专题解读 |「知识图谱」领域近期值得读的 6 篇顶会论文

CIKM 2017

• 论文 | Hike: A Hybrid Human-Machine Method for Entity Alignmentin Large-Scale Knowledge Bases
  
• 链接 | https://www.paperweekly.site/papers/1528
  
• 解读 | 罗丹，浙江大学硕士
  

1. Motivation

随着语义网络的迅速发展，越来越多的大规模知识图谱公开发布，为了综合使用多个来源的知识图谱，首要步骤就是进行实体对齐（Entity Alignment）。

近年来，许多研究者提出了自动化的实体对齐方法，但是，由于知识图谱数据的不均衡性，导致此类方法对齐质量较低，特别是召回率（Recall）。

我有几张阿里云幸运券分享给你，用券购买或者升级阿里云相应产品会有特惠惊喜哦！把想要买的产品的幸运券都领走吧！快下手，马上就要抢光了。

因此，可考虑借助于众包平台提升对齐效果，本文提出了一个人机协作的方法，对大规模知识图谱进行实体对齐。

2. Framework

方法主要流程如图所示：

首先，通过机器学习方法对知识库进行粗略的实体对齐，然后分别将以对齐实体对（Matched Pairs）和未对齐实体对（Unmatched Pairs）放入众包平台，让人进行判断。

两条流水线的步骤类似，主要包括四个部分：实体集划分（Entity Partition）、建立偏序（Partial Order Construction）、问题选择（Question Selection）、容错处理（Error Tolerance）。

实体集划分的目的是将同类的实体聚类到一个集合，实体对齐只在集合内部进行，集合之间不进行对齐操作。实体集划分的依据是属性，通常同一类实体的属性是相似的。 偏序定义如下：

原文链接