Resumen

La tipificación de entidades en los grafos de conocimiento (KGs) tiene como objetivo predecir los posibles tipos para una entidad, es decir, (). Recientemente, se han propuesto varios modelos de inserción para la predicción de tipos de entidades en KGs según la información de tipificación existente de las tuplas () en los KGs. Sin embargo, la mayoría de ellos asumen de manera poco razonable que todas las instancias de tipificación de entidades existentes en los KGs son completamente correctas, lo que ignora los ruidos no despreciables de los tipos de entidad y puede llevar a errores potenciales en las tareas posteriores. Para abordar este problema, proponemos , un enfoque novedoso de inserción consciente de la confianza para modelar las () tuplas, que tiene en cuenta para aprender mejores inserciones. Específicamente, aprendemos las inserciones de entidades y tipos de entidades en espacios de entidades separados y espacios de tipos de entidades ya que son objetos diferentes en los KGs. Utilizamos una matriz asimétrica para especificar la inter

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Gráficos de conocimiento; Tipificación de entidades; Modelos de incrustación; Espacio de entidades; Espacio de tipos de entidades; Incrustación con confianza
• Keywords:Knowledge graphs; Entity typing; Embedding models; Entity space; Entity type space; Confidence-aware embedding