知识图谱事实的弱监督情境化
信息检索
2018-07-10 v2 人工智能
摘要
知识图谱(KGs)对世界中的事实进行建模,它们由节点(如公司和人物等实体)组成,这些节点通过边(如 founderOf 等关系)相连。编码在知识图谱中的事实常被搜索应用用来扩充结果页面。当向用户展示一个知识图谱事实时,提供与该主要事实相关的其他事实可以丰富用户体验并支持探索性信息需求。知识图谱事实情境化是指用额外且有用的知识图谱事实来扩充给定知识图谱事实的任务。该任务具有挑战性,因为知识图谱规模庞大,即使在给定事实的小邻域内发现其他相关事实也会产生海量候选。我们提出一种神经事实情境化方法(NFCM)来解决知识图谱事实情境化任务。NFCM 首先在给定事实的邻域内生成一组候选事实,然后使用有监督的学习排序模型对候选事实进行排序。该排序模型结合了我们自动从数据中学习到的、表示查询-候选事实的特征,以及我们为此任务设计或调整的一组手工特征。为了大规模获取训练学习排序模型所需的标注,我们利用远程监督在大型实体标注文本语料库上自动生成训练数据。我们表明,在该数据上学习的排序函数能有效地对知识图谱事实进行情境化。使用人工评估的评测表明,它显著优于多个有竞争力的基线。
引用
@article{arxiv.1805.02393,
title = {Weakly-supervised Contextualization of Knowledge Graph Facts},
author = {Nikos Voskarides and Edgar Meij and Ridho Reinanda and Abhinav Khaitan and Miles Osborne and Giorgio Stefanoni and Prabhanjan Kambadur and Maarten de Rijke},
journal= {arXiv preprint arXiv:1805.02393},
year = {2018}
}
备注
SIGIR 2018: 41st international ACM SIGIR conference on Research and Development in Information Retrieval. July version: corrected typos