知识图谱互联 inherently 困难。本文通过联合考虑模式层与实例层，整体解决OSM标签与相应知识图谱类的对齐问题。我们提出了一种新颖的神经架构，利用通过OSM与知识图谱中已链接实体创建的标签到类的共享潜在空间进行对齐。我们将所提方法用于对齐多个国家的OSM数据集与两个最著名的公开知识图谱（即Wikidata与DBpedia）的实验表明，该方法在F1分数上比最先进的模式对齐基线高出至多53个百分点。所得对齐为全球超过1000万OSM实体提供了新的语义标注，较OSM中现有语义标注增加逾400%。
引用
@article{arxiv.2107.13257,
title = {Towards Neural Schema Alignment for OpenStreetMap and Knowledge Graphs},
author = {Alishiba Dsouza and Nicolas Tempelmeier and Elena Demidova},
journal= {arXiv preprint arXiv:2107.13257},
year = {2021}
}