怎么样基于知识图谱来实现推理:
常见知识图谱推理方法分类:
符号表示(Explicit Representation):局限于显示表示,可解释性强。
向量表示(Implicit Representation):易于表示隐式知识,缺乏可解释性。
演绎推理:更多依赖显示的知识描述和知识推导
归纳推理:更多依赖大数据和机器学习方法。
基于符号的演绎推理方法:
基于Onto Axioms;基于Datalog;
基于符号的归纳推理方法:
基于图结构,如PRA系列;规则归纳学习,如AIME
基于表示学习和神经网络的推理方法:
知识图谱嵌入系列模型;基于图神经网络的推理模型RGCN;Ontology Embedding
基于向量表示学习符号规则,再利用符号规则进行演绎推理:
基于向量的规则学习,如IterE;NeuralLP等。
基于符号表示的推理:
TBox:主要定义概念以及关系。
ABox:包含事实性断言或描述。
Tbox语言:定义引入概念以及关系的名称;如Mother、person、has_child等;声明包含关系的公理;
Abox语言:概念新言-表示一个对象是否属于某个概念;关系新言-表示两个对象是否满足特定关系;