[论文解读] Duplication Detection in Knowledge Graphs: Literature and Tools
本文对知识图谱（KGs）中的去重检测（DD）工具进行了全面的文献综述与性能评估，识别出Duke是检测重复实体最有效的工具。研究提出了一套标准化的13步DD工作流程，对现有工具提出了改进建议，并强调了在处理冲突属性值和动态数据方面仍需加强支持。
In recent years, an increasing amount of knowledge graphs (KGs) have been created as a means to store cross-domain knowledge and billion of facts, which are the basis of costumers' applications like search engines. However, KGs inevitably have inconsistencies such as duplicates that might generate conflicting property values. Duplication detection (DD) aims to identify duplicated entities and resolve their conflicting property values effectively and efficiently. In this paper, we perform a literature review on DD methods and tools, and an evaluation of them. Our main contributions are a performance evaluation of DD tools in KGs, improvement suggestions, and a DD workflow to support future development of DD tools, which are based on desirable features detected through this study.
研究动机与目标
- 识别并评估现有知识图谱（KGs）中的去重检测（DD）工具，以解决重复实体导致的一致性问题。
- 分析由于数据异质性、拼写错误以及知识图谱中冲突属性值导致的去重检测挑战。
- 提出一种标准化、可扩展的DD工作流程，以指导未来工具开发并提升实体消歧的一致性。
- 基于功能与性能评估，为现有DD工具提供改进建议。
- 弥补当前工具在处理动态数据及随时间变化的实体表示方面存在的不足。
提出的方法
- 开展系统性文献综述，以识别知识图谱中前沿的DD工具与方法。
- 定义基准数据集，并创建黄金标准以标注重复与非重复实体对，从而支持评估。
- 基于功能、性能、可配置性，以及对相似度度量和融合策略的支持，对工具进行评估。
- 实现一个涵盖预处理、特征选择、归一化、比较、配置与融合的13步DD工作流程。
- 使用相似度度量（例如，字符串相似度）和比较方法（例如，阻塞、排序邻域）来评估实体匹配。
- 应用遗传算法与基于GUI的验证，以优化配置并验证Duke和Sieve等工具的结果。
实验结果
研究问题
- RQ1在知识图谱中，哪些去重检测工具在识别重复实体方面最为有效和高效？
- RQ2当检测到重复实体时，现有工具如何处理冲突的属性值？
- RQ3当前DD工具在可用性、可配置性以及对复杂相似度度量支持方面存在哪些关键局限？
- RQ4标准化、可重用的工作流程如何改善未来DD工具的开发与评估？
- RQ5为支持动态数据及随时间变化的实体表示，需要在哪些方面进行改进？
主要发现
- Duke被确定为最有效的去重检测工具，尽管其最后一次更新是在2017年，且仅支持任务1（识别重复），不支持冲突解决。
- FAGI和Sieve被发现支持冲突属性值的融合，解决了DD问题的第二项任务。
- 在评估的工具中，识别出超过15种预处理函数、20多种比较器，以及多种融合策略，表明实现丰富但不一致。
- 字符串相似度度量使用最广泛，但处理复杂去重案例仍需更复杂的度量方法。
- 尽管文档较为充分，但大多数工具在配置和GUI交互方面仍存在可用性问题。
- 研究揭示了在处理动态数据和实体属性随时间变化方面仍需更强的支持，尤其在众包知识图谱中更为明显。
更好的研究，从现在开始
从阅读论文到最终审阅，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。