事实知识图谱中的打字错误：严重程度和可能的解决方法

WWWFeb, 2021

事实知识图谱中的打字错误：严重程度和可能的解决方法

Typing Errors in Factual Knowledge Graphs: Severity and Possible Ways Out

Peiran Yao, Denilson Barbosa

TL;DR本研究就事实知识图谱中的打字错误提出了一种主动型打字错误检测算法，并比较和讨论了无监督、半监督和有监督学习解决打字错误的不同方式，最终提供了指导研究者使用含有噪声的知识图谱的指南。

Abstract

factual knowledge graphs (KGs) such as DBpedia and Wikidata have served as part of various downstream tasks and are also widely adopted by artificial intelligence research communities as benchmark datasets. However, we found these KGs to be surprisingly noisy. In this study, we questio

factual knowledge graphs typing errors unsupervised learning semi-supervised learning supervised learning

发现论文，激发创造

知识图谱中基于上下文的实体类型识别

本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

Sep, 2021

对话摘要中注释和检测细粒度事实错误

本文介绍了第一个 fine-grained 正误注释数据集 DIASUMFACT，以及通过候选排名使用预训练编码器 - 解码器模型提出的无监督模型 ENDERANKER，该模型表现出与 SOTA 模型相当的性能，并且需要更少的资源。这些发现证实了从对话摘要中检测事实错误的挑战，这为进一步研究提供了坚实的基础。

May, 2023

基于多源嘈杂数据的可信知识图谱补全

本研究提出了一种基于多个噪声数据源和 KG 中现有事实的知识图谱，采用图神经网络建议了一种整体评分函数，结合价值对齐网络解决了价值间的异质性并将其映射到实体，进而设计了一个真实推理模型，并采用半监督学习法从异构价值中推导出真实性。

Jan, 2022

引入标签关系归纳偏置来进行极细粒度实体类型推断

本文提出了一种新的标签关系归纳偏好，利用图传播层有效编码全局标签共现统计和单词级别相似性，结合基于注意力的匹配模块，可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数，并且在输出的稳定性方面也更少不一致性。

Mar, 2019

KCAT: 一种知识约束类型注释工具

该研究介绍了一种名为 KCAT 的工具，可以通过实体链接将候选类型的大小减少到可以接受的范围，并提供了一种多步骤类型方案来修正实体链接结果，从而显著提高注释效率和分析群众众包注释的综合管理模块，适用于细粒度实体类型注释的任务。

Jun, 2019

利用多任务问答在语言模型中灌输类型知识

该研究论文介绍了一种利用基于类型的问题通过文本预训练在语言模型中灌输细粒度类型知识的方法，并利用知识库文档和知识图谱创建 WikiWiki 数据集来评估性能。该方法在零 - shot 对话状态跟踪基准测试中取得了最先进的表现，可以准确地推断维基百科文章中的实体类型，并能够发现人工评判认为有用的新类型。

Apr, 2022

主题摘要中的细粒度事实注释及建模

研究表明，目前预训练的抽象摘要系统在性能上已经取得了可信的表现，但其输出的摘要常常与输入不符合并存在事实错误。作者探讨了综合和人工标注数据，用于训练模型来识别摘要中的事实错误，并研究了单词、依赖和句子级别的事实性。通过对多个数据集的实验观察，作者认为人工标注的细粒度数据提供了更有效的训练信号，并证明了他们的最佳事实性检测模型能够识别训练数据中的非事实标记，从而使得训练更为准确的抽象摘要模型成为可能。

Apr, 2021

知识图谱错误检测与对比置信度调整

我们提出了一种知识图谱错误检测模型 CCA，通过整合三元组重构中的文本信息和图结构信息，以更好地区分语义，设计交互式对比学习来捕捉文本和结构模式之间的差异，并通过构建包含语义相似噪声和对抗噪声的现实数据集来验证实验结果，表明 CCA 在检测语义相似噪声和对抗噪声方面优于现有基线模型。

Dec, 2023

知识图谱实体类型的语义和结构知识整合

本文提出了一种新颖的 SSET（Semantic and Structure-aware KG Entity Typing）框架，通过结合结构知识和语义知识，以及利用两种模块的推理结果生成鲁棒性较强的类型预测，显著优于现有的最先进方法。

Apr, 2024

机器生成摘要的事实错误的零射多标签分类

本研究旨在解决机器生成的文本摘要中存在的事实错误问题，并研究了这些错误对信息可靠性的潜在影响。我们引入了一种基于提示的分类系统，将错误分为四类：误述、数量或衡量不准确、虚假归属和伪造。通过定性判断，我们使用一组参与者对机器生成的摘要与原文进行了评估，并检测事实失真的发生。结果表明，我们基于提示的方法在一定程度上能够检测到摘要中的错误类型，尽管我们的分类系统还有改进空间。

Dec, 2023