[论文解读] Communicating Semantics: Reference by Description

Ramanathan V. Guha, Vineet Gupta|arXiv (Cornell University)|Nov 19, 2015

Data Quality and Management参考文献 12被引用 4

一句话总结

本文提出了一种通用的信息论模型，用于‘通过描述进行引用’——即利用共享知识和描述性属性来明确标识实体的方法。该模型推导出共享知识、描述符模糊性与描述长度之间的数学关系，并在随机图上进行实证验证，结果表明：在具备充分共享上下文和显著性的情况下，可实现简短且无歧义的描述。

ABSTRACT

Messages often refer to entities such as people, places and events. Correct identification of the intended reference is an essential part of communication. Lack of shared unique names often complicates entity reference. Shared knowledge can be used to construct uniquely identifying descriptive references for entities with ambiguous names. We introduce a mathematical model for `Reference by Description', derive results on the conditions under which, with high probability, programs can construct unambiguous references to most entities in the domain of discourse and provide empirical validation of these results.

研究动机与目标

• 开发一种通用的计算模型，用于通过描述而非唯一标识符进行实体引用，以实现系统间的互操作性。
• 解决在数据集成中唯一标识符不可用或系统间不一致时的名称歧义问题。
• 建模最小共享知识与语言如何使程序能够构建对实体的无歧义引用。
• 分析在通信中描述长度、模糊性与共享知识之间的权衡。
• 通过最小化唯一识别信息来为隐私保护的信息共享提供基础，同时实现无歧义引用。

提出的方法

• 使用信息论框架形式化‘通过描述进行引用’，将通信建模为在实体与描述符网络上传输描述的过程。
• 引入共享知识（显著性率）和共享语言（实体与描述符名称的模糊性）的度量方法，并使用对数尺度进行量化。
• 推导出三种类型下的最小描述长度理论方程：使用无歧义描述符的平面描述（公式18）、使用模糊描述符的平面描述（公式38）以及深层关系描述（公式42）。
• 通过具有局部聚类的随机图对模型进行实证验证，模拟具有受控模糊性与显著性的现实世界实体网络。
• 针对每组参数设置（变化的显著性、实体与描述符的模糊性）生成10个随机图实例，计算100个节点的最短描述，并将观测长度与理论预测进行比较。
• 使用以概率 $p$ 连接的Erdos-Renyi子图，通过簇间边建模具有部分连通性与共享描述符的真实世界关系数据。

实验结果

研究问题

• RQ1 程序在使用描述进行实体引用时，所需最少的共享知识量是多少？
• RQ2 实体名称与描述符名称的模糊性如何影响所需描述的长度？
• RQ3 在相同知识约束下，与基于属性的平面描述相比，深层关系描述是否能减少描述长度？
• RQ4 描述符的显著性（即其在上下文中的独特性）如何影响引用构建的效率？
• RQ5 该模型在多大程度上能从最少的共享语言与知识出发，实现无歧义通信？

主要发现

• 由公式（18）、（38）和（42）推导出的理论描述长度与随机图实验中的观测长度高度吻合，验证了模型的预测能力。
• 对于使用无歧义描述符的平面描述，描述长度随显著性增加而减少，且对中等程度的实体名称模糊性（例如每名称对应 log₂100 个节点）具有鲁棒性。
• 当描述符模糊性增加时（例如每名称对应 log₂1.4 个节点），描述长度随之增加，但模型能准确预测在不同显著性水平下的增长趋势。
• 利用描述符之间关系结构的深层描述，相比平面描述，可实现更短的描述长度，尤其在描述符连通性（bD）较高时更为显著。
• 模型表明，即使在高模糊性情况下（例如每名称对应100个实体），只要具备足够的显著性与共享知识，仍可构建无歧义引用。
• 实证结果表明，深层描述情况下预测曲线的不规则性源于实际图结构（如bD的变化），证实了关系结构对描述效率的影响。