[논문 리뷰] Truth Discovery to Resolve Object Conflicts in Linked Data

Wenqiang Liu|arXiv (Cornell University)|2015. 09. 01.

Semantic Web and Ontologies참고 문헌 33인용 수 3

한 줄 요약

이 논문은 대부분의 소스가 적은 수의 충돌 객체를 제공하지만 소수의 소스가 많은 양의 충돌 객체를 제공하는 스케일프리 연결 데이터에서 객체 충돌을 해결하기 위한 새로운 진리 탐색 방법인 TruthDiscover를 제안한다. 이 방법은 소스 신뢰도의 사전 추정치를 산정하기 위해 소스 신념 그래프의 위상적 성질을 활용하며, 객체 간 상호의존성을 모델링하기 위해 은닉 마르코프 무작위 필드(HMRF)를 사용하여 비대칭 데이터 분포에서 신뢰도 추정을 향상시킨다. 이 방법은 여섯 개인 실세계 데이터셋에서 기존 방법들보다 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

In the community of Linked Data, anyone can publish their data as Linked Data on the web because of the openness of the Semantic Web. As such, RDF (Resource Description Framework) triples described the same real-world entity can be obtained from multiple sources; it inevitably results in conflicting objects for a certain predicate of a real-world entity. The objective of this study is to identify one truth from multiple conflicting objects for a certain predicate of a real-world entity. An intuitive principle based on common sense is that an object from a reliable source is trustworthy; thus, a source that provide trustworthy object is reliable. Many truth discovery methods based on this principle have been proposed to estimate source reliability and identify the truth. However, the effectiveness of existing truth discovery methods is significantly affected by the number of objects provided by each source. Therefore, these methods cannot be trivially extended to resolve conflicts in Linked Data with a scale-free property, i.e., most of the sources provide few conflicting objects, whereas only a few sources have many conflicting objects. To address this challenge, we propose a novel approach called TruthDiscover to identify the truth in Linked Data with a scale-free property. Two strategies are adopted in TruthDiscover to reduce the effect of the scale-free property on truth discovery. First, this approach leverages the topological properties of the Source Belief Graph to estimate the priori beliefs of sources, which are utilized to smooth the trustworthiness of sources. Second, this approach utilizes the Hidden Markov Random Field to model the interdependencies between objects to estimate the trust values of objects accurately. Experiments are conducted in the six datasets to evaluate TruthDiscover.

연구 동기 및 목표

• 소스 간 충돌 객체의 스케일프리 분포를 가진 연결 데이터에서 진리 탐색의 과제를 해결하기 위해.
• 진리 탐색에서 비대칭적인 소스 기여 패턴이 신뢰도 추정에 악영향을 미치는 것을 줄이기 위해.
• 충돌하는 객체 간 상호의존성을 모델링하여 진리 식별의 정확도를 향상시키기 위해.
• 실세계 연결 데이터에서 흔한 소스 기여의 불균형에 강건한 방법을 개발하기 위해.
• 실세계 데이터 그래프의 구조적 특성에 적응할 수 있는 신뢰할 수 있는 진리 탐색 프레임워크를 제공하기 위해.

제안 방법

• 소스-객체 관계를 표현하기 위해 소스 신념 그래프를 구축하고, 그 위상적 성질을 활용해 소스의 사전 신뢰도를 유도한다.
• 그래프의 구조에 기반한 사전 신뢰도 스무딩 메커니즘을 적용하여 초기 신뢰도 추정치를 향상시킨다.
• 은닉 마르코프 무작위 필드(HMRF)를 사용해 충돌하는 객체 간 상호의존성을 모델링한다.
• HMRF는 객체 간 조건부 의존성을 포착하여 개별 소스의 신뢰도를 초월해 신뢰도 점수를 정밀화한다.
• 공동 추론 과정을 통해 반복적으로 소스 신뢰도와 객체 신뢰도 값을 갱신한다.
• HMRF 모델에 기반한 확률적 추론을 통해 소스 신뢰도와 객체 진리성 값을 동시에 추정한다.

실험 결과

연구 질문

• RQ1 어떻게 연결 데이터에서 충돌 객체의 스케일프리 분포에 강건한 진리 탐색 기법을 개발할 수 있는가?
• RQ2 소스-객체 그래프의 위상적 특성이 소스의 사전 신뢰도 추정에 얼마나 기여하는가?
• RQ3 충돌하는 객체 간 상호의존성을 모델링하면 진리 탐색 정확도가 향상되는가?
• RQ4 TruthDiscover는 실세계 데이터셋에서 기존 진리 탐색 방법들과 비교해 어떻게 성능을 발휘하는가?
• RQ5 비대칭적인 소스 기여 패턴은 전통적인 진리 탐색 접근법에 어떤 영향을 미치는가?

주요 결과

• TruthDiscover는 기준 방법들에 비해 여섯 개의 실세계 데이터셋에서 진리 탐색 정확도를 뚜렷이 향상시켰다.
• 소스 신념 그래프에서 위상적 사전 정보를 사용함으로써 희박한 기여자로부터 발생하는 편향을 줄이고, 신뢰도 추정을 향상시켰다.
• HMRF 기반의 객체 간 상호의존성 모델링은 충돌 값 간에 더 정확한 신뢰도 점수 전파를 이끌어냈다.
• 소수의 소스가 충돌 데이터를 지배하는 경우에도 이 방법은 강건한 성능을 보였다.
• 실험 결과, TruthDiscover는 특히 소스 기여 불균형이 심한 상황에서 기존 진리 탐색 기법들을 능가하는 것으로 나타났다.
• 이 방법은 스케일프리 데이터 분포가 진리 탐색에 악영향을 미치는 것을 효과적으로 완화했다.