ICLRNov, 2017

散步并到达答案：利用强化学习在知识库中推理路径

PDF
TL;DR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。
knowledge baseskb completionpath-based modelsminervaneural reinforcement learning
发现论文，激发创造
  • 通过知识库补全对路径进行推理

    本论文探讨了一种简单的方法，使用知识库完成模型（KBC）和学习的嵌入向量，自动构建和排序源实体和目标实体对之间的路径。我们使用获取的生物医学科学文献挖掘了一个知识图，并提取了一组高频路径用于验证。实验结果表明，我们的方法能够有效地排列实体对之间的已知路径，并提出了未在知识图中存在的合理路径。对于给定的实体对，我们能够在排名前 10 的路径中 60% 的时间内重构出排名最高的路径，并达到 49％的平均精度。由于任何能够产生实体向量表示的 KBC 模型都可以使用，因此我们的方法具有组合性

    Nov, 2019

  • 知识库问答中应更加关注关系探索

    本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。

    May, 2023

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 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

  • DeepPath: 知识图谱推理的强化学习方法

    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。

    Jul, 2017

  • 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

  • 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

  • 知识图谱问答的变分推断

    本文介绍了一种基于知识图谱的问答系统，采取了一种新型的深度学习架构和端到端变分学习算法，可以同时处理问题中的噪声和多跳推理，在最新的基准数据集中取得了最优表现。

    Sep, 2017

  • 变分知识图谱推理

    本研究提出了一种基于概率图模型和变分推断的方法，通过建立一个潜在变量表示创建实体之间关系，并且使用该方法成功得进行了缺失链路预测任务，实验结果表明该方法在多个数据集上都达到了最优表现。

    Mar, 2018

  • 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