[论文解读] Construction of Knowledge Graphs: State and Challenges
本综述分析知识图谱构建管道，概述图模型、增量数据处理和质量保障，并评估23种针对知识图谱的方法相对于已定义的要求，以识别尚待解决的挑战。
With knowledge graphs (KGs) at the center of numerous applications such as recommender systems and question answering, the need for generalized pipelines to construct and continuously update such KGs is increasing. While the individual steps that are necessary to create KGs from unstructured (e.g. text) and structured data sources (e.g. databases) are mostly well-researched for their one-shot execution, their adoption for incremental KG updates and the interplay of the individual steps have hardly been investigated in a systematic manner so far. In this work, we first discuss the main graph models for KGs and introduce the major requirement for future KG construction pipelines. Next, we provide an overview of the necessary steps to build high-quality KGs, including cross-cutting topics such as metadata management, ontology development, and quality assurance. We then evaluate the state of the art of KG construction w.r.t the introduced requirements for specific popular KGs as well as some recent tools and strategies for KG construction. Finally, we identify areas in need of further research and improvement.
研究动机与目标
- 定义并比较主要的KG图数据模型（RDF与属性图），并阐明增量KG构建的要求。
- 描述端到端的KG构建任务以及跨领域关注点，如元数据、本体管理与QA。
- 对照所述要求评估现有KG构建方法与工具集。
- 强调尚待解决的研究挑战和差距，以引导未来的KG构建研究与工具开发。
提出的方法
- 对KG构建与增量维护的文献进行总结与综合。
- 对KG构建任务进行分类并分析各任务的解决方案。
- 将23种与KG相关的构建方法与通用工具集在明确的要求下进行比较。
- 讨论超越前期综述的开放挑战与局限性，以指导未来工作。
实验结果
研究问题
- RQ1用于KG的主要图数据模型有哪些？它们在增量构建中的适用性如何？
- RQ2构建和维护高质量、可增量更新的KG的基本要求是什么？
- RQ3现有KG构建方法与工具在这些要求方面的表现如何？
- RQ4KG构建与维护领域存在哪些关键开放挑战和研究空缺？
主要发现
- KG通常通过从异构来源的数据集成来构建，需要增量更新和可追溯性元数据。
- RDF与属性图各有优劣；模型之间的互操作性是有利的。
- 四大KG构建要求是输入数据处理、增量处理能力、管线工具化以及质量保证。
- 多种数据格式、来源和领域需要可适应的半自动化管道来进行KG的构建与演化。
- 本研究评估多种KG构建方法与工具，以识别当前对增量更新、数据质量和本体管理支持的不足之处。
- 开放挑战包括提升端到端自动化、可追溯性和在异质数据源与格式之间的无缝集成。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。