Meta Structures in Knowledge Graphs 阅读笔记

最新推荐文章于 2023-12-09 21:56:35 发布

原创

最新推荐文章于 2023-12-09 21:56:35 发布 · 702 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#knowledge graph #meta structure

本文介绍了Meta Structures在知识图谱中的概念，通过抽象数据层信息形成元结构，解决传统路径方法的局限。文章提出了Layered-Tuple-Relevance（LTR）度量，用于评估实体相关性，并通过实例展示了元结构在检索相关实体中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Meta Structures in Knowledge Graphs 阅读笔记

作者：Valeria Fionda and Giuseppe Pirr`o
论文地址：https://iswc2017.semanticweb.org/wp-content/uploads/papers/MainProceedings/272.pdf

Abstract

元结构，也就是模式级图，它是通过抽象知识图谱中一组实体链接信息而来的。文章抽象了数据层的信息，构建了元结构。将元结构的计算问题形式化，设计了基于自动机的算法，用来发现和输入实体链接的子图。提出了基于元结构的相关性度量——Layered-Tuple-Relevance（LTR），用来检索(子图中)和输入实体相关的实体。

Introduction

基于知识图谱可以做信息检索、推荐、聚类、实体消歧等，支撑这些应用最基本的任务就是要抽取实体之间的链接结构，比如路径或图。在数据层面，链接结构能够反映出语义关联信息，通常使用模式信息（类型、域和范围）来抽象链接结构。目前大多数的研究主要关注一对实体之间的连接结构，例如元路径，这就很容易导致了如下几个问题：
（1）这些路径很难获取复杂的关系
（2）输入为一对实体，导致了数据层和模式层不能进行关联
（3）枚举所有的路径，需要的计算量很大
虽然也有一些方法用来获取更强大的链接结构，但是没用应用在知识发现任务中。

运行实例
文章首先在构建的MEKoNG可视化工具上实现了一个实例，如下：

在这里插入图片描述
该实例的主要任务是：
（1）检索并研究元结构及其实例
（2）检索出与输入实体最相关的5个实体
输入实体元组(A. Aho, J. Hopcroft, D. Knuth），检索出了元结构，如图（a），抽象出的元结构实例如图（b）。基于元结构，还可以评估实体之间的相关性，总的操作就是使用源实体替代元结构中的节点，选取剩下节点中的一个作为目标实体。如图（c）中，A. Aho and J. Hopcroft 作为种子实体替代图（a）中最左侧的两个节点，把剩下来的一个Scientist 节点作为目标实体，最后检索出了5个最相关的实体，并使用了LTR相关性度量进行了排列。

根据已构建的知识图谱，如何发现我们需要的元结构呢？文章先将这个问题形式化，再通过算法发现元结构实例，最后抽象出了元结构实例。

形式化

将知识图谱表示为有向节点和边标签图G= （V， E）,含有两个节点映射函数， $\phi_i$ ：V—> $L_v$ ，给每个节点分配一个唯一的id； $\phi_t$ ：V—> $2^{L_s}$ ，给每个节点分配一组 $L_s$ 中的类型。一个边映射函数 $\psi$ ：E—> $L_e$ ,将每个边关联到 $L_e$ 中的一个类型。
定义1：知识图谱模式层
给定一个知识图谱G以及他的映射函数 $\phi_t$ ：V—> $2^{L_s}$ ， $\psi$ ：E—> $L_e$ ,G的模式层 $T_G$ 由节点类型和边类型组成的有向图，即， $T_G$ = （ $L_s$ , $L_e$