Truth selection for truth discovery models exploiting ordering relationship among values

اطمینان از اطلاعات یکی از مسائل اصلی مربوط به داده های وب است. مدل های کشف حقیقت را می توان با ارزیابی اعتماد به ارزش و اعتبار منبع از طریق تجزیه و تحلیل ادعاهای موجود در یک حوزه دنیای واقعی که توسط منابع مختلف ارائه می شود، برای ارزیابی آن استفاده می شود. مطالعات بسیاری در این زمینه انجام شده است. ارزش های واقعی انتخاب شده توسط اکثر مدل ها دارای بیشترین اعتماد به نفس هستند. این استراتژی ساده را نمی توان برای تعیین ارزش های واقعی مورد استفاده قرار داد زمانی که یک دستور جزئی در میان مقادیری وجود دارد که در نظر گرفته شده است به منظور افزایش عملکرد نهایی. در واقع، در این مورد، برآوردهای حاصل با توجه به نظم جزئی ارزشها یکنواخت می شوند. بالاترین اعتماد به نفس همیشه به ارزش عمومی ترین است که به طور ضمنی توسط همه دیگران پشتیبانی می شود. بنابراین، استفاده از بالاترین اعتماد به عنوان معیار برای انتخاب مقادیر واقعی مناسب نیست زیرا همیشه مقادیر کلی را باز می گرداند. برای حل این مشکل، ما یک رویه پس از پردازش پیشنهاد می کنیم که با استفاده از نظم جزئی در میان ارزش ها و تخمین های اعتماد به نفس یکسان می تواند ارزش واقعی انتظار را شناسایی کند. نتایج تجربی در مجموعه داده های مصنوعی اثربخشی رویکرد ما را نشان می دهد.