Pattern Discovery and Anomaly Detection via Knowledge Graph-学习笔记

Pattern Discovery and Anomaly Detection via Knowledge Graph

1. 知识图谱使用实体及其关系对信息进行建模。
2. 实体提取：使用统计模型或基于语言语法的技术。
3. 关系提取：使用将实体与关系关联的正则表达式，或基于训练数据建立分类器。
4. 关系消除和实体解析：Openle往往会为同一组实体产生租户关系（SPO三元组）和标识噪声，有必要消除冗余三元组并解决身份，不确定性，以开发可扩展且可信的知识图。
5. 论文中开发了一个领域特定的知识图谱，其事实由从Twitter消息中提取的标准SPO三元组表示。应用关系消除和实体解析来管理知识库。主体和对象是实体，并表示为KGS中的节点。实体之间的关系，即将主题链接到对象的关系表示为边缘。
6. 从本质上讲，知识图谱是稀疏的，高度不完整的和嘈杂的。为了克服这些问题，“统计关系学习”（SRL）被用于预测节点之间丢失的链接和标识关系。使用RESCAL模型预测实体之间的潜在关系。
7. 知识图谱挖掘用于识别频繁项并确定数据中项之间的关联。
8. Apriori使用哈希树结构并应用广度优先搜索来有效地计算候选项目集。
9. 时间信息是将流数据与传统结构化/非结构化数据区分开的另一个功能。为了探索这些信息，使用PrefixSpan算法从流数据中找到频繁的顺序模式。