[论文解读] KGClean: An Embedding Powered Knowledge Graph Cleaning Framework

Congcong Ge, Yunjun Gao+4 more|arXiv (Cornell University)|Apr 26, 2020

Privacy-Preserving Technologies in Data参考文献 60被引用 7

一句话总结

KGClean 是一种知识图谱清洗框架，通过使用 TransGAT 的知识图谱嵌入技术，检测并修复知识图谱中的缺失值和错误值。通过结合主动学习进行错误检测与基于传播能力的修复策略，KGClean 在多种数据集上均表现出稳健性能，尤其在处理复杂且异构的脏数据时优于基线方法。

ABSTRACT

The quality assurance of the knowledge graph is a prerequisite for various knowledge-driven applications. We propose KGClean, a novel cleaning framework powered by knowledge graph embedding, to detect and repair the heterogeneous dirty data. In contrast to previous approaches that either focus on filling missing data or clean errors violated limited rules, KGClean enables (i) cleaning both missing data and other erroneous values, and (ii) mining potential rules automatically, which expands the coverage of error detecting. KGClean first learns data representations by TransGAT, an effective knowledge graph embedding model, which gathers the neighborhood information of each data and incorporates the interactions among data for casting data to continuous vector spaces with rich semantics. KGClean integrates an active learning-based classification model, which identifies errors with a small seed of labels. KGClean utilizes an efficient PRO-repair strategy to repair errors using a novel concept of propagation power. Extensive experiments on four typical knowledge graphs demonstrate the effectiveness of KGClean in practice.

研究动机与目标

• 解决现有知识图谱清洗方法仅关注缺失数据或依赖人工定义规则的局限性。
• 实现对异构脏数据（包括缺失值与错误值）的端到端清洗，而无需进行详尽的规则工程。
• 开发一种可扩展的自动化框架，利用知识图谱嵌入技术检测错误，并基于语义传播引导修复。
• 通过图注意力机制学习丰富的多跳邻域表示，提升清洗的可靠性与泛化能力。

提出的方法

• KGClean 采用 TransGAT，一种能够捕捉多跳邻域信息并利用图注意力机制建模实体与关系之间交互的知识图谱嵌入模型。
• 使用基于主动学习的分类模型（AL-detect）在仅需少量人工标注种子数据的情况下识别噪声三元组。
• 框架提出了一种新概念——'传播能力'，用于根据语义相似性和嵌入距离对错误三元组的候选修复进行排序。
• 通过 PRO-repair 策略执行错误修复，从可能的修复候选中选择语义最合理的选项。
• 利用 TransGAT 的得分函数计算每个候选修复的可靠性，确保仅应用高置信度的修正。
• 整个流程在统一且可扩展的框架中集成嵌入学习、主动错误检测与基于传播的修复。

实验结果

研究问题

• RQ1 知识图谱嵌入是否能够在不依赖预定义质量规则的情况下，有效检测知识图谱中的缺失值与错误值？
• RQ2 基于传播能力的策略如何提升知识图谱中错误值修复的准确性？
• RQ3 主动学习在多大程度上减少了知识图谱清洗中对大规模人工标注标签的需求？
• RQ4 嵌入模型的选择（如 TransGAT 与 KBGAT）对清洗流程整体性能有何影响？
• RQ5 KGClean 框架在知识图谱结构中误差率与稀疏性变化的情况下具有多强的鲁棒性？

主要发现

• KGClean 在四个真实世界知识图谱上显著优于基线方法，在检测与修复缺失值和错误值方面表现更优。
• 基于 TransGAT 的 KGClean 在 F1 分数上优于基于 KBGAT 的版本，主要得益于更准确的得分函数与更优的语义信息保留能力。
• PRO-repair 策略表现出高可靠性，即使在假阴性率从 20% 上升至 100% 时，FN-precision 仍保持稳定，表明对误分类的清洁三元组具有强鲁棒性。
• KGClean 对误差率变化（10% 至 50%）不敏感，性能主要由嵌入模型的泛化能力决定，而非测试集的误差分布。
• 由于邻居信息不可靠及入度较低的节点较多，KGClean 在稀疏的 WN18RR 数据集上表现较弱，这影响了嵌入质量与传播能力估计。
• 尽管如此，KGClean 在 UMLS、Kinship 和 WN18 上仍保持强劲性能，证明其在不同知识图谱结构与稀疏度水平下的适应能力。