论文笔记1-Knowledge Vault: A Web-Scale Approach to Probabilistic Knowledge Fusion

论文笔记1-Knowledge Vault: A Web-Scale Approach to Probabilistic Knowledge Fusion

一、导航

本文主要记录论文《Knowledge Vault: A Web-Scale Approach to Probabilistic Knowledge Fusion》的主要脉络和我当时的心得。主要的部分如下：

基本概念的介绍

抽取器

先验计算器

完整的流程图

二、基本概念的介绍

这篇论文主要是介绍如何构建一个完整的知识库，主要讲述了作者以FreeBase为基础构建自己的知识库的过程。在讲述过程之前，我们需要了解以下的基本概念：

1、知识表示

知识库的核心就是表示知识了，在文章中，知识被表示成为三元组。形式如下：

triples (subject, predicate, object)

实际例子如下：

(/m/02mjmr, /people/person/place_of_birth,/m/02hrh0_)

/m/02mjmr is the Freebase id for Barack Obama，

/m/02hrh0_ is the id for Honolulu

2、系统组成部分

整个系统主要由三大部分组成：

Extractors：三元组抽取器

Graph-based priors：基于图的先验概率计算器

Knowledge fusion：知识融合器

3、基本假设

Local closed world assumption (LCWA)：

O(s,p) as the set of existing object values for a given s and p.

给定一个(s,p,o)，如果(s,p,o) ∈ O(s,p)，则它是正确的

如果 (s,p,o) !∈ O(s,p)并且 |O(s,p)| > 0，则它是错误的

如果|O(s,p)| = 0，我们就不打标签并把(s,p,o)扔出训练和测试集

三、Extractors:关系抽取器

1. Extraction methods（抽取方法）

(1) 文本文档

对每个谓词拟合一个二分类器:

输入：含有该谓词的sentences的features和patterns
训练集：根据LCWA进行标注的sentences
备注：features和patterns described in  M. Mintz, S. Bills, R. Snow, and D. Jurafksy. Distant supervision for relation extraction without labeled data. In Prof. Conf. Recent Advances in NLP, 2009.

抽取流程如下：

i. 运行一套标准的NLP工具，做命名实体识别，词类标注，依赖分析，co-reference resolution和实体链接，实体链接系统采用与【B. Hachey, W. Radford, J. Nothman, M. Honnibal, and J. Curran. Evaluating entity linking with wikipedia. Artificial Intelligence, 194:130–150, 2013.】类似的方法
ii. 用远程监督训练关系抽取器，方法和特征见【M. Mintz, S. Bills, R. Snow, and D. Jurafksy. Distant supervision for relation extraction without labeled data. In Prof. Conf. Recent Advances in NLP, 2009.】

(2) DOM树

dom树拟合分类器
输入： we use the lexicalized path (along the tree) between the two entities as a feature vector.
输出：the score of the extracted triples

(3) HTML tables

(4) Human Annotated pages（人工注解页面）

2. Fusing the extractors（抽取器结果合并）

上面讲了四种方式，最后结果需要合并，比较简单的是为每种抽取器的结果做一个特征向量，然后做一个分类器，来判定到底哪个抽取器的结果是对的。为每一个谓词都拟合了一个分类器。

这个特征向量有两个数字组成：

(1) 抽取这个三元组所用到的源数据的数量的平方根
(2) 抽取三元组用到的所有源数据抽取器打的分的平均分

这里有个问题，文章里面用的原词是“classifier”，翻译为分类器，但是应该是个回归

3. Calibration of the probability estimates（概率估算的校准）

因为每种抽取器打的分没有必要有一样的标准，我们使用Platt Scaling处理分数

4. Comparison of the methods（方法比较）

5. The beneficial effects of adding more evidence

当源数据越多，真三元组的先验概率约趋近于1，假三元组的先验概率越趋近与0.5，但是一直低于0.5

四、GRAPH-BASED PRIORS

网络上抽取的数据可能是不正确的，我们用Freebase上面已经存在的三元组来拟合一个先验模型，这个模型能够计算任何给定的三元组，即使之前在Freebase里面不存在。下面给出两种算法：

1. Path ranking algorithm (PRA)（路径排名算法）

这个算法的详细介绍在【N. Lao, T. Mitchell, and W. Cohen. Random walk inference and learning in a large scale knowledge base.In EMNLP, 2011.】

算法的大值思路是先拿到关系p的实体结合（s集合和o集合），对于每个s，从s开始在图里面随机地walk，如果能够到对应地o，我们就把这个路径记下来，这可以看作是一种规则（rule）。

每一个对都会有很多这样的rule，我们拟合一个二分类器来合并这些路径（得到公共路径）。这个时候我们把一个确定地关系（谓词）p表示为了很多这样地路径，然后再训练一个分类器，以这些路径为特征，来推导谓词p。每个谓词p，都训练一个分类器。

2. Neural network model (MLP)（神经网络模型）

使用神经网络的方式在图上算出某个关系的先验。

3. Fusing the priors（先验计算合并）

同样的要对两种方法做fuse

4. Knowledge fusion

最后，对整个阶段做fusing，抽取阶段和先验阶段做一个fusing得到最后的置信度。

五、完整流程

关于关系p，有一个实体对(s,o)，我们也许有四种文档中抽出，我们去拟合一个extractor fusing的分类器，在这四种文档抽取关系过程中得到一些特征向量，最后把这些特征向量放在一起，在这些特征向量上面训练一个权重，得到新的分类器与分类器关于关系p的置信度

关于关系p，对于实体对(s,o)，整个置信度的评分过程为：