Keeping track of errors: A study of SHACL-DS for RDF dataset validation on the ERA RINF Knowledge Graph
University of Liège(列日大学);European Union Agency for Railways (ERA)(欧盟铁路局)
本文研究SHACL-DS在大规模知识图谱上的应用,通过迁移ERA-RINF的形状到SHACL-DS并评估其性能,证明其在表达力和效率上的优势。
2026-05-11 cs.DB
R2RML and RML Comparison for RDF Generation, their Rules Validation and Inconsistency Resolution
Ghent University(根特大学);imec
本文综述了知识图谱生成技术的发展现状,重点介绍了两种流行的映射语言:W3C推荐的R2RML及其推广的RML。我们将详细了解它们的差异,并解释如何以RDF图的形式生成知识图谱,这两种映射语言中的每一种都可以生成。然后,我们评估词汇表术语是否正确地应用于数据,并且在使用它们时没有发生违规,使用R2RML或RML来生成所需的知识图谱。
2020-05-13 cs.AI cs.DB
Schema Validation and Evolution for Graph Databases
尽管商业图数据库已经成熟,但到目前为止,针对属性图(PG)的数据定义语言(DDL)的标准化还没有达成共识。关于PG模式特征的讨论正在许多标准化和社区团体中进行。虽然模式的一些基本方面已经在Neo4j 3.5中出现,但与大多数商业图数据库一样,缺少完全支持,允许以或多或少的灵活性约束属性图。在本文中,我们专注于两个不同的角度来看,PG模式应被认为是描述性的或规定性的,我们将展示如何有可能从一个切换到另一个开发中的应用程序获得更多的稳定性。除了提出简洁的模式的启发Cypher语法,我们展示了如何模式验证可以通过执行PG模式和PG实例之间的同态,以及如何模式的演变可以通过使用图重写操作来描述。我们的原型实现证明了可行性,并显示了需要提供高层次的查询原语,以适应灵活的图形模式的要求,在我们的工作中展示。
2019-02-18 cs.DB
Trav-SHACL: Efficiently Validating Networks of SHACL Constraints
知识图谱已经成为Web数据的表达数据结构。知识图谱的潜力和对生态系统的需求,以促进其创建,策展和理解,在不同的领域得到了证实,例如,生物医药XML约束语言(SHACL)是W3C推荐的RDF知识图谱完整性约束语言。SHACL使知识图谱的质量评估成为可能,在现实世界的场景中迅速获得关注。SHACL将完整性约束建模为形状网络,其中形状包含由相同实体填充的约束。SHACL形状模式的验证在验证期间可能面临易处理性问题。为了促进全面采用,需要有效的计算方法。我们提出了Trav-SHACL,SHACL引擎能够规划的遍历和执行的形状模式的方式,无效的实体检测早期和不必要的验证被最小化。Trav-SHACL重新排序形状模式中的形状,以实现有效的验证,并重写目标和约束查询,以快速检测无效实体。Trav-SHACL在27个测试平台上对多达34M个三元组的知识图谱进行了经验评估。我们的实验结果表明,Trav-SHACL表现出高性能逐渐减少验证时间的一个因素,高达28.93相比,最先进的。
2021-01-18 cs.DB
Semantics and Validation of Shapes Schemas for RDF
我们提出了一个正式的语义和形状模式,RDF图的表达模式语言,是形状表达式语言2.0的基础的合理性证明。它可以用来描述RDF图的词汇表和结构,并约束该图中节点的可接受属性和值。该语言定义了一种称为形状的类型化机制,可以根据形状检查图的节点。它包括一个代数分组运算符,一个选择运算符和基数约束的数量允许出现的属性。可以使用布尔运算符组合图形,并且可以使用对其他形状的递归引用。我们描述了语言的语法和定义其语义。语义被证明是定义良好的模式,满足合理的句法限制,即分层使用否定和递归。我们提出了两个算法的RDF图对形状模式的验证。第一个算法是语义的直接实现,而第二个是一个重要的改进。我们还简要介绍了实施指南。
2017-09-19 cs.DB
FastGFDs: Efficient Validation of Graph Functional Dependencies with Desbordante
Saint-Petersburg University(圣彼得堡大学);Universe Data
本研究提出FastGFDs算法,基于Desbordante实现GFD验证,针对消费级PC优化,较并行方案性能提升2.6倍、内存消耗降低5倍,是低端单节点环境GFD验证高效算法的首个公开实现。
2026-08-04 cs.AI cs.DB cs.LG
A Review of SHACL: From Data Validation to Schema Reasoning for RDF Graphs
University of Winchester(温彻斯特大学);University of Southampton(南安普顿大学)
我们提出了一个介绍和审查的约束语言(SHACL),W3C推荐语言验证RDF数据。SHACL文档描述了RDF节点上的一组约束,如果图的节点满足这些约束,则该图相对于文档是有效的。我们重新审视语言的基本概念,它的结构和组件及其相互作用。我们回顾了用于研究这种语言的不同形式框架和提出的不同语义。我们研究了一些相关的问题,从包容性和可满足性的SHACL与推理规则的相互作用,并展示了如何不同的建模语言是有用的不同的问题。我们还涵盖了SHACL的实际方面,讨论其实施和采用状态,以提供对实践者和理论家都有用的整体审查。
2021-12-02 cs.AI cs.DB
A Dual-Store Structure for Knowledge Graphs
为了有效地管理各个领域中日益增多的知识图谱,知识图谱存储管理成为一个研究热点。现有的方法被分类为关系存储和原生图存储。关系存储能够存储大规模的知识图谱,便于知识更新,但当知识图谱查询的选择性较大时,查询性能明显下降。原生图存储由于其无索引的邻接属性而在处理复杂的知识图谱查询时是有效的,但是由于有限的存储预算或不灵活的更新过程,它们不适用于管理大规模的知识图谱。基于此,我们提出了一种双存储结构,它利用图存储来加速关系存储中的复杂查询过程。然而,确定在什么时间将什么数据从关系存储传输到图存储是具有挑战性的。为了解决这个问题,我们制定了它作为一个马尔可夫决策过程,并得出一个物理设计调谐器DOTIL的基础上强化学习。使用DOTIL,双存储结构可以适应动态变化的工作负载。在真实知识图谱上的实验结果表明,与最常用的关系存储相比,我们提出的双存储结构平均提高查询性能达43.72%。
2020-12-13 cs.DB
Creating Knowledge Graphs Subsets using Shape Expressions
University of Oviedo(奥维耶多大学)
知识图谱最初被谷歌采用,后来又被大公司采用,这增加了它们的采用率和受欢迎程度。在本文中,我们提出了三种不同类型的知识图谱,我们称之为基于RDF的图,属性图和维基图的形式化模型。为了提高知识图谱的质量,出现了几种方法来描述和验证其内容。形状表达式(ShEx)已被提议作为RDF验证的简洁语言。我们简要介绍了ShEx,并提出了两个扩展,也可以用来描述和验证属性图(PShEx)和维基图形(WShEx)。知识图谱的一个问题是它们包含的大量数据,这危及它们的实际应用。为了缓解这个问题,一种方法是为某些领域创建这些知识图谱的子集。我们提出了以下方法来生成这些子集:快速匹配,简单匹配,ShEx匹配,ShEx加Slurp和ShEx加Pregel,这些方法基于通过匹配一些内容或形状表达式来声明性地定义子集。最后一种方法基于一种新的ShEx验证算法,该算法基于Pregel算法,可以处理大数据图,并已在Apache Spark GraphX上实现。
2021-10-26 cs.AI cs.DB
Querying in the Age of Graph Databases and Knowledge Graphs
Universidad Católica(智利天主教大学);IMFD(IMFD(智利数学与计算机科学研究所));Universidad de Chile(智利大学)
图表已经成为我们所知的表示知识的最佳方式。计算社区已经研究并开发了通过数字技术来管理图形的支持。图形数据库和知识图谱表面作为最成功的解决方案,这一计划。本文档的目标是提供这些开发的基础数据管理任务的概念图,特别关注数据模型和图形的查询语言。
2021-06-25 cs.AI cs.DB
Matching Entities Across Different Knowledge Graphs with Graph Embeddings
David R. Cheriton School of Computer Science(戴维·R·切里顿计算机科学学院);University of Waterloo(滑铁卢大学)
本文探讨了跨不同知识图谱的实体匹配问题。给定一个知识图谱中的查询实体,我们希望在另一个知识图谱中找到对应的真实世界实体。我们正式这个问题,并提出了两个大规模的数据集,这个任务的基础上现有的跨本体DBpedia和维基数据之间的链接,专注于几十万个模糊的实体。使用基于分类的方法,我们发现,一个简单的多层感知器的基础上,从RDF2Vec图嵌入的实体在每个知识图谱的表示是足以实现高精度,只有少量的训练数据。我们工作的贡献是研究这一问题的数据集和未来工作可以基于的强基线。
2019-03-15 cs.CL cs.DB
Fast Knowledge Graph Completion using Graphics Processing Units
ETRI(韩国电子通信研究院)
针对知识图谱补全中向量运算成本高的问题,提出基于GPU的框架,将可转换为度量空间的模型的补全问题转为相似连接问题,推导公式并开发快速算法,实验验证了高效性。
2023-07-22 cs.AI cs.DB cs.LG
Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning
Technische Universität Berlin(柏林工业大学);Sapienza University of Rome(罗马第一大学)
知识图谱完成(又名~链接预测),即~从知识图谱推断缺失信息的任务是在诸如产品推荐和问答的许多应用中广泛使用的任务。知识图谱嵌入和/或规则挖掘和推理的现有技术方法是数据驱动的,因此仅基于输入知识图谱包含的信息。这导致不令人满意的预测结果,使得这种解决方案不适用于关键领域,如医疗保健。为了进一步提高知识图谱完成的准确性,我们提出将知识图谱嵌入的数据驱动能力与源于专家或蕴涵机制的特定于领域的推理(例如,OWL2)。通过这种方式,我们不仅可以利用输入知识图谱中可能不包括的领域知识来提高预测精度,而且还允许用户插入他们自己的知识图谱嵌入和推理方法。我们的初步结果表明,我们提高了香草知识图谱嵌入的MRR精度高达3倍,并优于混合解决方案,结合知识图谱嵌入与规则挖掘和推理高达3.5倍MRR。
2022-07-04 cs.AI cs.DB cs.LG
Construction and Application of Teaching System Based on Crowdsourcing Knowledge Graph
Guangzhou University(广州大学);School of Computer Science and Cyber Engineering(计算机与网络工程学院);School of Education(教育学院)
通过众包知识图谱与教学系统的结合,研究了知识图谱的生成方法及其应用。利用众包任务分配和反向验证码生成两种众包方法构建教学系统领域的知识图谱。以学校、学生、教师、课程、知识点、习题类型为节点,生成教学领域完整的层次化知识图谱。众包方式构建的知识图谱需要多用户协同参与,充分考虑教师引导和用户动员问题。基于知识图谱的三个子图,可以可视化优秀教师、学生学习情况和合适的学习路线。个性化习题推荐模型是利用基于知识图谱的算法来制定个性化习题。开发了协同创作模型,实现众包构建机制。尽管学习者对知识图谱的学习模式并不熟悉,对知识结构的关注度也不高,但基于众包知识图谱的系统仍然能够得到师生的高度认可
2020-10-18 cs.AI cs.CL cs.DB