本文介绍了一种可微的逻辑规则学习模型——NeuralLP，用于知识库推理。该模型从TensorLog中获得灵感，解决了传统方法中实体无关性和可微性的问题。通过学习规则结构和置信度，NeuralLP使用RNN和注意力机制进行推理，表现出强大的归纳推理能力。实验表明，NeuralLP在统计关系学习、路径寻找、知识库补全和问答等任务上表现优秀。
Citation：Fan Yang,Zhilin Yang, William W. Cohen. Differentiable Learning of Logical Rules for Knowledge Base Reasoning. ICLR 2017.
动机
本文提出了一个可微的基于知识库的逻辑规则学习模型。现在有很多人工智能和机器学习的工作在研究如何学习一阶逻辑规则，规则示例如下图：
形式化本文关心的逻辑规则如下：
每一个规则由多个约束条件组合而成，并且被赋予一个置信度 α，其中query(Y,X) 表示一个三元组，query 表示一个关系。
不同于基于 embedding 的知识库推理，规则应该是实体无关的，规则可以应用于任何新添加到知识库中的实体，但在知识库 embedding 方法里，新添加到知识库中的实体由于没有对应的表示，无法就这些实体进行相关的推理。
不同于以往的基于搜索和随机游走的规则学习方法，本文的目标是提出一个可微的一阶谓词逻辑规则学习模型&
最低0.47元/天 解锁文章
579
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
