事实知识图中的类型错误：严重性及其可能出路
数据库
2021-02-05 v1 机器学习
摘要
DBpedia与Wikidata等事实知识图（KGs）已作为多种下游任务的一部分，并被人工智能研究界广泛采用为基准数据集。然而，我们发现这些KG出奇地含有噪声。本研究质疑这些KG的质量，其中粗粒度类型的类型错误率估计平均达27%，某些细粒度类型甚至达73%。为寻求解决方案，我们提出一种主动类型错误检测算法，最大化利用金标与噪声标签。我们还全面讨论并比较了处理事实KG中类型错误的无监督、半监督与监督范式。本研究结果为研究人员使用含噪声事实KG提供了指导。为帮助实践者部署技术并开展进一步研究，我们公开了代码与数据。
引用
@article{arxiv.2102.02307,
title = {Typing Errors in Factual Knowledge Graphs: Severity and Possible Ways Out},
author = {Peiran Yao and Denilson Barbosa},
journal= {arXiv preprint arXiv:2102.02307},
year = {2021}
}
备注
9 pages, 3 figures Camera-ready for WWW2021