Pattern Discovery and Anomaly Detection via Knowledge Graph

知識圖譜使用實體及其關系對信息進行建模。

實體提取：使用統計模型或基于語言語法的技術。

關系提取：使用將實體與關系關聯的正則表達式，或基于訓練數據建立分類器。

關系消除和實體解析：Openle往往會為同一組實體產生租戶關系（SPO三元組）和標識噪聲，有必要消除冗余三元組并解決身份，不確定性，以開發可擴展且可信的知識圖。

論文中開發了一個領域特定的知識圖譜，其事實由從Twitter消息中提取的標準SPO三元組表示。應用關系消除和實體解析來管理知識庫。主體和對象是實體，并表示為KGS中的節點。實體之間的關系，即將主題鏈接到對象的關系表示為邊緣。

從本質上講，知識圖譜是稀疏的，高度不完整的和嘈雜的。為了克服這些問題，“統計關系學習”（SRL）被用于預測節點之間丟失的鏈接和標識關系。使用RESCAL模型預測實體之間的潛在關系。

知識圖譜挖掘用于識別頻繁項并確定數據中項之間的關聯。

Apriori使用哈希樹結構并應用廣度優先搜索來有效地計算候選項目集。

時間信息是將流數據與傳統結構化/非結構化數據區分開的另一個功能。為了探索這些信息，使用PrefixSpan算法從流數據中找到頻繁的順序模式。

總結

以上是生活随笔為你收集整理的Pattern Discovery and Anomaly Detection via Knowledge Graph-学习笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。