Feb, 2020
针对符号知识库推理的可扩展神经方法
Scalable Neural Methods for Reasoning With a Symbolic Knowledge Base
TL;DR介绍了一种表示符号知识库的新方法，称为稀疏矩阵实体化知识库。该表示形式可以使用完全可微的神经模块，表达式足够丰富以模拟多跳推理，并具有可伸缩性，以便使用现实中的大型知识库。该方法能够在多个GPU上分布，可扩展到数千万个实体和事实，比朴素的稀疏矩阵实现快几个数量级。稀疏矩阵实体化知识库可用于KB完成和语义分析器学习等任务。