[論文レビュー] Fact Checking in Large Knowledge Graphs - A Discriminative Predicate Path Mining Approach.

Baoxu Shi, Tim Weninger|arXiv (Cornell University)|Oct 20, 2015

Complex Network Analysis Techniques参考文献 33被引用数 9

ひとこと要約

本論文は、知識グラフ内のステートメントをリンク予測タスクとしてモデル化することで、大規模知識グラフにおける事実検証を自動化するための判別的述語パスマイニング手法を提案する。本手法は、事実的主張を検証するためにグラフ内から最も判別力のあるパスを同定し、ベースラインを上回る優れた正確性を達成するとともに、構造化された知識に基づいた解釈可能で根拠のある推論を提供する。

ABSTRACT

Traditional fact checking by experts and analysts cannot keep pace with the volume of newly created information. It is important and necessary, therefore, to enhance our ability to computationally determine whether some statement of fact is true or false. We view this problem as a link-prediction task in a knowledge graph, and show that a new model of the top discriminative predicate paths is able to understand the meaning of some statement and accurately determine its veracity. We evaluate our approach by examining thousands of claims related to history, geography, biology, and politics using a public, million node knowledge graph extracted from Wikipedia and PubMedDB. Not only does our approach significantly outperform related models, we also find that the discriminative predicate path model is easily interpretable and provides sensible reasons for the final determination.

研究の動機と目的

• 急速に拡大する事実的主張を大規模に検証するという増大する課題に対処すること。
• 熟練者主導の手法を超えて、構造化された知識グラフを活用することで計算的事実検証を強化すること。
• 真偽を予測するだけでなく、解釈可能で根拠に基づいた推論を提供するモデルを開発すること。
• 大規模かつ公開可能な知識グラフを用いて、多様な事実的分野における手法の評価を行うこと。

提案手法

• 本手法は、エンティティと関係（述語）から構成される知識グラフ内において、事実検証をリンク予測タスクとして定式化する。
• 真と偽の主張を最も効果的に区別できる述語パス（関係の系列）を同定する。
• 判別的スコア関数を用いて、正しい主張と誤った主張を区別する能力に基づいてパスをランク付けする。
• 複数の高スコアパスからの証拠を集約して、与えられた主張の最終的な真偽予測を生成する。
• WikipediaとPubMedDBから抽出された100万個以上のノードを有する知識グラフを用いて、手法の学習と評価を行う。
• 解釈可能性は、モデルの予測に対する根拠として上位ランクの述語パスを可視化することで達成される。

実験結果

リサーチクエスチョン

• RQ1 知識グラフ内における判別的述語パスは、事実的主張の意味を効果的に表現・検証できるか？
• RQ2 本手法のパスベースのアプローチは、既存の事実検証モデルと比較して、正確性と解釈可能性の面でどのように優れているか？
• RQ3 本モデルは、歴史、地理、生物学、政治など多様な事実的分野にどの程度一般化可能か？
• RQ4 本モデルは、意味的で人間が読みやすい根拠を、真偽予測の根拠として提供できるか？

主な発見

• 提案手法は、歴史、地理、生物学、政治など多様な分野の主張について、既存のモデルを著しく上回る事実検証の正確性を達成した。
• モデルは、特定の述語パスを可視化することで、予測に対する論理的根拠を提供する高解釈性を実現した。
• 判別的パスマイニングアプローチは、事実検証に必要な意味的関係を効果的に捉えている。
• 本手法は、生物学や政治分野の複雑な主張に対しても、良好な一般化性能を示した。
• WikipediaとPubMedDBから抽出された大規模で公開可能な知識グラフの活用により、堅牢な評価と実世界への適用可能性が可能になった。
• モデルの解釈可能性により、ユーザーは各判断の背後にある推論を追跡でき、信頼性と透明性が向上した。