该论文提出了一个扩展的Neural LP框架，专注于数值规则的可微学习，解决了知识图谱中数值特征的处理问题。通过动态规划和累积求和，实现了数值比较操作符，增加了否定和聚合操作符，提高了规则的表达能力。实验表明，这种方法在链接预测任务上表现出更高的准确性，同时保持了规则的可解释性。
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
最低0.47元/天 解锁文章
2671
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
