2篇ICLR 2020 推理主题论文解读
ICLR专题
知识图谱作为人类知识的载体,蕴含着丰富的语义知识,因此支撑着许多上游的应用,例如问答,推荐等。基于知识图谱的推理作为知识图谱问答的基础,也是有着不同的解决框架,本文解读了两篇不同框架的论文:一篇是基于知识图谱的向量嵌入技术,完全基于向量操作进行推理演算;另一篇是基于Neural Logic Programming框架,并进一步解决了数值推理的问题。
1,Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings
(ICLR 2020, Poster)
Hongyu Ren, Weihua Hu, Jure Leskovec
Code
随着知识图谱向量嵌入的技术发展,衍生出了另一种基于向量的知识图谱推理方法,与之前的Neural-LP(Neural Logic Programming)类似的推理框架不同,这一推理框架将问题和实体都表示成低维向量,随后通过向量计算实体与问题的相似度,从而选取相似度较高的实体作为问题的答案实体。然而,之前的方法都是把问题表示为单个向量,但较为复杂的问题可能具有多个答案实体,所以将这种复杂问题表示成语义单一的单个向量明显是不合理的。本文提出了一种Box Embedding的思想,将问题表示成向量空间中的具有一定空间范围的box,这样的query box中就可以自然的包括所有答案实体,充分表示了复杂问题的语义信息。
具体来说,box embedding是由中心向量和偏移向量所组成,覆盖向量空间中的一定范围,所以,问