论文笔记整理:谭亦鸣,东南大学博士。
来源:Knowledge-Based Systems 197 (2020) 105910
链接:https://www.sciencedirect.com/science/article/abs/pii/S0957417419306839
概要与动机
知识图谱推理是图谱构建的关键技术之一,它在包括垂直搜索和智能问答等应用场景中有着重要作用。推理的目标是根据已知实体和关系推断所需的未知实体。现有的推理方法主要基于embedding实现(即对所有的实体和关系做整体embedding,然后利用向量相似度推断实体间的关系或者给定三元组是否为真)。但是在真实的应用场景中,我们需要一个清晰且可解释的实体作为输出。本文提出一种基于注意力机制的知识图谱深度强化学习框架ADRL,用于学习多跳关系路径,通过深度学习及强化学习结构化感知,从而提高传统方法效率,泛化能力及可解释性。
贡献
本文的主要贡献包括:
1.提出了一个面向知识图谱推理的基于深度学习的新框架,相较传统方法,该框架科研有效提升性能及可解释性
2.设计了一个关系模型,