[论文解读] REX: Explaining Relationships between Entity Pairs

Lujun Fang, Anish Das Sarma+2 more|arXiv (Cornell University)|Nov 30, 2011

Advanced Graph Neural Networks参考文献 26被引用 13

一句话总结

本文提出 REX，一种通过生成排序后、语义上有意义的关系解释来说明知识库中两个实体为何相关联的系统。该系统结合图模式枚举与多维有趣度评分，高效识别并排序解释（如共同婚姻或共同出演角色等）——基于 DBpedia 和商业搜索引擎的真实数据，展示了出色的可扩展性与用户相关性。

ABSTRACT

Knowledge bases of entities and relations (either constructed manually or automatically) are behind many real world search engines, including those at Yahoo!, Microsoft, and Google. Those knowledge bases can be viewed as graphs with nodes representing entities and edges representing (primary) relationships, and various studies have been conducted on how to leverage them to answer entity seeking queries. Meanwhile, in a complementary direction, analyses over the query logs have enabled researchers to identify entity pairs that are statistically correlated. Such entity relationships are then presented to search users through the "related searches" feature in modern search engines. However, entity relationships thus discovered can often be "puzzling" to the users because why the entities are connected is often indescribable. In this paper, we propose a novel problem called "entity relationship explanation", which seeks to explain why a pair of entities are connected, and solve this challenging problem by integrating the above two complementary approaches, i.e., we leverage the knowledge base to "explain" the connections discovered between entity pairs. More specifically, we present REX, a system that takes a pair of entities in a given knowledge base as input and efficiently identifies a ranked list of relationship explanations. We formally define relationship explanations and analyze their desirable properties. Furthermore, we design and implement algorithms to efficiently enumerate and rank all relationship explanations based on multiple measures of "interestingness." We perform extensive experiments over real web-scale data gathered from DBpedia and a commercial search engine, demonstrating the efficiency and scalability of REX. We also perform user studies to corroborate the effectiveness of explanations generated by REX.

研究动机与目标

• 解决搜索引擎中‘相关实体’功能缺乏可解释性的问题，用户无法理解为何某些实体被归为一组。
• 将关系解释问题形式化，以生成知识库中相连实体对的有意义、人类可理解的原因。
• 开发一种可扩展的系统，基于语义与统计有趣度度量，枚举并排序候选解释。
• 将解释生成与实体推荐解耦，专注于提供可解释的、基于知识库的因果支持。
• 通过用户研究与大规模知识库上的真实实验，验证解释的有效性。

提出的方法

• 将关系解释建模为带变量（节点）和标记边的受限图模式，其中实例为知识库中的具体映射。
• 使用路径枚举算法（如 PathEnumBasic 和 PathEnumPrioritized）——这些算法源自关键词搜索与最短路径技术——以发现连接两个实体的候选模式。
• 应用基于反单调度量（如 Mmonocount）的剪枝技术，以缩小搜索空间，同时保留高质量解释。
• 结合基于聚合的（如计数、大小）与基于分布的（如归一化频率、熵）有趣度度量对解释进行排序。
• 整合节点与边权重，并使用得分归一化，以优先选择语义上有意义且非冗余的解释。
• 利用现有高效的路径枚举算法，并将其适配于单个大规模图中解释生成的特定约束。

实验结果

研究问题

• RQ1 我们如何正式定义并生成知识库中两个实体相关联的语义上有意义的解释？
• RQ2 良好关系解释的期望特性是什么？这些特性如何通过正式度量捕捉？
• RQ3 如何在不进行穷举搜索的情况下，从大规模知识库中高效枚举候选解释？
• RQ4 何种有趣度度量的组合最能捕捉人类对解释质量与相关性的感知？
• RQ5 与未加解释的相关实体推荐相比，REX 生成的解释在多大程度上提升了用户的理解力与参与度？

主要发现

• REX 通过从知识库中挖掘图模式，成功生成高质量、人类可理解的实体对解释，例如‘在某部电影中共同出演’或‘曾结婚’等。
• 该系统在真实数据集上表现出高效的可扩展性，处理数百万个实体与关系时延迟可接受，DBpedia 与商业搜索引擎的实验已验证此点。
• 使用基于分布的有趣度度量（如熵、归一化频率）显著提升了语义上有意义解释的排序质量，优于简单的大小度量。
• 用户研究证实，与单纯的关联实体列表相比，REX 生成的解释能显著提升感知相关性与用户参与度。
• 模式级与实例级有趣度度量的结合，产生了更稳健、更多样化的解释集合，减少了冗余并提升了对不同类型关系的覆盖。
• 基于 Mmonocount 与反单调性质的剪枝技术，实现了对搜索空间的高效探索，在不牺牲解释质量的前提下显著减少了计算时间。