Resumen

Las bases de conocimiento construidas por máquinas a menudo contienen hechos ruidosos e inexactos. Se ha trabajado mucho en el desarrollo de algoritmos automatizados para el refinamiento de las bases de conocimiento. Los enfoques automatizados mejoran la calidad de las bases de conocimiento, pero están lejos de ser perfectos. En este artículo, aprovechamos el crowdsourcing para mejorar la calidad de las bases de conocimiento extraídas automáticamente. Dado que el etiquetado humano es costoso, un importante reto de investigación es cómo podemos utilizar los limitados recursos humanos para maximizar la mejora de la calidad de una base de conocimiento. Para abordar este problema, primero introducimos un concepto de restricciones semánticas que puede utilizarse para detectar posibles errores y hacer inferencia entre los hechos candidatos. A continuación, basándonos en las restricciones semánticas, proponemos algoritmos basados en rangos y en gráficos para el refinamiento del conocimiento crowdsourced, que seleccionan juiciosamente los hechos candidatos más beneficiosos para llevar a cabo el crowdsourcing y eliminan las preguntas innecesarias. Nuestros experimentos muestran que nuestro método mejora significativamente la calidad de las bases de conocimiento y supera a los métodos automáticos más avanzados con un coste razonable de crowdsourcing.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:base de conocimientos, calidad del conocimiento, restricciones semánticas, hecho beneficioso para el candidato, coste razonable del crowdsourcing, recursos humanos limitados, importante reto de investigación, refinamiento del conocimiento crowdsourced, refinamiento de la base de conocimientos, base de conocimientos construida
• Keywords:knowledge base, quality of knowledge, semantic constraints, beneficial candidate fact, reasonable crowdsourcing cost, limited human resources, important research challenge, crowdsourced knowledge refining, knowledge base refinement, constructed knowledge base