A semantic search approach for hyper relational knowledge graphs

• Veronica dos Santos Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
• Sérgio Lifschitz Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) https://orcid.org/0000-0003-3073-3734

DOI: https://doi.org/10.5753/sbbd_estendido.2021.18171

Resumo

Sistemas de Recuperação de Informações geralmente empregam técnicas de pesquisa sintática para combinar um conjunto de palavras-chave com o conteúdo indexado para recuperar os resultados. Mas correspondência baseada somente em palavras-chave não consegue capturar a intenção e o contexto de busca além de sofrer com a ambigüidade da linguagem natural e a incompatibilidade de vocabulário. Considerando esse cenário, a hipótese levantada é que o uso de embeddings em uma abordagem de busca semântica tornará os resultados mais significativos. Embeddings permitem minimizar problemas decorrentes de incompatibilidade de terminológica e de contexto. Este trabalho propõe uma função de similaridade semântica para apoiar a busca baseada em grafo de conhecimento (KG) hiper relacional. Esta função usa embeddings para encontrar as entidades do KG mais semelhantes que atendam uma consulta.

Palavras-chave: Graph Databases, Information Retrieval, Knowledge Graphs

Referências

Bast, H., Buchhold, B., and Haussmann, E. (2016). Semantic search on text and knowledge bases. Foundations and Trends in Information Retrieval, 10(2-3):119–271

Bordes, A., Usunier, N., Garcia-Durán, A., Weston, J., and Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. In NIPS’13, page 2787–2795. Curran Associates Inc.

Cudré-Mauroux, P. (2019). Semantic search. In Sakr, S. and Zomaya, A. Y., editors, Encyclopedia of Big Data Technologies. Springer.

Dosso, D. and Silvello, G. (2020). Search text to retrieve graphs: A scalable rdf keyword-based search system. IEEE Access, 8:14089–14111.

Ilievski, F., Garijo, D., Chalupsky, H., Divvala, N. T., Yao, Y., Rogers, C., Li, R., Liu, J., Singh, A., Schwabe, D., and Szekely, P. (2020). Kgtk: A toolkit for large knowledge graph manipulation and analysis. In ISWC 2020, pages 278–293. Springer.

Manning, C. D., Raghavan, P., and Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.

Nickel, M., Tresp, V., and Kriegel, H.-P. (2011). A three-way model for collective learning on multi-relational data. InICML’11, page 809–816, Madison, WI, USA. Omnipress.

Nielsen, F. A., Mietchen, D., and Willighagen, E. (2017). Scholia, scientometrics and wikidata. In The Semantic Web: ESWC 2017 Satellite Events, pages 237–259. Springer.

Shen, Z., Ma, H., and Wang, K. (2015). A Web-scale system for scientific knowledge exploration. ACL 2018, pages 87–92.

Trouillon, T., Dance, C. R., Gaussier, E., Welbl, J., Riedel, S., and Bouchard, G. (2017). Knowledge graph completion via complex tensor factorization. J. Mach. Learn. Res.,18(1):4735–4772.

Vrandecic, D. (2012). Wikidata: a new platform for collaborative data collection. In Mille, A., Gandon, F., Misselis, J., Rabinovich, M., and Staab, S., editors, WWW’2012, pages 1063–1064. ACM.

Wang, K., Shen, Z., Huang, C., Wu, C.-H., Eide, D., Dong, Y., Qian, J., Kanakia, A.,Chen, A., and Rogahn, R. (2019). A review of microsoft academic services for science of science studies. Frontiers in Big Data, 2:45.

Wang, Q., Mao, Z., Wang, B., and Guo, L. (2017). Knowledge graph embedding: A survey of approaches and applications. IEEE TKDE, 29(12):2724–2743.

Yang, B., Yih, W., He, X., Gao, J., and Deng, L. (2015). Embedding entities and relations for learning and inference in knowledge bases. In Bengio, Y. and LeCun, Y., editors, ICLR 2015