Key points are not available for this paper at this time.
La plupart des graphes de connaissances (KGs) existants dans les domaines académiques souffrent de problèmes d'informations multi-relationnelles insuffisantes, d'ambiguïté des noms et de formats de données inappropriés pour un traitement machine à grande échelle. Dans cet article, nous présentons AceKG, un nouveau KG à grande échelle dans le domaine académique. AceKG fournit non seulement des informations académiques claires, mais offre également un ensemble de données de référence à grande échelle pour que les chercheurs puissent mener des projets d'exploration de données difficiles, y compris la prédiction de liens, la détection de communautés et la classification des chercheurs. Plus précisément, AceKG décrit 3,13 milliards de triplets de faits académiques basés sur une ontologie cohérente, y compris les propriétés nécessaires des articles, des auteurs, des domaines d'étude, des lieux et des instituts, ainsi que les relations entre eux. Pour enrichir le graphe de connaissances proposé, nous effectuons également un alignement d'entités avec des bases de données existantes et une inférence basée sur des règles. Sur la base d'AceKG, nous menons des expériences sur trois tâches typiques d'exploration de données académiques et évaluons plusieurs approches à la pointe de l'état de l'art en matière d'embedding de connaissances et d'apprentissage de représentations de réseaux sur les ensembles de données de référence construits à partir d'AceKG. Enfin, nous discutons des directions de recherche prometteuses qui bénéficient d'AceKG.
Wang et al. (mercredi,) ont étudié cette question.