8、可适应数据集搜索的排名模型分析与LDP - DL语言研究

可适应数据集搜索的排名模型分析与LDP - DL语言研究

一、数据集排名相关研究

在当今数据爆炸的时代，数据互联的需求日益增长。Web of Data（WoD）虽然发展迅速，但不同数据集之间的实体链接仍有待加强，更多的实体链接能提升知识库的内在价值，推动创新应用的发展。

实体链接任务主要包含三个步骤：
1. 选择包含相关实体的其他数据集。
2. 检查这些数据集的内容，推断实体关系。
3. 通过添加新的RDF语句，使这些关系明确化。

目前，超过70%的数据集最多与其他两个数据集的实体有链接，且大多仅与DBpedia、Geonames、W3C和Quitter等流行数据集相连。这主要有两个原因：
1. 可用数据集的质量差异大，开发者倾向于选择更可靠、全面的数据集。
2. 选择相关数据集是一项容易出错、艰巨且耗时的任务，现有的搜索技术未被广泛采用。

选择最相关的数据集可视为一个排名问题，即根据在数据集 $d_i$ 中找到与目标数据集 $d_t$ 相关实体的可能性对其进行排名。在WoD环境中，有手动和自动两种使用场景，不同场景适用不同的排名算法。

以下是三种不同的数据集排名策略：
|策略|描述|
| ---- | ---- |
|相似性排名|两个数据集描述越相似，其内容越可能相似。|
|使用已知数据集链接和元数据学习链接规则|这是推荐系统常用的协同过滤方法，假设相似群体有相同行为，但相似性标准会影响这种直觉判断。|
|识别相关枢纽|寻找高度引用的数据集，这些数据集在特定信息领域成为权威。若能确定数据集所属的信息领域，枢纽可作为寻找实体链接的良好机会。|