TKDE2022 | 知识图谱质量控制综述-CSDN博客

本文链接：https://blog.csdn.net/weixin_48167662/article/details/123580604

这篇综述探讨了知识图谱质量控制的重要性，涵盖评估、问题发现和质量提升的流程。文章指出，尽管数据质量和知识图谱质量控制有长期研究，但在大规模知识图谱中仍面临挑战。基于人工、统计学习和规则的方法被用来应对不完整、不准确和不一致的问题，同时混合方法展现出潜力。未来研究方向包括更多维度的质量控制、属性和字面值问题等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

编者按：

北京大学数据管理实验室薛冰聪硕士关于知识图谱质量控制的综述《Knowledge Graph Quality Management: a Comprehensive Survey》被 TKDE 2022 接收。

知识图谱以结构化的形式表示现实世界中的实体和关系，是人工智能技术发展的基石。随着DBpedia、YAGO等大规模图谱的构建和发布，知识图谱在信息检索、智能问答、推荐系统等任务中发挥着越来越重要的作用。但是，现有知识图谱普遍存在着质量问题，如不完整、不准确、不一致等。而另一方面，数据质量的研究有很长的发展历史，也催生了一系列工具和算法。近年来，越来越多的工作考虑到知识图谱质量问题，并提出了若干专用于知识图谱的质量控制方法。

这篇文章对知识图谱质量控制问题展开了广泛的综述，内容不仅包括质量控制的基本概念如问题、维度和指标，也涵盖了质量控制从评估、问题发现到质量提升的全流程，对不同工作中提出的方法，按照多个维度进行分类。在文章最后对现有工作进行讨论和总结，并提出了若干有潜力的未来发展方向。