模式的回归：为机器学习和知识图谱推理构建完整数据集
JediKG: Return of the Schema
AI总结：
本文提出了一种工作流，用于提取包含模式和基础事实的完整数据集，以支持机器学习和知识图谱推理，并提供了相关工具和数据集。
摘要：
用于评估知识图谱细化算法的典型数据集通常只包含基础事实，即使源知识图谱中存在此类信息，也仅保留非常有限的模式层面知识。这限制了依赖丰富本体约束、推理或神经符号技术的方法的评估，并最终阻碍了在大规模、真实世界知识图谱中的性能评估。在本文中，我们提出了\resource{}，这是首个提供提取包含模式和基础事实的数据集的工作流的资源，这些数据集适用于机器学习和推理服务，同时附带由此生成的精心整理的数据集套件。该工作流还处理在保留模式和事实时检测到的一致性问题，并利用推理来推导隐含知识。套件包括从具有表达性模式的知识图谱中新提取的数据集，同时同时用模式信息丰富现有数据集。每个数据集都以OWL格式序列化，使其适用于推理服务。此外，我们还提供了加载数据集的工具，以张量表示形式，这通常是标准机器学习库中常见的形式。
英文摘要：
Benchmark datasets for Knowledge Graph Refinement typically contain only ground facts, discarding the schema available in the source knowledge graph. This limits the evaluation of Neural-Symbolic methods that leverage expressive schemas. We present JEDIKG the first resource that systematically addresses these gaps through two components: JDEX a general configurable tool for extracting complete, portable, modular dataset from any RDF/OWL knowledge graph; and JDSET, a curated suite of eleven datasets with varying expressivity, volume, and domain. JDEX preserves full schema expressivity, employs standard OWL reasoning to detect and correct inconsistencies and materialize implicit knowledge, applies schema modularization, and provides utilities for integration with mainstream machine learning libraries such as PyTorch and PyKEEN. We validated the completeness and portability of the datasets across several dimensions and preliminarily proved the utility of JEDIKG in experimental workflows combining data-driven methods with schema-driven reasoning.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
