When Facts Expire : Hybrid Approaches for Temporal Validation of Facts in Multiple and Heterogeneous Knowledge Graphs
Quand les faits expirent : approches hybrides de validation temporelle de faits dans des graphes de connaissances multiples et hétérogènes
Résumé
This doctoral thesis addresses the challenges of correcting and ensuring the completeness of large-scale Knowledge Graphs (KGs), focusing on the temporal validity of facts. KGs often exhibit inaccuracies and gaps, particularly for dynamic facts. Robust correction mechanisms are crucial, as fact veracity depends on the source, extraction, and validity period, making temporal information indispensable for validating relations such as the residence of a person or his employment. To overcome these limitations, this research develops new frameworks and resources. A new framework improves entity alignment between KGs through the transfer and verification of precomputed keys. To bridge a gap in direct property and class alignment, KG Nexus, a LOD-Cloud catalog, was created. The thesis also explores symbolic temporal constraints (Allen’s Algebra) to validate the temporal context of facts. Finally, a new deep learning framework is presented for temporal knowledge graph embedding tools, relying also on Allen’s Algebra relations, resolving the need to represent every timestamp.Collectively, these contributions facilitate more robust and user-friendly data validation in KGs, improving LOD Cloud utilization and cross-validation. This research advances KG correction and temporal reasoning, while also highlighting future needs in information validation within temporal knowledge graphs.
Cette thèse de doctorat aborde les défis de correction et d’exhaustivité des graphes de connaissances (KGs) à grande échelle, en se concentrant sur la validité temporelle des faits. Les KGs présentent souvent des inexactitudes et des lacunes, notamment pour les faits dynamiques. Des mécanismes de correction robustes sont cruciaux, car la véracité des faits dépend de la source, de l’extraction et de la période de validité, rendant l’information temporelle indispensable pour valider des relations comme la résidence d’une personne ou son emploi.Pour surmonter ces limites, ces travaux de thèse développent de nouveaux cadres et ressources. Un nouveau cadre améliore l’alignement des entités entre KGs via le transfert et la vérification de clés précalculées. Pour combler une lacune en alignement direct de propriétés et de classes, KG Nexus, un catalogue LOD-Cloud, a été créé. La thèse explore également les contraintes temporelles symboliques (algèbre d’Allen) pour valider le contexte temporel des faits. Enfin, un nouveau cadre d’apprentissage profond est présenté pour les outils d’intégration de graphes de connaissances temporels, reposant aussi sur l’algèbre d’Allen, résolvant ainsi la nécessité de représenter chaque point temporel. Collectivement, ces contributions facilitent une validation plus robuste et collégiale des données dans les KGs, améliorant l’utilisation du LOD Cloud et la validation croisée. Cette recherche fait progresser la correction des KGs et le raisonnement temporel, tout en soulignant les besoins futurs en validation d’informations dans les graphes de connaissances temporels.
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
