——总结自王昊奋、漆桂林、陈华钧主编的《知识图谱方法、实践及应用》一书的第六章 知识图谱推理。
文章目录
1 面向知识图谱的推理
主要围绕关系的推理展开,即基于图谱中已有的事实或关系推断出未知的事实或关系,一般着重考察实体、关系和图谱结构三个方面的特征信息。知识图谱的推理主要能够辅助推理出新的事实,新的关系、新的公理及新的规则等。
融合过程中包含两个重要的推理任务:实体对齐 Entity Alignment(属性对齐Property Alignment)、关系对齐 Relation Alignment。
知识图谱补全过程中,链接预测是典型的推理任务。
不一致检测是重要的推理任务。
主要技术手段主要两类:
- 基于演绎的知识图谱推理,如基于描述逻辑、Datalog、产生式规则;
- 基于归纳的知识图谱推理。主要是围绕对知识图谱图结构的分析,对知识图谱中元素的表示学习、利用图上搜索和分析进行规则学习以及应用强化学习方法等进行的。如路径推理、表示学习、规则学习、基于强化学习的推理等。
2基于演绎的知识推理
2.1 本体推理
演绎推理过程一般需要明确定义的先验信息,所以基于演绎的知识图谱推理多围绕本体展开。本体给不同的领域提供共享的词汇,因为共享的词汇需要赋予一定的语义,所以基于演绎的推理一般都在具有逻辑描述基础的知识图谱上展开。对于逻辑描述的规范,W3C提出了OWL。
2.2 基于逻辑编程的推理方法
逻辑编程是一族基于规则的知识表示语言。
本体推理通常仅支持预定义的本体公理上的推理,而规则推理可以根据特定的场景定制规则,以实现用户自定义的推理过程。规则推理的灵活性更大。
Datalog语言是一种面向知识库和数据库设计的逻辑语言,便于撰写规则,实现推理。
2.3 基于查询重写的方法
考虑两种情况:
- 知识图谱已经存在。直接在知识图谱之上的查询称为本体介导的查询稳答(Ontology-Mediated Query Answering,OMQ)
- 数据存在外部的数据库中。基于本体的数据访问(Ontology-Based Data Assess,OBDA)。数据存放在一个或多个数据库中,由映射(Mapping)将数据库的数据映射为一个知识图谱,映射标准语言为W3C的R2RML语言。
2.4 基于产生式规则的方法
产生式系统是一种前向推理系统,可以按照一定机制执行规则并达到某些目标,与一阶逻辑类似。可应用与自动规划和专家系统等领域。
一个产生式系统由事实集合、产生式集合和推理引擎三部分组成。
- 事实集合是运行内存(working Memory,WM)为事实(WME)的集合,用于存储当前系统中的所有事实。
- 产生式集合(Production Memory,PM)由一系列产生式组成。

本文深入探讨了面向知识图谱的推理方法,包括基于演绎的本体推理、逻辑编程、查询重写和产生式规则,以及基于归纳的图结构、规则学习和表示学习推理。演绎推理依赖于预先定义的信息,而归纳推理则侧重于从图谱结构中学习和分析。关键算法如PRA、AMIE和TransE等在关系推理和链接预测中发挥重要作用。这些技术对于知识图谱的补全、不一致检测和实体对齐等任务至关重要。
最低0.47元/天 解锁文章


被折叠的 条评论
为什么被折叠?



