基于图神经网络的预算约束交互式属性图修复

《Proceedings of the ACM on Management of Data》：Budgeted Interactive Property Graph Repair with GNN

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

属性图是一种强大的数据模型，但它们常常因违反完整性约束而遭受不一致性的困扰。现有的修复策略要么是完全自动化的——在处理需要领域专业知识的模糊案例时力不从心——要么是由人工驱动的，缺乏可扩展性，并且忽视了预算和用户异质性问题。在这项工作中，我们提出了一种新的属性图修复方法，该方法将自动推理与用户专业知识相结合。我们引入了一种基于图神经网络（GNN）的难度评估器，该评估器共同捕获违规的拓扑和语义方面，使系统能够区分适合自动修复的案例和需要人工输入的案例。在此基础上，我们设计了一种预算受限的、难度感知和用户感知的分配算法，该算法根据用户的专长和能力分配违规项，同时在资源约束下最大化预期修复质量。我们证明了该问题的 NP 难性，并提供了一种拉格朗日松弛方法。大量实验表明，与基线方法相比，我们的方法显著提高了修复准确率，与两种其他交互式方法相比，大幅减少了参与用户的数量。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，并非由本文作者撰写或审核。它旨在支持发现功能，帮助读者评估相关性，并协助相邻研究领域的读者理解本工作。本摘要旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章仍为权威的记录版本。点击此处了解更多。

点击此处对此摘要的准确性、清晰度和有用性进行评论。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。