Entitätsauflösung in heterogenen Wissensgraphen

Titel: Entitätsauflösung in heterogenen Wissensgraphen

Forschungsbereich: Datenqualität und Datenintegration

Wissensgraphen sind eine leistungsstarke Datenstruktur, mit der Beziehungen modelliert und Informationen in einer maschinenlesbaren und semantisch aussagekräftigen Weise gespeichert werden können. Um komplexe Informationsanforderungen zu erfüllen, ist es oft notwendig, Wissen aus mehreren Quellen zu integrieren. Dazu muss ermittelt werden, welche Entitäten in verschiedenen Datenquellen sich auf dieselbe reale Entität beziehen (dies wird als Entitätsauflösung bezeichnet). Wenn wir beispielsweise Wikipedia und IMDB integrieren wollten, müssten wir (unter anderem) herausfinden, welche Schauspieler in diesen Datenquellen sich auf dieselbe Person beziehen. Während sich viele Forschungsarbeiten auf die Lösung dieses Problems im Bereich tabellarischer Daten konzentriert haben, stellen Wissensgraphen spezifische Herausforderungen, aber auch Chancen für dieses Datenintegrationsproblem dar.

Ziele

Dieses Forschungsprojekt zielt darauf ab, die reichhaltigen relationalen Informationen in Wissensgraphen zu nutzen, um Entity-Resolution-Tools zu entwickeln, die dieses spezifische Problem lösen.

Wir untersuchen, wie (Wissensgraph-)Einbettungen, die die Informationen dieser Datenquellen in Vektoren mit geringerer Dimension übersetzen, diesen Prozess unterstützen können, und suchen nach Synergien mit traditionelleren (maschinellen Lern-)Ansätzen.

Software/Data

• kiez: Hubness-reduzierte Suche nach nächsten Nachbarn für die Entitätsausrichtung mit Knowledge-Graph-Einbettungen
• ScaDSMovieGraphBenchmark: Benchmark-Datensätze für die Entitätsauflösung in Wissensgraphen
• klinker: Blockierungsmethoden für die Entitätsauflösung (in Wissensgraphen)

Publikationen

• M. Hofer, D. Obraczka, A. Saeedi, H. Köpcke, and E. Rahm, “Construction of Knowledge Graphs: State and Challenges,” CoRR, vol. abs/2302.11509, 2023, doi: 10.48550/ARXIV.2302.11509.
• D. Obraczka and E. Rahm, “Fast Hubness-Reduced Nearest Neighbor Search for Entity Alignment in Knowledge Graphs,” SN Comput. Sci., vol. 3, no. 6, p. 501, 2022, doi: 10.1007/S42979-022-01417-1.
• D. Obraczka, A. Saeedi, V. Christen, and E. Rahm, “Big Data Integration for Industry 4.0,” in Digital Transformation – Core Technologies and Emerging Topics from a Computer Science Perspective, B. Vogel-Heuser and M. Wimmer, Eds., Springer, 2022, pp. 247–268. doi: 10.1007/978-3-662-65004-2_10.
• D. Obraczka and E. Rahm, “An Evaluation of Hubness Reduction Methods for Entity Alignment with Knowledge Graph Embeddings,” in Proceedings of the 13th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management, IC3K 2021, Volume 2: KEOD, Online Streaming, October 25-27, 2021, D. Aveiro, J. L. G. Dietz, and J. Filipe, Eds., SCITEPRESS, 2021, pp. 28–39. doi: 10.5220/0010646400003064.
• D. Obraczka, J. Schuchart, and E. Rahm, “Embedding-Assisted Entity Resolution for Knowledge Graphs,” in Proceedings of the 2nd International Workshop on Knowledge Graph Construction co-located with 18th Extended Semantic Web Conference (ESWC 2021), Online, June 6, 2021, D. Chaves-Fraga, A. Dimou, P. Heyvaert, F. Priyatna, and J. F. Sequeda, Eds., in CEUR Workshop Proceedings, vol. 2873. CEUR-WS.org, 2021. Accessed: Jan. 22, 2024. [Online]. Available: https://ceur-ws.org/Vol-2873/paper8.pdf
• D. Obraczka, A. Saeedi, and E. Rahm, “Knowledge Graph Completion with FAMER (DI2KG Challenge Winner),” in Proceedings of the 1st International Workshop on Challenges and Experiences from Data Integration to Knowledge Graphs co-located with the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD 2019), Anchorage, Alaska, August 5, 2019, D. Firmani, V. Crescenzi, A. D. Angelis, X. L. Dong, M. Mazzei, P. Merialdo, and D. Srivastava, Eds., in CEUR Workshop Proceedings, vol. 2512. CEUR-WS.org, 2019. Accessed: Jan. 22, 2024. [Online]. Available: https://ceur-ws.org/Vol-2512/paper1.pdf
• D. Obraczka and A.-C. N. Ngomo, “Dragon: Decision Tree Learning for Link Discovery,” in Web Engineering – 19th International Conference, ICWE 2019, Daejeon, South Korea, June 11-14, 2019, Proceedings, M. Bakaev, F. Frasincar, and I.-Y. Ko, Eds., in Lecture Notes in Computer Science, vol. 11496. Springer, 2019, pp. 441–456. doi: 10.1007/978-3-030-19274-7_31.

Team

• Prof. Erhard Rahm
• Daniel Obraczka