21、知识图谱中的反效果规则挖掘与FAIR核心语义元数据模型

知识图谱中的反效果规则挖掘与FAIR核心语义元数据模型

知识图谱中的反效果规则挖掘

研究背景

在知识图谱的分析中，因果关系发现和规则挖掘是重要的研究方向。以往的研究如差分因果规则（DCR）虽具有一定的表达能力，但当处理在不同子群体（strata）中有不同效果的情况时，其解释变得困难。同时，关联规则挖掘虽常用于知识发现，但往往不能明确表示因果关系。因此，本文提出了反效果规则（CER）的挖掘方法。

相关概念

• 知识图谱（Knowledge Graph） ：由一对（O，F）定义，其中O是用OWL表示的本体，F是描述O的类实例的RDF三元组集合。
• 差分因果规则（DCR） ：以一阶逻辑形式表达为：strata ∧ treatment ⇒ outcome。作用于一个子群体的两个实例，其中处理（treatment）解释效果。
• 子群体（Strata） ：是RDF中的基本图模式，代表所有在其描述中具有该模式的实例。例如，ST1(X) : isA(X, man) ∧ livesIn(X, city) 表示居住在城市的男性。
• 处理（Treatment） ：表示两个实例在数值或分类路径（属性路径）上具有不同的值。
• 结果（Outcome） ：表示两个实例在数值路径（结果路径）上具有不同的值。

反效果规则（CER）的定义

反效果规