Error detection in Knowledge Graphs: Path Ranking, Embeddings or both?-学习笔记

最新推荐文章于 2024-02-20 15:03:43 发布

VIP文章 ChanYeol666

最新推荐文章于 2024-02-20 15:03:43 发布

阅读量777

点赞数 1

分类专栏：知识图谱文章标签：知识图谱自然语言处理人工智能

本文链接：https://blog.csdn.net/qq_37385720/article/details/109030609

版权

错误的三元组本质上是对象s与对象o（两者均为E）之间的错误边缘，关系r∈R将它们连接在一起。
PaTyBRED：PRA启发式算法，使用路径作为特征，将路径定义为关系r1→r2→...→rn的序列。
TransE：给定三元组（s，r，o）是正确的，则主题s和关系r可以与对象o连接，且误差很小，这意味着s + r≈o。递归地最小化使用上述能量函数和负采样进行训练的成对评分函数
Conﬁdence-aware KRL (CKRL)：认知感知的KRL框架,在TransE模型的成对损失函数中注入了三元组置信度C（s，r，o），旨在学习更好的知识表示。
PTransE：CKRL方法的前身，它使用路径来引导嵌入，其方式与CKRL不同。
路径排序引导嵌入（PRGE）：混合方法。

PPT

知识图中的错误检测：路径排名，嵌入还是两者？

Problem Formulation

首先，将知识图G定义为一组三元组。每个三元组都遵循（s，r，o）的形式，其中（s，o）∈E是实体，而r∈R是绑定它们的关系。

假设知识图G也包含一定比例的噪声N％，这表示G中的三元组中有N％是错误的。

这些错误的三元组本质上是对象s与对象o（两者均为E）之间的错误边缘，关系r∈R将它们连接在一起。

因此，论文的目标是找到一种方法来查明G中的这些错误。

Methods Employed

PRA启发式算法,在错误检测的上下文中使用此,

该算法的概念是将这些路径用作确定给定三元组是否为噪声的特征。

PaTyBRED使用路径作为特征，将路径定义为关系r1→r2→...→rn的序列。

如果存在实体x1，x2，...，xn-1，则对象s和对象o可以通过路径P（s，o）连接，使得P（s，o）= r1（s，x1）→ ...→ri（xi-1，xi）→...→rn（xn-1，o）。

修剪路径后，将填充NR功能表，其中NR是关系数。

在使用NR个不同的分类器（每个关系一个）之后，为每个三元组确定一个值[0-1]的置信度分数，而表示噪声的分数较低。

给定三元组（s，r，o）是正确的，则主题s和关系r可以与对象o连接，且误

关注