AMIE(Association Rule Mining under Incomplete Evidence)是一个用于从不完全知识图谱中挖掘关联规则的算法。它是为了处理在知识图谱中存在的不完全性和不确定性而设计的,能够发现实体和关系之间的有意义的模式和关联。
AMIE的计算过程可以概述如下:
-
规则生成:AMIE从知识图谱中生成候选规则。这些规则的形式通常是head←body,其中head和body都是带有变量的三元组。例如,一个规则可能是 Parent(X,Y)←Father(X,Y)。
-
规则评估:对于每个候选规则,AMIE计算其支持度和置信度。支持度是指满足规则的实例数量,置信度是满足body的实例中满足head的比例。例如,如果规则是 Parent(X,Y)←Father(X,Y),支持度就是知识图谱中有多少对(X, Y)满足这个规则,置信度则是这些对中有多少同时满足Parent关系。
-
规则修剪:AMIE通过对支持度和置信度的阈值进行过滤,保留有意义和高置信度的规则。这有助于减少噪声和无意义的规则。
-
规则扩展:AMIE会通过不断扩展规则的body部分来生成更复杂的规则,并重新计算其支持度和置信度。扩展规则可以帮助发现更深层次的关联。例如,从 Parent(X,Y)←Father(X,Y)扩展到Parent(X,Y)←Father(X,Y)∧Married(X,Z)。
-
迭代过程:上述步骤会反复进行,直到无法再生成新的有意义的规则为止。
具体计算过程
以下是AMIE算法的一些具体步骤和计算公式:
-
支持度计算:
其中,R是规则,body(X,Y)和 head(X,Y)是规则的body和head部分。
-
置信度计算:
置信度表示在满足body部分的所有实例中,有多少也满足head部分。
-
标准置信度(Standard Confidence):
-
PCA置信度(PCA Confidence):
PCA置信度考虑了知识图谱中可能存在的未观测到的三元组,因此通常比标准置信度更稳健。
AMIE算法通过以上步骤,能够有效地从不完全的知识图谱中挖掘出高质量的关联规则,帮助理解和利用知识图谱中的隐含信息。