Completeness, Recall, and Negation     in Open-World Knowledge Bases 1. Introduction & foundations (Simon) 2. Predictive recall assessment (Fabian) 3. Counts from text and KB (Shrestha) 4. Negation (Hiba) 5. Relative completensss & wrap‐up (Simon)  Simon Razniewski, Hiba Arnaout, Shrestha Ghosh, Fabian Suchanek CC-BY Fabian M. Suchanek. To get a PDF of these slides, open in Chrome and print to PDF. >ruleMining
Predictive recall assessment How can we find out if a knowledge base is complete? •  The Basics: Predicting facts •  Recall of facts     •  Do we have all objects for a subject?     •  Can we use text to determine completeness? •   Recall of entities     •  Do we have all entities of the real world? 2
Fact Prediction Problem 3 [Roslyn Pinker from Pinterest, Steven Pinker by Rose Lincoln, Susan Pinker by De Standaard] hasChild hasChild gender female Steven Pinker Susan Pinker Roslyn Pinker 
Fact Prediction Problem 4 Problem: Fact Prediction Problem Input: a knowledge base K  Task: Find facts f∕∈K  that are true in the real world. We may be able to deduce some facts that are very likely to be true in reality, even though they are not in the KB. => This is where the KB must be incomplete hasSister hasChild hasChild gender female
Fact Prediction by Rule Mining 5 Given a KB, rule mining automatically finds logical rules such as: ... usually with a confidence score. These can be used to predict facts.  hasChild(x,y) ∧ hasChild(x,z) ∧ gender(z, female) ⇒ hasSister(y,z)  marriedTo(x,y) ∧ hasChild(x,z) ⇒ hasChild(y,z)  wasBornIn(x,y) ∧ hasLanguage(x,z) ⇒ speaks(x, z)  hasSister hasChild hasChild gender female >details
Fact Prediction by Rule Mining 6 Bottom‐up approaches Start with rules for concrete instances, generalize them Top‐down approaches Start with short rules, make them longer Jonathan Lajus, Luis Galárraga, Fabian M. Suchanek: Fast and Exact Rule Mining with AMIE 3”, ESWC 2020 Stefano Ortona, Venkata Vamsikrishna Meduri, Paolo Papotti: Robust Discovery of Positive and Negative Rules in Knowledge Bases (Rudik system) ICDE 2018 C. Meilicke, M. Chekol, D. Ruffinelli, H. Stuckenschmidt: Anytime Bottom-Up Rule Learning for Knowledge Graph Completion (AnyBurl system), IJCAI 2019 >linkPred
Fact Prediction by Link Prediction 7 We can try to embed the entities in an n ‐dimensional vector space in such a way that their relative position corresponds to their relations: