知识图谱作为当今最有影响力的数据共享源与知识解释工具,其重要程度不言而喻。如今在大数据环境下,随着事物的快速演变,知识图谱的扩展与检错工作成为了研究热点之一。知识图谱扩展与检错的核心任务可细分为两个方面,即对外部知识的理解与对自身内部知识的推理。因此,本文将分别介绍对外部数据源进行解析时遇到的困难与对自身内部知识进行推理时面临的挑战,并通过提出行之有效的解决方案来克服研究内容中的难点。论文主要的研究内容与贡献如下:1.基于集体推理的万维网表格语义理解与实体扩展:传统的集合相似度匹配方法无法对无重叠元素的两个集合进行匹配。由于知识图谱的不完整性与万维网内容的多样性,万维网表格与知识图谱中存在很多语义相似却无法匹配的列与类别。另外,较少的重叠元素还会导致低质量的列类匹配结果。因此,本文提出了一个全局集体推理框架来推理未知列的语义类别,同时还能够大幅度提高列类匹配的Top-k质量,尤其是Top-1的质量。另外,本文设计了一套有效的列语义匹配模型,其中包括了对列的特征抽取以及训练数据的自动生成方法。此外,考虑到数据集的规模,还提出了三种推理策略来提升整体的推理效率。最后,本文采用众包对列类匹配结果抽取出的实体进行验证后扩展到知识图谱中。2.基于众包技术的万维网表格模式解析与知识扩展:为了更好地理解万维网表格的语义,本章提出了一个人机结合的方式来解析万维网表格的语义模式。由于众包的高昂费用与延迟代价,本章采用快速排序连接算法设计了 一个全自动机器方法,并通过提前终止无意义的模式计算来快速生成优质的Top-k个模式候选,以减少众包问题的总数量。同时,为了提高众包的利用率,论文还设计了众包问题的分派优化算法,并通过设计问题的形式来保障众包答案的质量。最后,基于人机结合所选取的最优模式抽取出全新的知识,并实现对知识图谱的扩展。3.基于关系敏感嵌入式技术的知识图谱扩展与检错:针对知识图谱中存在的不一致性与不完整性问题,提出了一种基于关系敏感的嵌入式模型对知识图谱进行推理,以实现知识补全与错误检测的目的。论文设计了两种关联关系的评价函数,并采用动态聚类算法将高度关联的关系聚合到一起。因此,在知识图谱嵌入过程中,可以通过引入关联关系间的影响来修正知识图谱中的不一致性所带来的偏差。同时,本文的方法还可以与传统模型进行结合来达到更好的推理预测效果。