专题解读 |「知识图谱」领域近期值得读的 6 篇顶会论文
2018-01-16 14:23
417 查看
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
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
相关文章推荐
- 专题解读 |「知识图谱」领域近期值得读的 6 篇顶会论文
- 专题解读 |「知识图谱」领域近期值得读的 6 篇顶会论文
- 「知识图谱」领域近期值得读的 6 篇顶会论文
- 论文浅尝 | 「知识图谱」领域近期值得读的 6 篇顶会论文
- 独家 | 知识图谱技术在司法领域的应用:国双科技的探索与技术分享
- 知识图谱 vs. 对话系统专题讨论 - PaperWeekly 社区
- AAAI 2018论文解读 | 基于置信度的知识图谱表示学习框架
- 领域应用 | 深度学习在知识图谱构建中的应用
- 知识图谱关键技术及行业应用解读
- javascript知识图谱,值得你珍藏
- 前端知识图谱_你值得收藏
- 前端知识图谱_你值得收藏
- 前端知识图谱,你值得收藏
- 使用物理学和领域知识的神经网络的无标签监督解读(上)
- 「推荐系统」领域近期有哪些值得读的论文?| 每周论文清单
- 技术论坛 | CCF YOCSEF上海即将在 CNCC 举办“知识图谱遇见社交媒体”专题论坛
- PaperWeekly社区 | 知识图谱 vs. 对话系统专题讨论
- 知识图谱关键技术及行业应用解读
- 前端知识图谱_你值得收藏
- 总结 | 近期Chatbot领域值得读的paper