EMNLPJul, 2017

DeepPath: 知识图谱推理的强化学习方法

PDF
TL;DR本文提出了一种基于强化学习的多跳关系路径学习框架，利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率，并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。
发现论文，激发创造
  • 基于奖励塑形的多跳知识图谱推理

    文中提出了两个方法来解决不完整知识图谱上的多跳推理查询回答中存在的问题，其一是使用预训练的一跳嵌入模型来估算未观察到事实的奖励，其二是使用随机生成的边缘掩码来强制代理探索不同的路径，该方法在多个基准数据集上明显优于现有的基于路径的 KGQA 模型，并且与基于嵌入的模型相当甚至更好。

    Aug, 2018

  • 基于双智能体的知识图谱推理学习

    本文提出了一个双智能体强化学习框架，通过将 GIANT 代理快速搜索集群级路径并为另一个代理 DWARF 提供逐阶段的提示来解决长路径推理挑战，并在几个知识图推理基准测试上取得了更高的准确性和效率。

    Dec, 2021

  • 可解释推荐的增强知识图谱推理

    本文提出了一种名为策略引导路径推理（PGPR）的方法，将推荐和可解释性结合起来，并在知识图中提供实际路径，通过明确的推理过程生成和支持推荐，同时实现了强化学习和策略引导图搜索算法。在多个实际数据集的评估中，与现有的最先进方法相比，获得了良好的结果。

    Jun, 2019

  • 通过奖励塑造技术增强多跳知识图推理

    利用强化学习和 BERT 嵌入来改进多跳知识图谱推理的方法，以提高知识图谱推理的准确性和鲁棒性。

    Mar, 2024

  • 利用关系路径的混合语义进行知识图谱上的多跳问答

    本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。

    Sep, 2022

  • 散步并到达答案：利用强化学习在知识库中推理路径

    提出了一种名为 MINERVA 的算法，采用神经强化学习方法解决在只知道一个实体的情况下，找到预测路径的困难问题，以实现知识库（KB）的完善，这种方法在多个数据集上均取得了最新成果。

    Nov, 2017

  • 开放知识图谱推理的协作策略学习

    本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。

    Aug, 2019

  • 使用强化学习学习开放域多跳搜索

    本文提出了一种基于马尔科夫决策过程的演员 - 评论家强化学习算法，教会自动代理程序如何在开放领域搜索实体之间的多跳路径，并且在处理较少文档的同时仍能找到所需信息，相比几个基线启发式算法表现更优秀。

    May, 2022

  • 知识图谱推理的循环单跳预测

    本文介绍了一种基于循环神经网络和实体和关系向量表示的 ROPs 方法，可以有效地预测由多跳知识库路径组成的知识图谱中的实体。该方法能够建模任意长度的多跳路径，并以训练信号为每一步更新实体和关系的表示，从而解决了知识库补全和路径查询答案等关键任务的问题。

    Jun, 2018

  • 学习在维基百科图上检索推理路径用于问答

    介绍了一种基于图形的循环检索方法，学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果，特别是在 HotpotQA 中表现出显著的改进，超过了以前最好的模型 14 个百分点以上。

    Nov, 2019