基于众包技术的知识图谱精化研究

Knowledge graph is a strong knowledge engine. To ensure the coverage of knowledge, data-driven method is widely adopted in knowledge graph construction. Due to the long tail effect of knowledge and the limitation of data processing, both the coverages and precisions of large-scale knowledge graphs are not high enough. As such, knowledge graph refinement is a hot topic in knowledge graph community. In this project, we aim at proposing crowdsourcing-based knowledge graph refinement solutions, including knowledge completion and knowledge error correction. The main research points of this project are identifying the missing knowledge and incorrect knowledge, designing questions for crowdsourcing and controlling the qualities of the crowdsourcing feedbacks. The result of this project will help to promote the usability of the knowledge graphs and clear the way for the large-scale promotion of them.

知识图谱是一种强大的知识引擎。为了保证知识的覆盖度，使用基于数据驱动的方式从互联网中自动爬取知识是目前知识图谱构建的主要方法。然而由于知识的长尾效应和数据处理能力的限制，目前大型知识图谱都存在覆盖度与精确度上的不足，因此，知识图谱的精化已成为目前知识图谱领域的一个热门研究点。本项目拟采用众包为知识图谱进行精化，包括缺失知识的补充和错误知识的纠正。主要研究内容包括：基于众包的知识图谱缺失知识和错误知识的定位；面向知识图谱精化的众包问题设计；众包反馈的质量控制等。相信本项目的研究成果将很好地提升知识图谱的可用性，为其的大规模推广扫清障碍。

知识图谱是一种强大的知识引擎。为了保证知识的覆盖度，使用基于数据驱动的方式从互联网中自动爬取知识是目前知识图谱构建的主要方法。然而由于知识的长尾效应和数据处理能力的限制，目前大型知识图谱都存在覆盖度与精确度上的不足，因此，知识图谱的精化已成为目前知识图谱领域的一个热门研究点。本项目拟采用众包为知识图谱进行精化，包括缺失知识的补充和错误知识的纠正。主要研究内容包括：基于众包的知识图谱缺失知识和错误知识的定位；面向知识图谱精化的众包问题设计；众包反馈的质量控制等。在知识补全方面，提出了面向多模态常识抽取中单阶段的视觉符号接地算法；在知识纠错方面，研究了基于下游用户隐式反馈的错误知识定位方法；在众包质量控制方面，我们提出了以众包问题难度调节来实现众包前质量控制。在项目的资助下，发表了13篇国际会议与期刊论文，其中大部分发表在相关领域的权威杂志和会议上，超额完成了任务。本项目的研究成果，课题组已经应用在学术、能源和设备文档管理等多个垂直领域知识图谱构建中，并取得了良好的效果。