5-2知识图谱推理-知识图谱推理简介

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；