干货！常识和事实联合驱动的知识图谱推理框架

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

当前知识表示学习方法都采用对三元组打分的方式来判断其正确性，在负采样和推理过程都容易受到知识图谱嵌入表示不确定性的影响造成一些不符合常识的错误结果，而具有常识的人们可以轻松解决这一问题。

为此，我们提出了一种从知识图谱中自动生成常识的机制为事实三元组提供更多确定性语义信息，进一步设计了常识感知的高质量负采样策略促进更有效的知识表示学习训练过程，并采用常识和事实联合驱动的多视角推理方法提高推理的准确性。

实验表明，对已有的几个知识表示学习模型扩展到我们提出的名为CAKE的框架中，均可以通过补充常识角度的语义信息提高推理精度，说明该框架具有良好的可扩展性。

本期AI TIME PhD直播间，我们邀请到北京航空航天大学计算机科学与技术专业博士研究生——牛广林，为我们带来报告分享《常识和事实联合驱动的知识图谱推理框架》。

牛广林：

北京航空航天大学计算机科学与技术专业博士研究生，主要研究方向为符号规则与常识知识指导的知识图谱表示学习和推理。

01

研究背景和挑战

• 知识图谱推理

本研究面临的主要问题，就是知识图谱补全（KGC，Knowledge Graph Completion）任务，也称为知识图谱推理。知识图谱是采用有向图的结构来表示知识的一种方式，其中节点表示的是实体，边表示的是关系。

知识图谱最大的好处是以符号这种可解释的方式建立了实体之间的关联，在很多人工智能领域的应用中通过提供有效的知识提高了算法的性能。

然而，很多知识图谱是不完备的，在使用知识图谱的过程中需要采用推理方法对知识图谱进行补全，帮助大家更有效地利用知识图谱。一个知识图谱示例和知识图谱推理任务如下图所示：

当前主要的知识图谱推理方法可以分为以下三类：

• 基于规则的方法。设计规则学习算法，从知识图谱中自动挖掘出一些规则并利用规则进行推理。

• 基于路径的方法。从一个实体出发，让智能体自主选择一条路径，这条路径到达的尾实体就是我们要的推理结果。

• 基于知识表示学习（KGE，KG Embedding）的方法。KGE方法首先需要学习实体和关系的嵌入表示（embedding），然后在推理过程中利用实体和关系embedding为每一个候选三元组进行打分，根据分数对所有候选三元组排序，最后将排名较高的三元组作为推理结果。

在这三类方法中，KGE方法当前取得了更好的性能。然而，该方法在训练和推理阶段分别面临着一个问题。

<