[论文解读] 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 9

一句话总结

本文提出了一种判别性谓词路径挖掘方法，通过将陈述建模为链接预测任务，以自动化大规模知识图谱中的事实核查。该方法在图中识别出最具判别性的路径以验证事实性声明，相较于基线方法实现了更高的准确性，同时提供了基于结构化知识的可解释性推理。

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.

研究动机与目标

• 为应对大规模快速扩展的事实性声明验证挑战。
• 通过利用结构化知识图谱，超越依赖专家的计算事实核查方法。
• 开发一种不仅能预测真实性，还能提供可解释、基于证据推理的模型。
• 在大规模公开可用的知识图谱上，对多样化事实领域进行方法评估。

提出的方法

• 该方法将事实核查建模为知识图谱中的链接预测任务，知识图谱由实体和关系（谓词）构成。
• 识别出最具判别性的谓词路径——即能最好区分真实与虚假声明的关系序列。
• 采用判别性评分函数，根据路径区分正确与错误陈述的能力对其进行排序。
• 通过聚合多个高分路径的证据，为给定声明生成最终的真实性预测。
• 使用包含超过一百万个节点的知识图谱进行模型训练与评估，该图谱从维基百科和PubMedDB中提取。
• 通过展示排名靠前的谓词路径作为模型预测的解释依据，实现可解释性。

实验结果

研究问题

• RQ1 知识图谱中的判别性谓词路径能否有效表征并验证事实性声明的含义？
• RQ2 与现有事实核查模型相比，该基于路径的方法在准确性和可解释性方面的表现如何？
• RQ3 该模型在历史、地理、生物学和政治等多样化事实领域中的泛化能力如何？
• RQ4 该模型能否为其真实性预测提供有意义且人类可读的解释？

主要发现

• 所提出的方法在来自多个领域的多样化声明上，事实核查准确性显著优于现有模型。
• 该模型通过展示具体谓词路径作为逻辑解释，实现了高可解释性。
• 判别性路径挖掘方法有效捕捉了事实验证所需的语义关系。
• 该方法在不同事实主题上泛化良好，包括生物学和政治领域的复杂声明。
• 利用来自维基百科和PubMedDB的大规模公开知识图谱，实现了稳健的评估与实际应用。
• 该模型的可解释性使用户能够追溯每项裁决背后的推理过程，从而增强信任与透明度。