Multi-View-Inferenz für die Relationsextraktion mit unsicherem Wissen

Wissensgraphen (KGs) werden weit verbreitet eingesetzt, um Aufgaben zur Relationsextraktion (RE) zu unterstützen. Während die meisten bisherigen RE-Methoden auf deterministische Wissensgraphen setzen, können unsichere Wissensgraphen – die für jede Relationinstanz ein Vertrauensniveau (Confidence Score) bereitstellen – als wertvolle externe Kenntnisse priori-Wahrscheinlichkeitsverteilungen für relationale Fakten liefern. In diesem Artikel wird vorgeschlagen, unsichere Kenntnisse zur Verbesserung der Relationsextraktion auszunutzen. Konkret integrieren wir ProBase, einen unsicheren Wissensgraphen, der angibt, in welchem Maße ein Zielentität einer bestimmten Konzeptklasse zuzuordnen ist, in unsere RE-Architektur. Anschließend entwerfen wir einen neuartigen mehrschichtigen Inferenzrahmen, um lokal kontextuelle Informationen und globale Wissensinformationen systematisch über drei Perspektiven zu integrieren: die Erwähnungs-, Entitäts- und Konzeptperspektive. Die experimentellen Ergebnisse zeigen, dass unser Modell sowohl auf Satz- als auch auf Dokumentebene konkurrenzfähige Leistungen erzielt, was die Wirksamkeit der Einbeziehung unsicherer Kenntnisse sowie des von uns entworfenen mehrschichtigen Inferenzrahmens bestätigt.