CESI: Canonicalizing Open Knowledge Bases using Embeddings and Side Information

Tags: Knowledge Base Canonicalization

Authors: Partha Talukdar, Prince Jain, Shikhar Vashishth

Created Date: December 11, 2023 4:13 PM

Status: Reading

organization: Indian Institute of Science Bangalore, Microsoft Bangalore

publisher: WWW

year: 2018

code: https://github.com/malllabiisc/cesi

paper: http://malllabiisc.github.io/publications/papers/cesi_www18.pdf

介绍

本文的任务是开放性知识图谱标准化，旨在将开放信息抽取中的实体和关系进行标准化，将相同意义但不同描述的实体和关系归为一类。

本文指出，过去的方法需要手动定义特征，并以此进行聚类。这些方法往往非常昂贵且通常只能得到次优结果。因此作者提出了一个新的框架，通过训练嵌入的方式来进行特征提取。

整体框架

本文的整体框架主要分为三个部分

1. 侧面信息获取
2. 实体关系嵌入
3. 聚类以及标准化

侧面信息获取

开放知识库中的实体和关系通常都存在一些相关的侧面信息，比如一些有用的额外信息。作者使用这些信息来协助特征获取。

实体侧面信息

1. 实体链接（Entity Linking）：给定无结构文本，实体链接会把实体映射成知识库中的概念，如果两个实体被映射到同一个概念，就可以假设这两个实体是等价的。
2. PPDB 信息（PPDB Information）：PPDB全称Paraphrase Database，作者首先将高置信度的词组抽取出来，然后进行聚类。若两个实体被归为一类，就可以假设这两个实体是等价的。
3. 基于WordNet的词义消岐（WordNet with Word-sense Disambiguation）：如果两个实体词义相近，那么可以被标记为相似。
4. 逆文档频率重叠（IDF Token Overlap）：同时存在不常见单词的实体可以被认为相似。
5. 形态标准化（Morph Normalization）：将变体单词变为统一形式，如"walked"和"walking"变成"walk"。

关系侧面信息

使用PPDB和WordNet信息，以及以下额外信息：

1. AMIE信息（AMIE Information）：AMIE全称Association Rule Mining under Incomplete Evidence，如果两个关系 r 和 r’ ，可以推出 ⇒ ′ 以及 ′ ⇒ 且置信度超过阈值，就可以说明两个关系等价。
2. KBP信息（KBP Information）：KBP全称Knowledge Base Population，可以将关系映射到知识库中，若两个关系被映射到同一个概念，就可以说明等价。

实体关系嵌入

是三元组得分，ηi 是正样本，ηj 是负样本；ev 和ev' 是等价信息，因此尝试拉近距离，r 同理；最后是正则化损失函数。

评价指标

C表示预测出来的簇，E表示完全正确的簇。样例如下：

Macro

大致意思是，如果一个簇中指包含一个概念，则视为正确的簇，可以不全，但不能有其他概念，如例子中的c2 和c3 为正确的簇，其中c2 虽然少了一个New York City，但没有其他概念。相比之下c1 因为包含了两个概念，所以不算正确的簇。

Micro

大致意思为，统计每个预测簇中包含的最多概念的个数并求和。比如，c1 中包含两个概念e1 和e2 ，但e1 数量多，因此只统计e1 的个数，即2个。

Pairwise

大致意思是，穷举每个簇中的所有概念对组合（不看顺序，顺序颠倒不算额外概念对），统计其中属于同一个概念的数量。

P的分母是按照C的结果计算总体概念对的数量（C2c ），R的结果是按照标准答案计算总体概念对数量（C2e ）；P和R的分子是相同的。

对于c1 ，有3个元素，可以组成C23=3 个组合{(America, USA), (America, New York City), (USA, New York City)}，但只有(America, USA)属于同一个概念，因此计数1；同样，对于c2 ，也有三种组合，且三种组合都属于同一个概念，因此计数3；对于c3 ，由于簇中只有一个元素，因此没有组合。

那么分子就是 1+3+0=4。

数据集

主实验