Utility-driven knowledge graph summarization with structural-semantic fidelity

Yi Wang

doi:10.1007/s10618-026-01256-1

Utility-driven knowledge graph summarization with structural-semantic fidelity

2026-08-29

0

PRE

AI

DOI：10.1007/s10618-026-01256-1

原文链接

原文求助

摘要

En 中文

知识图谱（KG）摘要是指通过生成紧凑表示来提高KG理解、支持高效搜索和促进下游应用的过程。现有摘要技术已取得显著进展，能够保留语义或结构信息中的任意一种。然而，它们无法在损失性设置中直接控制这两个维度之间的权衡。现有的损失性摘要方法在生成摘要后评估信息损失（事后评估），但缺乏在摘要过程中主动控制损失的机制。本研究引入了一个双效用指标，用于评估结构保留和语义连贯性。开发了三种算法：LIDUS、LDUS和aLDUS。第一种算法在保留结构和语义完整性的同时进行无损摘要。第二种是一种效用引导的损失性摘要方法，通过迭代合并排序后的实体对，在每次迭代中使效用损失最小化。第三种是一种优化算法，通过增量计算语义损失来降低时间复杂度，同时保证效用损失有界。在五个真实世界和合成的KG上进行了实验，以证明从aLDUS摘要重建的KG中top-10% PageRank查询的准确性。在五个数据集中，效用阈值0.8产生平均值为0.89。与竞争方法相比，ALDUS摘要的连贯性比率平均在0.93–1.21范围内。我们的模型在三个数据集上实现了最短的摘要运行时间，在另外两个数据集上与最快的方法相当。简单和复杂查询表明，LDUS/aLDUS在降低平均查询时间97%的同时，实现了平均F1得分为0.88。

Keyword:

KG summarization

Structural preservation

Lossy summarization

Utility driven summarization

Utility-driven knowledge graph summarization with structural-semantic fidelity

摘要

期刊

机构