62、联邦知识库中的自动化细粒度信任评估

联邦知识库中的自动化细粒度信任评估

在联邦知识库中，数据来源广泛且复杂，常常会出现逻辑冲突。为了解决这些冲突并评估数据的可信度，我们可以采用一系列方法。

1. 多数投票法解决冲突

当收集到所有逻辑冲突后，解决这些矛盾的依据是一个假设：集成的数据来源越多，正确断言重复出现的概率就越高。相反，一个断言出错的概率与它所涉及的矛盾数量相关。

基于这个假设，我们对断言基数应用多数投票方案。断言基数由每个断言参与的最小不一致断言集（MISAs）的数量决定。对于包含不同基数断言的MISAs，我们通过将基数较高的断言添加到修复集中来迭代解决冲突。需要注意的是，我们首先解决基数最小的MISAs，以减少错误决策对后续决策的影响。

然而，这种启发式方法可能无法解决所有逻辑冲突，例如那些断言基数相同的MISAs。该方法能生成一个唯一的修复，但不是完整的或全局最优的修复。在包含四个链接开放数据（LOD）数据源的联邦环境中应用此方法，结果显示39.5%的检测到的冲突可以得到解决，精度高达97%。为了得到一个完整的修复以实现一致的知识库，我们可以为所有剩余的矛盾随机选择一个修复。但解决冲突意味着要移除修复集中的所有断言，为了避免信息丢失，我们将使用此方法的结果来计算单个断言、每个数据源及其单个签名元素的信任值或概率。

2. 细粒度信任评估

由于解决不一致性的方法评估显示出高精度，我们将利用收集到的统计证据作为基础，对断言、签名和数据源层面的信任值进行细粒度评估。

2.1 签名准确性

我们根据冲突断言和“正确”断言来确定每个数据源中每个签名元素的签名准确性。这里的“正确”仅指那些个体出现在至少一个其他集成