.png){kind=icon}
返回
Improving knowledge graphs via data-based causal structures
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02414-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱在众多领域中普遍存在，近年来获得了显著的发展。然而，这些图谱通常由噪声来源和不完善的方法创建，存在不准确、不一致和不完整的问题。纠正和补充这些问题的紧迫性通常通过成本高昂的基于领域专家的策略或基于学习的技术来处理，但这些方法在噪声环境中可能不可靠。现实世界数据以其内在的客观性和隐含知识，可以作为外部知识来源。如今大数据的易得性为改进知识图谱提供了机遇。然而，从这类数据中提取潜在信息的挑战常常阻碍了当前研究中数值数据的纳入。本文介绍了一种开创性的方法，利用外部数值数据来提升知识图谱质量。所提出的方法首先从数据中挖掘统计关系，如相关性和因果关系。随后通过彻底分析因果模式和评估关系强度，识别并消除冗余知识。大量实验的实证结果验证了本方法的有效性。所提出的方法优于现有的基于学习的方法，在知识修正方面展现出更高的准确性和稳定性。
Keyword:
Knowledge graph
Error detection
Data-driven method
Causality
期刊
IF:
3.1
论文数:
579
被引数:
5.2K
机构
引用论文
分享收藏Quality Evaluation of Triples in Knowledge Graph by Incorporating Internal With External Consistency
PREAI
分享收藏n-3 fatty acids in the treatment of diabetic patients - Biological rationale and clinical data.png)
DIABETES CARE
OAAI
DIABETES CAREIF16.6
OAAI分享收藏
查看更多内容