Construção incremental de base de conhecimento usando DeepDive

Preencher um banco de dados com informações não estruturadas é um problema antigo na indústria e na pesquisa que abrange questões de extração, limpeza e integração. Nomes recentes usados para esse problema incluem o tratamento de dados obscuros e construção de base de conhecimento (KBC). Neste trabalho, descrevemos o DeepDive, um sistema que combina ideias de banco de dados e aprendizado de máquina para ajudar a desenvolver sistemas de KBC, e apresentamos técnicas para tornar o processo de KBC mais eficiente. Observamos que o processo de KBC é iterativo, e desenvolvemos técnicas para produzir resultados de inferência de forma incremental para sistemas de KBC. Propomos dois métodos para inferência incremental, baseados respectivamente em amostragem e técnicas variacionais. Também estudamos o espaço de trade-off destes métodos e desenvolvemos um otimizador simples baseado em regras. O DeepDive inclui todas essas contribuições e avaliamos o DeepDive em cinco sistemas de KBC, mostrando que ele pode acelerar tarefas de inferência de KBC em até dois ordens de magnitude com impacto negligenciável na qualidade.