【WWW2020】什么是正常的，什么是奇怪的，知识图谱中缺少什么：通过归纳总结的统一表征

知识图谱(KGs)在图的结构中存储了关于世界的高度异构的信息，对于回答问题和推理等任务非常有用。然而，它们经常包含错误和丢失信息。KG精化的活跃研究已经解决了这些问题，裁剪技术可以检测特定类型的错误，也可以完成KG。

这个工作，我们引入了一个统一的解决方案来描述KG的特性，通过用一组归纳的软规则将问题化为无监督的KG总结，这些规则描述了KG中的正常值，从而可以用来识别异常值，不管是奇怪的还是缺失的。与一阶逻辑规则不同，我们的规则被标记为有根图，即根据节点的类型和KG中的信息，描述一个(可见或不可见的)节点周围的预期邻域的模式。在传统的基于支持/信任的规则挖掘技术的基础上，我们提出了KGist，即知识图谱归纳摘要，它学习归纳规则的摘要，根据最小描述长度原则对KG进行最佳压缩——这是我们在KG规则挖掘上下文中首次使用的公式。我们将规则应用于三个大型KGs (NELL、DBpedia和Yago)，以及诸如压缩、各种类型的错误检测和不完整信息标识等任务。我们证明了KGist在错误检测和不完全性识别(识别93%缺失实体的位置—比基线多10%)方面优于特定于任务的、有监督的和无监督的基线，同时对于大型知识图谱也是有效的。