Knowledge Graph Error Detection with Contrastive Confidence Adaption

要約

ナレッジ グラフ (KG) にはさまざまなエラーが含まれることがよくあります。
KG 内のエラーを検出するこれまでの研究は、主にグラフ構造からのトリプレット埋め込みに依存しています。
私たちは実証研究を行った結果、これらの作品は意味的に類似した正しい 3 つ組からノイズを区別するのに苦労していることがわかりました。
この論文では、セマンティクスをより適切に区別するために、トリプレット再構成からのテキストとグラフの両方の構造情報を統合するための KG エラー検出モデル CCA を提案します。
私たちは、テキストパターンと構造パターンの違いを捉えるためのインタラクティブな対比学習を設計します。
さらに、意味的に類似したノイズと敵対的ノイズを含む現実的なデータセットを構築します。
実験結果は、特に意味的に類似したノイズと敵対的ノイズの検出において、CCA が最先端のベースラインを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Knowledge graphs (KGs) often contain various errors. Previous works on detecting errors in KGs mainly rely on triplet embedding from graph structure. We conduct an empirical study and find that these works struggle to discriminate noise from semantically-similar correct triplets. In this paper, we propose a KG error detection model CCA to integrate both textual and graph structural information from triplet reconstruction for better distinguishing semantics. We design interactive contrastive learning to capture the differences between textual and structural patterns. Furthermore, we construct realistic datasets with semantically-similar noise and adversarial noise. Experimental results demonstrate that CCA outperforms state-of-the-art baselines, especially in detecting semantically-similar noise and adversarial noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google