Learning Collaborative Agents with Rule Guidance for Knowledge Graph Reasoning-学习笔记

最新推荐文章于 2023-11-12 19:20:24 发布
最新推荐文章于 2023-11-12 19:20:24 发布
阅读量1.1k 收藏 5
点赞数
分类专栏： 知识图谱 # 知识推理 文章标签： 人工智能
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/qq_37385720/article/details/112319544
版权
本文提出了RuleGuider，一种结合基于符号和基于步行方法的知识图谱推理系统。RuleGuider由规则挖掘器和RL代理组成，代理在规则指导下学习推理路径。实验表明，RuleGuider在FB15k-237、WN18RR和NELL-995数据集上表现优秀，并通过人工评估验证了推理路径的合理性。
摘要由CSDN通过智能技术生成

目录

问题和初步

问题表述

基于符号的方法

基于步行的方法

提出的方法：RuleGuider

模型架构

Relation Agent

Entity Agent

Policy Network

Model Learning

奖励设计

培训程序

实验

实验装置

Datasets

Hyperparameters

结果

消融研究

人工评估

结论

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。 根据预测目标实体的准确性对规则进行排序。 WN18RR的最高规则比FB15K-237的最高价值。

图1：数据集之间的规则质量差异。 WN18RR存在高质量的规则。

  • 基于步行的方法

给定查询，基于步行的方法训练RL代理以查找从到期望的对象实体的路径，该路径暗含查询关系。 在步骤t，当前状态由元组表示，其中是当前实体。然后，代理对下一

最低0.47元/天 解锁文章
ChanYeol666
关注
专栏目录
Collaborative Policy Learning for Open Knowledge Graph Reasoning
weixin_44466434的博客
10-05 364
知识图谱的文本动态补全
Rule-Guided Compositional Representation Learning on Knowledge Graphs-学习笔记
ChanYeol666的博客
10-13 968
Rule-Guided Compositional Representation Learning on Knowledge Graphs 1.表示学习知识图谱（KG）是将KG的实体和关系嵌入到低维连续向量空间中。 2.可以使用Horn规则在语义级别上组合路径和关联关系，以提高学习路径上KG嵌入的精度，并增强表示学习的可解释性。 3.DPTransE共同构建了KG的潜在特征和图形特征之间的交互，以提供精确而有区别的嵌入。 4.路径增强模型：由于多跳路径可以提供KG中看似未连接的实体之间的关系，因此K
《Collaborative Policy Learning for Open Knowledge Graph Reasoning》
最新发布
m0_51560372的博客
11-12 50
CPL；多代理；强化学习；Open KGR；交替训练；分布式表示；自适应采样；PCNN-ATT；浙江大学傅聪可解释的知识图谱推理，很多方法因为在稀疏图谱上缺乏证据链路，导致性能受限；现存的神经网络图谱推理方法挑战性能受图谱的稀疏性和完整性的影响大（缺失的边使得代理很难找到通往目标实体的）证据链路现存的方法都设定图谱是静态的并且不能适应动态丰富KG。
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
qq_41621342的博客
02-06 1799
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph ABSTRACT 构建推荐系统的两个关键层面 可解释性 有效性 与先前提出做推荐的方法比较 基于神经网络嵌入方法 缺点：大多数无法给出可解释的推荐结果 基于图形的方法 eg.基于元路径的模型。需要人工干预和领域知识定义模式和规则，而且忽略...
【论文笔记】Disentangled Graph Collaborative Filtering
qq_42924581的博客
11-03 736
Disentangled Graph Collaborative Filtering 文章目录Disentangled Graph Collaborative Filtering摘要一、DGCF模型介绍模型任务：探索用户-项目关系生成表示DGCF模型方法Graph Disentangling Moduleembedding初始化Intent-Aware Graph初始化Graph Disentangling Layer.Intent-Aware Graph更新总结 摘要 1、以往模型在模拟user-item
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
（十：2020.08.28）CVPR 2018 追踪之论文纲要（译）
Jojo论文基地
08-28 7172
CVPR 2018 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这979篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
【知识图谱推理】必读论文推荐
AI_Conf的博客
04-12 1028
通俗的理解，所谓推理，就是从现有的知识出发，运用逻辑思维能力，得出一些隐性的结论。具体到知识图谱中，所谓的知识推理，就是利用图谱中现有的知识（三元组），得到一些新的实体间的关系或者实体的属性（三元组）。设想一下，假如机器推理做的完备，一方面，它能够帮我们填充知识图谱中大量的空缺，使得知识更为完备；另一方面，对于知识问答、推荐系统等任务也有非常大的加成。 小编整理了以下几篇论文供大家参考： 1.RNNLogic: Learning Logic Rules for Reasoning on Knowledge
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
10-16 973
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。 ...
【论文笔记】KGAT：融合知识图谱的 CKG 表示 + 图注意力机制的推荐系统
HicSuntLeones
02-09 3387
Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu and Tat-Seng Chua (2019). KGAT: Knowledge Graph Attention Network for Recommendation. Paper in ACM DL or Paper in arXiv. In KDD’19, Anchorage, Alaska, USA, August 4-8, 2019. 原文：https://arxiv.org/pdf/1905.07854.
知识图谱论文阅读笔记：KGAT
travel_Capsule的博客
12-02 655
1、简介 在推荐系统中，为了提供更准确、多样化和可解释的推荐，除了考虑对user-item之间交互的建模外，还需要考虑辅助信息的影响。传统的方法如因式分解机（FM）将这个过程看作一个有监督学习问题，它假设每个交互都是一个独立的实体，并对边的信息进行编码。由于这些方法忽略了实体或项目之间的关系，因此不足以从用户的集体行为中提取出协同信号。 作者提出了一种新的方法，即知识图注意力网络（KGAT），它以端到端的方式对KG中的高阶连接进行显式建模。它递归地从节点的邻居（可以是用户、项目或属性）传播嵌入来细化节点
论文笔记：《KGAT: Knowledge Graph Attention Network for Recommendation》
一个研究生的推荐系统学习记录
05-16 5378
阅读日期：2020.5.14 gitHub地址：KGAT 研究目的 　　本文主要利用 协同过滤 的思想，通过 图神经网络 的技术，研究了在推荐任务中引入 知识图谱 和用户行为数据，发掘高阶信息作为边信息，进而增强根据用户与物品的交互来预测用户偏好的问题，从而提供更加准确、更多样和更易于解释的推荐。 　　 发现问题 　　目前，利用协同知识图谱（CKG, collaborative knowledge graph）进行推荐的工作可以分为两大类： Path-based methods 在KG中提取携带高阶.
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 1091
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。
知识图谱推理论文阅读（四）Learning to Walk across Time for Interpretable Temporal Knowledge Graph Completion
han54878的博客
08-28 567
接下来，在每个解码步骤t=1,...,T，从 GKG 中迭代地采样一个子图 Gsub(t) ，子图中只包含了查询相关的节点和边。使用 hi 和 gi(t) ，注意力流计算转移概率去将每个节点的注意力值传播到它可以到达的邻居节点上，以得到下一步的节点注意力分布 ai(t+1)。在最后的传播步骤，输入查询的答案可以被推理出，为具有最高注意力值 aiT 的节点。最初，查询节点的权重值是1，其他实体都是0，之后，在步骤t，权重流传播边权重 a~ij(t) 并且将它们聚合到节点权重 （）aj（t） 上。......
【GNN报告】GNN可解释性 & 基于几何与拓扑特性的图学习
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
10-05 3178
GNN上可解释和over-squashing问题解决
DeepPath: A Reinforcement Learning Method forKnowledge Graph Reasoning
记录学习历程
02-28 940
未来能否不用认为定义的奖励函数，而是训练一个判别模型给与奖励KG没有足够的推理路径时的效果较差的问题。
guided collaborative training for pixel-wise semi-supervised learning
04-11
Q: "像素级半监督学习的指导协作训练"。 此短语是一个研究领域的名称，涉及到利用部分有标签的数据和未标注的数据来训练计算机视觉算法，以便在像素级别上更精确地识别图像中的对象或场景。指导协作训练是一种方法...
评论 2
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