知识图中何为正常、何为异常、何为缺失：基于归纳式摘要的统一刻画

知识图（KGs）以图的结构存储关于世界的高度异构信息，并可用于问答与推理等任务。然而，它们常包含错误且缺失信息。KG精炼的活跃研究致力于解决这些问题，所定制的技术要么检测特定类型错误，要么补全KG。本工作中，我们通过将问题表述为带一组归纳式软规则的无监督KG摘要，引入KG刻画的统一方案；这些规则描述KG中的正常情形，从而可用于识别异常，无论其是奇怪还是缺失。与一阶逻辑规则不同，我们的规则是带标签的有根图，即基于节点类型与KG中的信息、描述（已见或未见）节点周围期望邻域的模式。我们脱离传统的基于支持度/置信度的规则挖掘技术，提出KGist（Knowledge Graph Inductive SummarizaTion，知识图归纳式摘要），其学习一组最优压缩KG的归纳式规则摘要，依据最小描述长度原理——这一表述我们在KG规则挖掘语境下首创使用。我们将规则应用于三个大型KG（NELL、DBpedia与Yago）以及压缩、各类错误检测与不完整信息识别等任务。我们展示KGist在错误检测与不完全性识别上优于特定任务的有监督与无监督基线（识别出多达93%缺失实体的位置——比基线高逾10%），同时对大型知识图亦高效。