Rule Based Temporal Inference
Rule Based Temporal Inference
复制标题
DOI：
10.4230/oasics.iclp.2017.4
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
M. Chekol;H. Stuckenschmidt
中科院分区：
文献类型：
--
作者：
M. Chekol;H. Stuckenschmidt
时间方面的知识在知识图谱中是相关的，因为大多数事实在某个时间段内是真实的，例如（美国总统巴拉克奥巴马，2009年，2017年）。因此，知识图中的时态信息提取和事实的时态范围确定是近年来的研究热点。正因为如此，许多时间知识图已经成为可用的，如YAGO和Wikidata。此外，由于时间事实是从开放文本中获得的，因此它们可以被加权，即，提取工具为每个事实分配指示该事实为真的可能性的置信度得分。时间事实加上置信度得分导致概率时间知识图。在这样的图中，概率查询评估（边际推理）和计算最可能的解释（MPE推理）是基本问题。另外，在这些问题中，时态数据库中的一个重要研究课题时态合并也是一个非常具有挑战性的问题。在这项工作中，我们使用概率规划来研究这些问题。我们报告的实验结果比较几个国家的最先进的系统的效率。
Time-wise knowledge is relevant in knowledge graphs as the majority facts are true in some time period, for instance, (Barack Obama, president of, USA, 2009, 2017). Consequently, temporal information extraction and temporal scoping of facts in knowledge graphs have been a focus of recent research. Due to this, a number of temporal knowledge graphs have become available such as YAGO and Wikidata. In addition, since the temporal facts are obtained from open text, they can be weighted, i.e., the extraction tools assign each fact with a confidence score indicating how likely that fact is to be true. Temporal facts coupled with confidence scores result in a probabilistic temporal knowledge graph. In such a graph, probabilistic query evaluation (marginal inference) and computing most probable explanations (MPE inference) are fundamental problems. In addition, in these problems temporal coalescing, an important research in temporal databases, is very challenging. In this work, we study these problems by using probabilistic programming. We report experimental results comparing the efficiency of several state of the art systems.