Skip to content

Injecting Semantics for Explaining Link Predictions

Knowledge Graphs, despite their vast utlity, often suffer from incompleteness. This issue stems from their complex and automated construction process, the inherent difficulties in data collection, and the dynamic nature of the real-world phenomena they reflect. Addressing this issue, numerous Link Prediction models have been developed to infer missing facts. Most of the existing methods are based on Knowledge Graph Embeddings which are numeric representations of the entities and relations in a Knowledge Graph. These approaches are effective and scale on very large Knowledge Graphs. However, they are not capable of providing explanations for their outcomes. For this reasons, beyond prediction, explaining the outcomes has gained significant attention. Addressing this concern is Kelpie, an emerging and promising framework for explanation generation, which is gaining considerable attention due to its adaptability to any embedding model. Given a predicted link Kelpie extracts as explanation subsets of relevant facts, i.e. facts that have enabled the model to predict the link. Notably, Kelpie searches for explanations within the sub-graph composed of the facts related to the prediction to explain, considering both individual facts and combinations thereof. However, this thorough strategy of considering combinations of multiple facts leads to a significant challenge: an explosion in the number of candidate explanations. We want to enhance this strategy with respect to three goals, firstly we seek to decrease the number of candidate explanations, furthermore, we aim to maximize the performance in terms of explanation quality and lastly we strive to represent the explanations on different levels of granularity. To achieve these goals, we propose to inject semantics in the search strategy. We aim to compute an abstraction of the search space. Specifically, we aim at a new search space which is more compact and focused on more general patterns in order to support our research goals. In particular, we propose to extract the types of the sub-graph nodes and compute the quotient set – the set of equivalence classes - in order to merge similar nodes in a single node. Then, use such types to build the quotient graph which connects the equivalence classes with edges trying to preserve as much as possible the original structural properties. An edge in the quotient graph connects two equivalence classes of nodes in the original sub-graph. Hence we can map each edge in the quotient graph to a batch of facts in the original sub-graph. We execute the Kelpie search strategy using the quotient graph as input. Specifically, we enumerate all the edges in the quotient graph and subsequently all their combinations. This is equivalent to enumerating batches of facts in the original graph. The abstraction introduced by the quotient graph holds the potential to enhance the performance by directly focusing on general patterns. However, there is also a risk of losing valuable information and degrading performance. For this purpose we propose alternative quotient formulations with different (incremental) granularity. Finally a fact in the quotient graph leads to a dual perspective of explanation, in terms of equivalence classes or in terms of individual entities within. The three formulations and Kelpie, as a baseline, are experimentally compared to find the optimal trade-off between abstraction and quality.

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Mostra/Nascondi contenuto.
Chapter 1 Introduction 1.1 Context As the flood of data continues to grow, Knowledge Graphs (KGs) have emerged as a critical tool to organize, interpret, and navigate this deluge of information. A KG is a multi-relational graph composed of entities and relations, which are represented as nodes and different types of edges, respectively. In a KG, the knowledge is stored in the form of triples, where each triple consists of an entity (the subject), a relation (the predicate), and another entity (the object). This formal representation provides a method to encapsulate complex knowledge domains into an understandable and accessible form both to humans and machines. To harness even greater potential from these structures, KGs can be enriched with formal ontologies that also provide advanced inference capabilities. Examples of KGs in the enterprise domain include the Google Knowledge Graph [125], which enhances its search engine’s results with information boxes; the LinkedIn Knowl- edge Graph [106], which uses representations of members, jobs, titles, skills, companies, geographical locations, and schools to power recommendation features; the Uber’s KG [49], focused on “Uber Eats” delivery service; Amazon’s Product Graph [32], a key com- ponent of their product recommendation system; Microsoft’s Academic Knowledge Graph [37], used for academic research and literature exploration; and IKEA’s Knowledge Graph [65], which improves their e-commerce system by structuring product data and enabling smarter recommendations. In the open-source world there exists several web-scale KGs. Examples include DBpedia [4], which is a crowd-sourced effort to extract structured in- formation from Wikipedia; Wikidata, which is a free and open knowledge base editable by both humans and machines, YAGO [54], an ontology project that structures data from a variety of sources, including Wikipedia; Freebase [13], a large-scale collaborative effort that has been incorporated into Google’s Knowledge Graph; OpenCyc, which contributes to the Cyc project by aiming to compile a comprehensive ontology and knowledge base of common sense knowledge; and BabelNet [91], which presents a vast, multilingual semantic 1

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Il miglior software antiplagio

L'unico servizio antiplagio competitivo nel prezzo che garantisce l'aiuto della nostra redazione nel controllo dei risultati.
Analisi sicura e anonima al 100%!
Ottieni un Certificato Antiplagio dopo la valutazione.

Informazioni tesi

  Autore: Roberto Barile
  Tipo: Laurea II ciclo (magistrale o specialistica)
  Anno: 2022-23
  Università: Università degli Studi di Bari
  Facoltà: Scienze dell'informazione
  Corso: Informatica
  Relatore: Claudia d'Amato
  Lingua: Inglese
  Num. pagine: 94

FAQ

Per consultare la tesi è necessario essere registrati e acquistare la consultazione integrale del file, al costo di 29,89€.
Il pagamento può essere effettuato tramite carta di credito/carta prepagata, PayPal, bonifico bancario.
Confermato il pagamento si potrà consultare i file esclusivamente in formato .PDF accedendo alla propria Home Personale. Si potrà quindi procedere a salvare o stampare il file.
Maggiori informazioni
Ingiustamente snobbata durante le ricerche bibliografiche, una tesi di laurea si rivela decisamente utile:
  • perché affronta un singolo argomento in modo sintetico e specifico come altri testi non fanno;
  • perché è un lavoro originale che si basa su una ricerca bibliografica accurata;
  • perché, a differenza di altri materiali che puoi reperire online, una tesi di laurea è stata verificata da un docente universitario e dalla commissione in sede d'esame. La nostra redazione inoltre controlla prima della pubblicazione la completezza dei materiali e, dal 2009, anche l'originalità della tesi attraverso il software antiplagio Compilatio.net.
  • L'utilizzo della consultazione integrale della tesi da parte dell'Utente che ne acquista il diritto è da considerarsi esclusivamente privato.
  • Nel caso in cui l’utente che consulta la tesi volesse citarne alcune parti, dovrà inserire correttamente la fonte, come si cita un qualsiasi altro testo di riferimento bibliografico.
  • L'Utente è l'unico ed esclusivo responsabile del materiale di cui acquista il diritto alla consultazione. Si impegna a non divulgare a mezzo stampa, editoria in genere, televisione, radio, Internet e/o qualsiasi altro mezzo divulgativo esistente o che venisse inventato, il contenuto della tesi che consulta o stralci della medesima. Verrà perseguito legalmente nel caso di riproduzione totale e/o parziale su qualsiasi mezzo e/o su qualsiasi supporto, nel caso di divulgazione nonché nel caso di ricavo economico derivante dallo sfruttamento del diritto acquisito.
L'obiettivo di Tesionline è quello di rendere accessibile a una platea il più possibile vasta il patrimonio di cultura e conoscenza contenuto nelle tesi.
Per raggiungerlo, è fondamentale superare la barriera rappresentata dalla lingua. Ecco perché cerchiamo persone disponibili ad effettuare la traduzione delle tesi pubblicate nel nostro sito.
Per tradurre questa tesi clicca qui »
Scopri come funziona »

DUBBI? Contattaci

Contatta la redazione a
[email protected]

Ci trovi su Skype (redazione_tesi)
dalle 9:00 alle 13:00

Oppure vieni a trovarci su

Parole chiave

intelligenza artificiale
semantica
semantics
knowledge graphs
grafi di conoscenza
link prediction
predizione di collegamenti
artifical intelligence

Tesi correlate


Non hai trovato quello che cercavi?


Abbiamo più di 45.000 Tesi di Laurea: cerca nel nostro database

Oppure consulta la sezione dedicata ad appunti universitari selezionati e pubblicati dalla nostra redazione

Ottimizza la tua ricerca:

  • individua con precisione le parole chiave specifiche della tua ricerca
  • elimina i termini non significativi (aggettivi, articoli, avverbi...)
  • se non hai risultati amplia la ricerca con termini via via più generici (ad esempio da "anziano oncologico" a "paziente oncologico")
  • utilizza la ricerca avanzata
  • utilizza gli operatori booleani (and, or, "")

Idee per la tesi?

Scopri le migliori tesi scelte da noi sugli argomenti recenti


Come si scrive una tesi di laurea?


A quale cattedra chiedere la tesi? Quale sarà il docente più disponibile? Quale l'argomento più interessante per me? ...e quale quello più interessante per il mondo del lavoro?

Scarica gratuitamente la nostra guida "Come si scrive una tesi di laurea" e iscriviti alla newsletter per ricevere consigli e materiale utile.


La tesi l'ho già scritta,
ora cosa ne faccio?


La tua tesi ti ha aiutato ad ottenere quel sudato titolo di studio, ma può darti molto di più: ti differenzia dai tuoi colleghi universitari, mostra i tuoi interessi ed è un lavoro di ricerca unico, che può essere utile anche ad altri.

Il nostro consiglio è di non sprecare tutto questo lavoro:

È ora di pubblicare la tesi