چکيده
هدف از گرافهاي دانش ايجاد شبكه اي از داده ها است كه قابليت خوانده شدن توسط ماشين را دارند. پيشرفتهاي حاصله در استخراج اطلاعات امكان ايجاد گراف هاي دانش بزرگ مانند DBPedia، FreeBase، Yago را ميسر نموده است. يادگيري قوانين و الگوهاي موجود در گراف هاي دانش جهت تكميل و تصحيح آنها، امري ضروري است. در واقع يادگيري و استخراج قوانين موجود در يك گراف دانش مي تواند منجر به استنتاج حقايق جديد (كه از پيش در گراف دانش وجود ندارد) شود. همچنين با استفاده از قوانين مي توان اطلاعات اشتباه موجود در گراف دانش را تشخيص داده و حذف نمود و بدين ترتيب گراف دانش را غني تر كرد.
با اينكه گراف هاي دانش موجود حاوي ميليونها دانش است اما اين گراف ها هنوز فاصله زيادي تا كامل شدن دارند. علاوه بر اين گراف هاي دانش صرفنظر از ناكامل بودن (اعم از آنهايي كه بصورت دستي يا شبه خودكار ايجاد شده اند) همواره از مشكل داده هاي نامتوازن (Biased) رنج مي برند.
مشكل بعدي گراف هاي دانش صحت اطلاعات آنها است. صرفنظر از روش ايجاد گراف دانش، اطلاعات آنها به ندرت خالي از اشتباه است. در گراف هاي دانشي كه بصورت دستي ساخته شده اند، ممكن است افراد عقايد شخصي خود را در ورود اطلاعات لحاظ نمايند. در گراف هاي دانشي كه بطور خودكار ساخته شده است نيز اغلب نويز وجود دارد زيرا روش هاي استخراج اطلاعات معمولاً ناكامل هستند.
براي رفع مشكلات فوق عمدتاً دو روش آماري و منطقي وجود دارد كه روش منطقي بر يادگيري قوانين منطقي متمركز است.
در اين سمينار هدف بررسي روش هاي يادگيري قوانين در گراف هاي دانش به منظور استنتاج اطلاعات جديد و افزودن آنها به گراف دانش است.
