研究如何通过神经逻辑编程的框架来学习概率一阶逻辑规则应用于知识库推理,达到了比先前工作更好的效果。
Feb, 2017
本文提出了一种基于概率模型的 RNNLogic,并采用 EM 算法和后验推断方法,实现了在知识图谱推理中,学习逻辑规则的高效优化
Oct, 2020
本研究提出了一种新的框架 STREAM,通过采用最新的基于提示的语言模型作为知识专家来提取任务特定的逻辑规则,从而自动化地学习逻辑规则,以减少人工标注的工作量,并通过实验验证了该框架在命名实体标记任务中的有效性。
Oct, 2022
探索如何使用基于 RNN 的迭代神经网络将符号逻辑定义为字符级逻辑程序,使其在高维向量空间中学习推理,进一步分析学习推理算法如何产生逻辑程序中的原子、文字和规则表示,并针对谓词和常量符号的长度以及多次跳跃推理的步数进行评估。
May, 2018
本文提出了一种结合逻辑规则和神经多跳推理方法的强化学习方法,用于解决生物医学数据中长距离依赖性的问题,应用于药物再利用领域的链接预测问题,并在 Hetionet 知识图谱中表现出了优异的实验结果。
Jul, 2020
这篇论文提出了一种深度学习和逻辑规则相结合的通用框架,能够将逻辑规则的结构信息转移至神经网络的权重中,有效地提高了 CNN 和 RNN 的性能,适用于情感分析和命名实体识别等多个领域。
Mar, 2016
利用大型语言模型 (ChatRule) 在知识图谱中挖掘逻辑规则,包括基于语义和结构信息的规则生成器以及利用现有知识图谱评估和验证规则的模块,展示了方法的有效性和可扩展性。
Sep, 2023
我们提出了一种基于知识图谱的树状规则方法,可以扩展规则的应用范围和提高基于规则的方法的推理能力,并通过在四个公共数据集上的实验证明,相比链状规则,在链状规则归纳方法的基础上改进的树状规则在关联预测上表现更好。
Mar, 2024
该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法,可以与任何基于转换的知识图谱嵌入模型(如 TransE)轻松集成。经过广泛的实验,在链接预测和三元组分类上显示出更好的性能提升。
Mar, 2019
本文针对生物数据的图形结构,以药物再利用的真实任务为例,利用强化学习和逻辑规则相结合的方法 PoLo 进行链路预测,超越了几种最先进的算法,并提供解释性。
Mar, 2021