Predicting instance type assertions in knowledge graphs using stochastic neural networks


Weller, Tobias ; Acosta, Maribel


[img] PDF
weller2021ridle.pdf - Veröffentlichte Version

Download (6MB)

DOI: https://doi.org/10.1145/3459637.3482377
URL: https://madoc.bib.uni-mannheim.de/60877
Weitere URL: https://dl.acm.org/doi/abs/10.1145/3459637.3482377
URN: urn:nbn:de:bsz:180-madoc-608771
Dokumenttyp: Konferenzveröffentlichung
Erscheinungsjahr: 2021
Buchtitel: CIKM '21 : proceedings of the 30th ACM International Conference on Information & Knowledge Management
Seitenbereich: 2111-2118
Veranstaltungstitel: CIKM '21
Veranstaltungsort: Online
Veranstaltungsdatum: 01.-05.11.2021
Herausgeber: Demartini, Gianluca ; Zuccon, Guido ; Culpepper, J. Shane ; Huang, Zi ; Tong, Hanghang
Ort der Veröffentlichung: New York, NY
Verlag: Association for Computing Machinery
ISBN: 978-1-4503-8446-9
Sprache der Veröffentlichung: Englisch
Einrichtung: Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Data Science (Paulheim 2018-)
Bereits vorhandene Lizenz: Creative Commons Namensnennung, Weitergabe unter gleichen Bedingungen 4.0 International (CC BY-SA 4.0)
Fachgebiet: 004 Informatik
Freie Schlagwörter (Englisch): entity type prediction , entity classification , knowledge graphs , stochastic networks
Abstract: Instance type information is particularly relevant to perform reasoning and obtain further information about entities in knowledge graphs (KGs). However, during automated or pay-as-you-go KG construction processes, instance types might be incomplete or missing in some entities. Previous work focused mostly on representing entities and relations as embeddings based on the statements in the KG. While the computed embeddings encode semantic descriptions and preserve the relationship between the entities, the focus of these methods is often not on predicting schema knowledge, but on predicting missing statements between instances for completing the KG. To fill this gap, we propose an approach that first learns a KG representation suitable for predicting instance type assertions. Then, our solution implements a neural network architecture to predict instance types based on the learned representation. Results show that our representations of entities are much more separable with respect to their associations with classes in the KG, compared to existing methods. For this reason, the performance of predicting instance types on a large number of KGs, in particular on cross-domain KGs with a high variety of classes, is significantly better in terms of F1-score than previous work.
Zusätzliche Informationen: Online-Ressource




Dieser Eintrag ist Teil der Universitätsbibliographie.

Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt.




Metadaten-Export


Zitation


+ Suche Autoren in

+ Download-Statistik

Downloads im letzten Jahr

Detaillierte Angaben



Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail


Actions (login required)

Eintrag anzeigen Eintrag anzeigen