论文浅尝 | Hike: A Hybrid Human-Machine Method for Entity Alignment

Zhuang Y,Li G, Zhong Z, et al. Hike: A Hybrid Human-Machine Method for Entity Alignmentin Large-Scale Knowledge Bases[C]// ACM, 2017:1917-1926. ( CIKM 2017 )

 

论文链接：http://dbgroup.cs.tsinghua.edu.cn/ligl/crowdalign.pdf

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)。因此，可考虑借助于众包平台提升对齐效果，文章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。

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(MatchedPairs)和未对齐实体对(UnmatchedPairs)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(EntityPartition)、建立偏序(PartialOrder Construction)、问题选择(QuestionSelection)、容错处理(ErrorTolerance)。

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：

建立偏序的目的在于找出最具有推理期望(InferenceExpectation)的实体对，偏序集实例如下：

其中，如果P₁₁被判断为Unmatch，则所有偏序小于P₁₁的节点都可以推断为unmatch。反之，如果P₄₅被推断为Match,则所有偏序大于P₄₅的节点都可以推断为Match。

转自：开放知识图谱

完整内容请点击“阅读原文”