本文介绍了DRUM，一种解决知识图谱链接预测中新实体处理和解释性问题的端到端可微规则学习方法。通过学习规则的置信度，DRUM使用变长规则并引入置信度张量来优化模型，以避免错误规则的高置信度。实验表明DRUM在关系学习和知识图谱补全任务上优于其他方法，并能生成更准确的规则。
论文笔记整理：张文，浙江大学在读博士，研究方向为知识图谱的表示学习，推理和可解释。
现有的多数链接预测方法都不能处理新的实体，并且多为黑盒方法，使得其预测结果无法解释。本文提出了一种新的端到端的可微的知识图谱上的规则学习方法DRUM来解决这两个问题。
本文学习的规则形式如下：
其中B表示规则的body，H表示规则的head，DRUM的目标是学习规则对应的置信度 α，一般可将规则推理的过程转换为向量之间的计算如下：
其中矩阵A_Bk表示关系Bk的邻接矩阵， 是当前规则的置信度，由于此式的参数量较大且规则的结构不可提前知晓，可将其改写为：
最低0.47元/天 解锁文章
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
