论文浅尝 - EMNLP2020 | 基于规则引导的协作 agent 知识图谱推理学习

最新推荐文章于 2024-07-24 09:54:52 发布
最新推荐文章于 2024-07-24 09:54:52 发布
阅读量773 收藏 5
点赞数 1
文章标签： 机器学习 人工智能 深度学习 算法 知识图谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/112000637
版权
本文提出RuleGuider，一种结合符号方法和基于行走的强化学习的知识图谱推理模型。规则挖掘器生成高质量规则，指导关系和实体代理学习推理路径。实验表明，RuleGuider在推理任务中展现出较好的性能和可解释性。
摘要由CSDN通过智能技术生成

论文笔记整理：叶橄强，浙江大学在读硕士，研究方向为知识图谱的表示学习和预训练。

来源：EMNLP 2020

现有的大多数基于行走的模型通过在提供可解释的决策的同时获得良好的性能，在知识图谱推理中显示出其优势。但在遍历过程中提供的稀疏奖赏信号往往不足以指导复杂的基于行走的强化学习模型。

另一方面使用传统的符号方法，如规则归纳法，这些方法虽然性能良好，但由于符号表示的局限性而难以推广。

本文提出了规则引导器RuleGuider，一方面利用基于符号的方法生成的高质量规则，另一方面高质量规则为基于行走的代理提供奖励监督。

RuleGuider由两个部分组成，一个是基于符号的方法，称为规则挖掘器rule miner；另一个是基于路径的方法，称为agent。规则挖掘器rule miner首先挖掘逻辑规则，agent在规则的指导下，通过奖励来学习推理路径的概率分布。

代理部分agent分为两个子代理：关系代理和实体代理，这两个代理结构相互作用生成路径。

在每个步骤中，实体代理首先从有效实体中选择一个实体，然后

最低0.47元/天 解锁文章
开放知识图谱
关注
EMNLP 2020上与【知识图谱】相关论文（6篇）
11-14
在EMNLP 2020会议上，知识图谱这一领域展现了其在自然语言处理中的重要性和潜力。本文将深入探讨六篇与知识图谱相关的论文，这些论文涵盖了知识图谱表示、常识、任务型对话、多语种知识库补全、开放式知识图谱表示...
会议交流 - CCKS2020 | 2020年全国知识图谱与语义计算大会
开放知识图谱
10-16 974
OpenKG开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。 ...
《Adaptive Universal Generalized Pagerank Graph Neural Network》阅读笔记
LW的技术小筑
11-30 3819
论文地址：Adaptive Universal Generalized Pagerank Graph Neural Network 文章概览 作者指出了现如今多数GNN的两个缺陷： 只适用于同构图； 由于过平滑（over-smoothing），不能网络不能堆的特别深。 为此，作者从PageRank那里得到启发，提出了GPR-GNN模型，该模型解决了以上两个缺陷，作者在一系列同构图和异构图上进行了实验，结果表明在半监督结点分类任务上，GPR-GNN的性能相对于现有技术来说有显著的提升。 预备知识 论文符号
5-4-2知识图谱推理-基于规则学习的知识图谱推理
最新发布
w_gun的博客
07-24 463
.ΛBn表示规则的body部分，有n个原子（atom）组成，H表示规则的head部分，由一个原子组成，每个原子A可以表示为A=r（x，y）形式，r表示原子包含的关系，x，y表示变量。如果规则中的所有变量替换为具体的实体并保证每个实例化后的atom都存在图谱中，这样规则实例化后的结果成为规则的一个grounding。利用Embedding可以非常简便的计算关系的关系，也就是规则。基于思想：将连接两个实体的路径作为特征来预测其间可能存在的关系。规则与嵌入表示的迭代学习：IterE。可微规则学习：RuleE。
少样本知识图谱补全技术研究概述（新模型会持续更新，可以偶尔来看，等我读文献的）
qq_45444343的博客
03-12 2677
少样本知识图谱补全（FKGC）是目前知识图谱补全任务的一个研究热点，旨在拥有少量样本数据的情况下，完成知识图谱补全任务。该任务在实际应用和知识图谱领域都有着重要的研究意义,为了进一步促进FKGC领域的发展，对目前各类方法进行了全面总结和分析。
【论文解读】（2020-EMNLP）Adaptive Attentional Network for Few-Shot Knowledge Graph Completion
fadeG的博客
10-12 1235
【论文解读】（2020-EMNLP）Adaptive Attentional Network for Few-Shot Knowledge Graph Completion 摘要 最近相关研究的重点为通过学习实体的静态表示方法，而忽略他们的动态属性。 本文通过自适应注意力网络： 实体由自适应邻居编码器建模，来识别他们面向任务的角色 引用由自适应查询感知聚合器建模，来区分他们的贡献 介绍 解决小样本知识图谱补全问题发展： （2018）GMatching提出尾实体预测的解决方法，为了改进引用的语义表示，利用
图小样本学习方法调研
VIEO
03-11 1157
基于图网络的few-shot detection论文总结（上） - Kristina王的文章 - 知乎 https://zhuanlan.zhihu.com/p/217431724 这几天读了一些关于用图网络对少样本进行目标检测的论文，发现今年顶会接收的关于此方向的文章有点“换汤不换药”的味道。 1、《Knowledge Graph Transfer Network for Few-Shot Recognition》AAAI 2020 是一篇关于知识图谱迁移网络小样本识别的论文。 Abstract
强化学习多跳推理-知识图谱
07-12
多篇研究论文展示了强化学习在知识图谱多跳推理中的应用，如ICLR 2018年的"Reasoning Over Paths in Knowledge bases using Reinforcement Learning"，它提出了在不完整知识图谱中进行推理时，由于错误的反馈导致...
EMNLP 2020论文分析：知识图谱增强语言模型或是未来的发展趋势！
11-30
在EMNLP 2020的论文投递中，知识图谱的研究热度不减，并成为继续推动NLP发展的重要动力之一。在EMNLP 2020中，知识图谱领域有了哪些最新研究进展呢？作者从中选出了30篇文章，对未来2-3年知识图谱的研究趋势进行分析...
EMNLP 2020上与【知识图谱补全】相关的论文（五篇）.zip
11-25
EMNLP 2020共收到有效投稿3114篇，录用602篇长文和150篇短文。近期，所有Paper list 放出，也包括（Findings of EMNLP），知识图谱补全特别是时序知识图谱补全（KGC）相关的接受paper很多，希望大家多多关注。
interpretability-tutorial-emnlp2020:EMNLP 2020教程“解释NLP模型的预测”的材料
04-13
该教程于2020年11月19日在Zoom上举行。 主持人是，和。 滑梯 幻灯片的PDF版本在。 Google Drive版本在。 随意根据自己的目的重复使用我们的任何幻灯片。 视频 该视频可。 抽象的 尽管神经NLP模型具有很高的表现力和...
近期有哪些值得读的推荐系统论文？来看看这份私人阅读清单
Paper weekly
06-19 830
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。本期「本周值得读」关注的是「...
基于规则指导的知识图谱推理协作代理学习（2019）7.27+7.28+7.29
RM_Jin的博客
07-27 1093
基于行走模型是通过在提供可解释决策的同时实现良好的性能，在知识图（KG）推理中显示了其优势。然而，KG在行走过程中提供的稀疏信号通常不足以指导复杂的基于行走的强化学习（Reinforcement learning RL）模型。行走（walk）模型是一种用于学习图形嵌入（graph embedding）的方法，图形嵌入是将图形中的节点映射到低维向量空间中的过程。走路模型通过模拟在图形中“走路”来学习节点之间的关系，从而为每个节点分配一个嵌入向量。
ACMMM2021｜在多模态训练中融入“知识+图谱”：方法及电商应用实践
阿里云云栖号
10-20 1987
简介：随着人工智能技术的不断发展，知识图谱作为人工智能领域的知识支柱，以其强大的知识表示和推理能力受到学术界和产业界的广泛关注。近年来，知识图谱在语义搜索、问答、知识管理等领域得到了广泛的应用。 作者 | 朱渝珊 来源 | 阿里技术公众号 一 背景 1 多模态知识图谱 随着人工智能技术的不断发展，知识图谱作为人工智能领域的知识支柱，以其强大的知识表示和推理能力受到学术界和产业界的广泛关注。近年来，知识图谱在语义搜索、问答、知识管理等领域得到了广泛的应用。多模态知识图谱与传统知识图谱的主要区别是.
在多模态训练中融入“知识+图谱”：方法及电商应用实践
阿里云技术
10-20 494
一 背景 1 多模态知识图谱 随着人工智能技术的不断发展，知识图谱作为人工智能领域的知识支柱，以其强大的知识表示和推理能力受到学术界和产业界的广泛关注。近年来，知识图谱在语义搜索、问答、知识管理等领域得到了广泛的应用。多模态知识图谱与传统知识图谱的主要区别是，传统知识图谱主要集中研究文本和数据库的实体和关系，而多模态知识图谱则在传统知识图谱的基础上，构建了多种模态（例如视觉模态）下的实体，以及多种模态实体间的多模态语义关系。当前典型的多模态知识图谱有DBpedia、Wikidata、IMGpedia..
阿里云天池赛题解析【深度学习篇重磅发布】！
机器学习算法与Python学习
10-09 1049
点击 机器学习算法与Python学习 ，选择加星标精彩内容不迷路·哈喽，各位小伙伴。今天联合博文视点为大家送5本《阿里云天池大赛赛题解析——深度学习篇》。参与方式：在本文评论中谈谈你对竞赛...
社区发现算法(一)
热门推荐
I am not a quitter.
05-08 1万+
图分割方法大多是基于迭代二分法的，基本思想是将图分割成两个子图，然后迭代，最后得出要求的子图数。经典的算法有Kernighan-Lin算法和谱二分算法。
IEEE Proc.｜基于知识图谱的少样本和零样本学习综述
二十四桥明月夜的博客
02-02 907
本文回顾了这些研究领域的90多篇文章，介绍了ZSL和FSL中使用的知识图谱及其构建方法，并系统地归类和总结了知识图谱感知的ZSL和FSL方法，将它们分为不同的范式，如基于映射、数据增强、基于传播和基于优化等。
Learning Collaborative Agents with Rule Guidance for Knowledge Graph Reasoning-学习笔记
ChanYeol666的博客
01-08 1139
问题和初步 问题表述 给定一个查询：。 KG推理的任务是找到一组对象实体，使得，其中是中缺少的事实三元组。 为了与大多数现有作品保持一致，本文只考虑尾部查询。 基于符号的方法 某些以前的方法是从KG挖掘Horn规则，并通过将这些规则作为基础来预测缺失的事实。 最近的方法AnyBURL（Meilicke et al.，2019）表现出与基于嵌入技术的最先进方法相当的性能。 但是，这些方法有局限性。 例如，从不同KG提取的规则可能具有不同的质量，这使得推理者难以选择规则。 图1显示了这种差异。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值