《Journal of Web Semantics》：Approaches for cleaning assertion errors in knowledge graphs
编辑推荐：
知识图谱（Knowledge Graphs）的正确性对其成功应用至关重要。然而，知识图谱常包含错误，因此知识清洗（Knowledge Cleaning），即错误的检测与纠正，显得尤为必要。本综述基于资源描述框架（Resource Description Fra
知识图谱（Knowledge Graphs）的正确性对其成功应用至关重要。然而，知识图谱常包含错误，因此知识清洗（Knowledge Cleaning），即错误的检测与纠正，显得尤为必要。本综述基于资源描述框架（Resource Description Framework，RDF）数据模型，对知识图谱中断言错误（Assertion Errors）的清洗方法进行了结构化回顾。其主要贡献在于提出了一种分类框架（Taxonomy），将针对三类最常见断言类型（实例断言、属性值断言与相等性断言的清洗方法进行了分类。该分类框架将清洗方法归为10种清洗技术（Cleaning Techniques），并将其与6类背景知识源（Background Knowledge Sources）相关联。背景知识既可来源于知识图谱自身，包括图结构（Graph Structure）与上下文三元组及值（Contextual Triples and Values），也可来源于外部资源，如策展数据（Curated Data）、形式化规范（Formal Specifications）、人类专业知识（Human Expertise）以及结构化或非结构化资源。该分类框架连同其三个分类维度（Facets）与评估指标（Evaluation Measures），为基于知识图谱特征、可用背景知识、目标断言类型及清洗过程来理解和比较各类清洗方法提供了系统性框架。比较分析揭示，知识图谱清洗方法的多样性反映了该任务固有的复杂性，不同技术利用了互补的背景知识源。该分析还识别出开放性的研究挑战，包括不同断言类型与清洗过程之间的支持不均衡问题。综合来看，这些洞见为从业者选择合适清洗方法提供了系统依据，也为研究人员开展后续研究奠定了结构化基础。
一、研究背景与问题提出
知识图谱是跨领域表示知识的大型语义网络，已成为搜索引擎、推荐系统及自然语言处理等众多应用的核心支撑。知识图谱的正确性是其成功实施的关键前提，错误的事实不仅会导致错误的搜索结果或推荐结果，还可能传播至下游系统，包括大语言模型的回答，而知识图谱正被提出用于缓解大语言模型的幻觉问题。然而，原始知识源中的错误以及知识创建过程的复杂性，导致知识图谱中不可避免地存在错误。因此，知识清洗即错误检测与错误纠正，成为提升知识图谱正确性的必要环节。
本综述聚焦于基于资源描述框架（RDF）数据模型的知识图谱。RDF数据集中的三元组即表示事实的断言，是知识图谱的主要组成部分。综述重点关注三类最常见的断言类型：实例断言（将个体分配给类）、属性值断言（定义个体与个体或个体与字面量之间的关系）以及相等性断言（声明两个个体指向同一论域对象）。清洗这三类断言中的错误面临两大挑战。其一为方法论挑战，即选择最合适的方法。现有方法通常针对单一断言类型，仅执行特定的清洗过程，且在所用清洗技术与背景知识方面存在差异。其二为知识图谱固有特征带来的挑战，其语义、结构与规模使得错误检测与纠正比其他数据存储库更为困难。知识图谱在开放世界假设（Open World Assumption，OWA）下运行，缺失信息不构成违规；其整合异构知识源导致断言可能相互矛盾，且溯源困难；错误常具有上下文依赖性，并可通过图结构传播；此外，知识图谱可包含数十亿条断言，处理成本高昂。
尽管文献中已有众多独立方法，该领域仍呈现碎片化状态：背景知识源定义不一致，清洗技术很少被置于更广泛的方法论图景中，且尚无现有综述将背景知识源、清洗技术与具体清洗方法统一纳入一个分类框架。因此，识别适用于特定断言错误的合适方法、理解不同方法之间的关系乃至获得该领域的连贯概览均十分困难。
二、研究内容与主要结论
本综述的主要贡献在于提出了一种新颖的知识图谱断言错误清洗方法分类框架。该框架为理解、比较和选择清洗方法提供了系统性基础，并通过对大量文献的分析，识别出常见清洗实践并概述了开放研究挑战。
综述采用结构化的五阶段分类框架构建流程，系统识别并分类清洗方法。研究从约80篇种子文献出发，通过反向雪球法与基于查询的识别方法扩展方法集，共筛选约300篇文献，最终约170篇符合纳入标准。为验证分类框架完整性，研究人员在四个主要学术 venues（AAAI技术轨道、ESWC、ISWC、Semantic Web Journal）中对2021至2024年间约700篇出版物进行了人工检索，确认无额外技术或背景知识源需要补充。
研究识别出10种清洗技术，每种技术代表一个方法家族，基于共同的动机或方法论，利用相同类型的背景知识或以相似方式分析背景知识。同时识别出6类背景知识源，按来源类型分为内部源与外部源。内部背景知识包括图结构以及上下文三元组和值；外部背景知识包括人类专业知识、结构化与非结构化资源、策展数据以及形式化规范。分类框架包含三个维度：背景知识来源类型、清洗技术的语义目标（形式语义、预期语义或两者兼有）以及清洗过程（错误检测或错误纠正）。该框架可顺序应用于方法选择决策，并辅以评估指标评估各技术的适用性、可扩展性与鲁棒性。
比较分析揭示，知识图谱清洗方法的多样性反映了任务固有的复杂性，不同技术利用互补的背景知识源。研究同时识别出开放研究挑战，包括不同断言类型与清洗过程之间的支持不均衡问题。
三、主要关键技术方法
研究人员在构建分类框架过程中采用了以下关键技术方法：一是结构化的五阶段分类框架构建流程，包括定义范围与上下文并识别种子方法、分析并分类方法、扩展方法集（通过反向雪球法与基于查询的识别）、验证分类框架完整性（在四个主要学术venues中人工检索近四年出版物）以及分析技术并讨论结果。二是基于三遍分析法（three-pass approach）识别各方法的主导方法论原则，即清洗技术，并据此对方法进行分组。三是使用自定义的基于网络文献管理工具进行结构化标注与交叉引用。四是通过比较分析提炼出分类框架的三个维度及其类别。
四、研究结果
形式语义目标下的清洗技术。 针对形式语义错误的清洗技术包括三类：基于完整性约束的技术（Integrity Constraint-based）、基于本体的技术（Ontology-based）以及基于规则和规则挖掘的技术（Rule-based and Rule-mining-based）。完整性约束技术通过外部定义的约束验证实例和属性值断言，约束语言包括SHACL与ShEx，可通过SPARQL查询或验证序列化RDF数据集两种方式应用。基于本体的技术利用本体推理检测违反形式语义的错误。基于规则和规则挖掘的技术将形式规范表达为逻辑规则，规则可手动定义或从断言中自动挖掘。
预期语义目标下的清洗技术。 针对预期语义错误的清洗技术包括基于嵌入的技术（Embedding-based）、基于文本的技术（Text-based）、基于图模式的技术（Graph Pattern-based）、基于路径的技术（Path-based）以及基于统计的技术（Statistics-based）。嵌入技术将背景知识表示为低维向量空间进行分析；文本技术将三元组转化为自然语言并搜索外部资源寻找证据；图模式技术挖掘重复出现的结构配置；路径技术通过遍历图结构分析节点间序列；统计技术分析图结构的统计特征。
形式与预期语义均可目标的清洗技术。 部分技术能够同时处理形式语义与预期语义错误，展现出更强的通用性。
评估指标与基准数据集。 综述回顾了与知识清洗相关的评估指标和基准数据集，讨论了常见实践、局限性及潜在改进方向。
开放研究挑战。 综述识别出若干开放性研究挑战，包括不同断言类型与清洗过程之间的支持不均衡问题，以及评估设置异构导致比较困难等问题。
五、讨论与结论
讨论部分指出，知识清洗方法的选择取决于多个因素：给定知识图谱的特征、背景知识源的可用性与质量、目标清洗过程以及断言类型。不同技术利用互补的背景知识源，反映了清洗任务固有的复杂性。研究还指出，许多方法因可用代码有限而难以实施，评估应在多个基准数据集上进行以避免无意中利用特定知识图谱特征。
研究结论部分总结道，本综述的主要贡献在于提出了一个包含三个分类维度的分类框架，将背景知识源、清洗技术与清洗方法系统关联。该框架为理解、比较和选择清洗方法提供了结构化基础，为从业者选择合适清洗方法提供了系统依据，为研究人员开展后续研究奠定了结构化基础。综述同时识别出开放研究挑战，包括不同断言类型与清洗过程之间的支持不均衡问题，为未来研究指明了方向。
