论文阅读笔记—Reasoning on Knowledge Graphs with Debate Dynamics（AAAI，2020）

这是一篇非常有趣的工作，看完会觉得眼前一亮。
论文标题：Reasoning on Knowledge Graphs with Debate Dynamics
发表于AAAI，2020

动机

 很多机器学习的任务都是通过将节点与关系嵌入，并计算三元组置信度得分，然后最大化正例的得分得到嵌入向量，但究竟哪一部分对最终的得分起作用是难以解释的，本文模型有个三个模块，分别是两个agent和 judge，对于待查询三元组：$q=\left(s_q,p_q,o_q\right)$，两个agent分别寻找证据链证明此三元组为True和False，并有Judge整合所有证据，得到最终结果。（听起来有点像GAN，但看下去会发现并不是）

Agent模块

  定义状态States：   记$e_t^{(i)}$为第i个agent在t时刻查询的位置，则目前的状态可记为：$S_t^{(i)}=\left(e_t^{(i)},q\right)\in \mathcal{S}={\mathcal{E}}^2\times \mathcal{R}\times \mathcal{E}$
  定义行动Actions：从状态$S_t^{(i)}=\left(e_t^{(i)},q\right)$出发，所有可能到达的节点集合（即$e_t^{(i)}$的邻居集），记做${\mathcal{A}}_{S_t^{(i)}}$：
$${\mathcal{A}}_{S_t^{(i)}}=\left\{(r,e)\in \mathcal{R}\times \mathcal{E}:S_t^{(i)}=\left(e_t^{(i)},q\right)\wedge \left(e_t^{(i)},r,e\right)\in \mathcal{K}\mathcal{G}\right\}$$
  定义转移过程：若在状态$S_t^{(i)}=\left(e_t^{(i)},q\right)$时选择行动