Order matters: Matching multiple knowledge graphs

PDF
3460210.3493556.pdf - Veröffentlichte Version
Download (1MB)

DOI:	https://doi.org/10.1145/3460210.3493556
URL:	https://madoc.bib.uni-mannheim.de/61042
Weitere URL:	https://dl.acm.org/doi/10.1145/3460210.3493556
URN:	urn:nbn:de:bsz:180-madoc-610423
Dokumenttyp:	Konferenzveröffentlichung
Erscheinungsjahr:	2021
Buchtitel:	K-CAP '21: Proceedings of the 11th on Knowledge Capture Conference
Seitenbereich:	113-120
Veranstaltungstitel:	K-CAP '21
Veranstaltungsort:	Online
Veranstaltungsdatum:	02.-03.12.2021
Herausgeber:	Gentile, Anna Lisa
Ort der Veröffentlichung:	New York, NY
Verlag:	Association for Computing Machinery
ISBN:	978-1-4503-8457-5
Verwandte URLs:	https://www.researchgate.net/publication... https://arxiv.org/abs/2111.02239
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Data Science (Paulheim 2018-)
Bereits vorhandene Lizenz:	Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet:	004 Informatik
Abstract:	Knowledge graphs (KGs) provide information in machine interpretable form. In cases where multiple KGs are used in the same system, that information needs to be integrated. This is usually done by automated matching systems. Most of those systems consider only 1:1 (binary) matching tasks. Thus, matching a larger number of knowledge graphs with such systems would lead to quadratic efforts. In this paper, we empirically analyze different approaches to reduce the task of multi-source matching to a linear number of executions of binary matching systems. We show that the matching order of KGs and the multi-source strategy actually matter and that near-optimal results can be achieved with linear efforts.