【KDD2021】上下文感知的知识图谱突出事实挖掘

突出事实(OF)是使目标实体从其他实体中脱颖而出的属性。OFs的挖掘具有重要的应用价值，特别是在计算新闻领域，如新闻推广、事实核查和新闻报道寻找等。然而，现有的挖掘方法: (i) 忽略目标实体出现的上下文，因此可能报告与该上下文无关的事实; (ii) 需要关系数据，在许多应用程序域中，关系数据通常不可用或不完整。在本文中，我们引入了一个新的问题，即在上下文实体指定的给定上下文下挖掘目标实体的上下文感知突出事实(COFs)。我们提出了FMiner，一个上下文感知的挖掘框架，利用知识图谱(KGs)进行COF挖掘。FMiner通过两个步骤生成COF。首先，它发现目标和KG中的上下文实体之间的top-k相关关系。我们提出了新的优化和剪枝技术，以加快这一操作，因为这一过程是非常昂贵的大型KGs由于其指数复杂性。其次，对于每个派生关系，我们发现目标实体的属性，这些属性将目标实体与与上下文实体具有相同关系的对等实体区分开来，从而产生top-(k,l)。因此，挖掘过程被建模为一个top-(k,l)搜索问题。上下文感知是通过依赖与上下文实体的相关关系来派生对等实体进行COF提取来确保的。因此，FMiner可以通过合并上下文实体有效地导航搜索以获得上下文感知的OFs。我们进行了大量的实验，包括用户研究，以验证FMiner的效率和有效性。

https://dl.acm.org/doi/abs/10.1145/3447548.3467272