论文笔记整理:许泽众,浙江大学博士研究生。研究方向:知识图谱,规则挖掘等。
论文链接:https://openreview.net/pdf?id=rJleKgrKwS
本文解决的是规则的学习问题,学习出来的规则可用于知识推理任务,例如链接预测等。
KG上的规则捕获了数据中可解释的模式,并且可以用于KG的清洗和补全。
可微逻辑框架TensorLog将规则推理编译成了可微的操作序列。受TensorLog的启发,Neural LP方法可用于学习参数和规则的结构。然而,它在处理age, weight, scicentific measurements等数字特征方面受限。本文提出Neural LP的扩展,可实现对数值规则的快速学习。在通用的Neural LP方法中,数值规则会导致稠密的矩阵操作,使用动态规划和累积求和运算,有效地表达了用于数值比较的操作符。同时作者还设计了否定、聚合等操作符,总体上使得规则形式更加丰富。
最后在多个KG数据集上进行了实验,证明了本文的方法和Neural LP方法相比,可以更准确地回答queries,并且比state-of-the-art的规则抽