笔记整理:陈子睿,天津大学硕士
论文链接:https://dl.acm.org/doi/10.1145/3511808.3557316
动机
知识超图链接预测已被认为是各种知识使能下游应用的关键问题。然而,大多数现有方法主要以黑盒方式执行链接预测,它们学习实体关系的低维嵌入进行推理,无法提供人类用户可理解的解释。本文提出了HyperMLN,一个多元、混合、可解释的框架,它用一阶谓词逻辑解释路径推理过程,提供一个知识增强的可解释预测框架,其中逻辑规则中的领域知识用于提升嵌入模型的推理性能,而嵌入空间中的语义信息可以反向优化逻辑规则的权重大小。为给可解释性链接预测方法提供基准规则集,在每个知识超图与知识图谱数据集中挖掘了三种元逻辑规则来解释结果。在实现可解释性的同时,与最先进的知识超图嵌入方法相比,我们的框架在Hits@1指标上平均实现了3.2%的性能提升。
亮点
HyperMLN的亮点主要包括:
(1)探索通过带权重值的逻辑规则构建马尔科夫毯的方式完成对推理结果的解释,包括相关实体及关系对隐藏元组成立的贡献度;
(2)采用数据与知识混合驱动的方式,同时利用向量空间中的语义信息与逻辑规则中的领域知识,完成对隐藏元组的推理。
概念及模型
HyperMLN的关键思想是使马尔科夫逻辑网络适应于多元关系的表示,包括马尔科夫网络中的变量和势函数。接着定义元组的联合分布,通过将知识超图嵌入模型与马尔科夫逻辑网络相结合以完成推理。该组合模型可以通过变分EM算法进行有效训练,其中逻辑规则中编码的领域知识和向量空间中学习的语义信息可以收敛,以提高预测性能。此外,最终的预测结果可以由逻辑规则和相应的马尔可夫毯来解释。
HyperMLN具体由三部分组成:
①基于多元关系的马尔科夫逻辑网络:无需采用star-to-clique转换即可基于逻辑规则将知识超图构建为马尔科夫网络。
②训练与预测:采用变分EM算法同时优化知识超图嵌入模型参数及马尔科夫逻辑网络的逻辑规则权重。
③结果解释:抽取预测元组的马尔科夫毯,基于逻辑规则及权重值解释元组的推理路径。
模型整体框架如图1所示: