Maximal fusion of facts on the web with credibility guarantee

وب بعنوان محرک مرکزی برای منابع ارزشمند برنامه های کاربردی همجوشی است. با این حال، چنین منابع تولید شده توسط کاربر اغلب ناشی از اشتباهات و اطلاعات غلط در نتیجه باز بودن ذاتی و عدم اطمینان وب است. در حالی که پیدا کردن داده های عینی بی اهمیت است، با توجه به درگیری اطلاعات بین منابع وب، ارزیابی اعتبار آنها با اعتماد به نفس بسیار سخت تر است. در این کار، ما تنظیمات جدیدی را برای اتصال داده های واقعی از وب با تضمین اعتبار و فراخوانی حداقلی در نظر می گیریم. هدف نهایی این است که نه تنها اطلاعات باید به حداکثر ممکن استخراج شود بلکه اعتبار آن باید یک نیاز آستانه را برآورده کند. برای این منظور، ما مسئله اکتشاف یک مجموعه حداکثر اطلاعات واقعی را به گونه ای طراحی می کنیم که دقت آن بزرگتر از یک آستانه پیش از تعریف است. رویکرد پیشنهادی ما یک فرایند یادگیری برای بهینه سازی پارامترهای یک مدل احتمالاتی است که روابط میان منابع داده، محتویات آنها و اطلاعات واقعی حقیقی را نشان می دهد. مدل به طور خودکار برای بهترین پارامترها بدون داده های آموزش داده شده جستجو می کند. پس از همگرایی، پارامترها به منظور تحلیل اطلاعات با اطلاعات تضمینی دقیق مورد استفاده قرار می گیرند. ارزیابی های ما از مجموعه داده های دنیای واقعی نشان می دهد که رویکرد ما 6 برابر بیشترین امتیاز را دارد.