EMNLPMay, 2020

采用规则指导的协作智能体学习知识图谱推理

PDF
TL;DR本文介绍了一种名为 RuleGuider 的算法，它通过整合高质量的基于符号的规则，为基于游走的代理提供奖励监督，以提高其性能。在基准数据集上的实验结果表明，RuleGuider 提高了基于游走的模型的性能而不失可解释性。
发现论文，激发创造
  • 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

  • 基于强化学习的知识图谱规则挖掘

    本研究提出了一种基于强化学习的两阶段框架，以在知识图谱中生成和评估规则，实验结果表明，该方法在效率和效果方面均达到了最先进的水平。

    Feb, 2022

  • 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

  • 通过联合建模知识图谱和软规则进行知识推理

    本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

    Jan, 2023

  • 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

  • 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

  • 利用自动生成的知识图谱和强化学习技术增强推荐系统

    在金融服务领域，应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章，促进客户关系、客户参与及推动客户做出明智的金融决策，并发掘了结构化数据和非结构化数据的潜在价值。

    Jul, 2023

  • 利用强化学习在图表示上进行对话代理的知识获取

    我们开发了一个人工智能代理，通过与其他代理进行对话来积极增加其知识库，并通过识别新的集成信念周围的图模式来生成对话响应，我们展示了在交互中可以使用强化学习来学习选择有效的图形模式，而无需依赖明确的用户反馈，并在这一背景下，我们的研究证明了利用用户作为信息来源的可行性。

    Jun, 2024

  • 知识驱动强化学习

    本文提出一种名为知识引导强化学习（KGRL）的框架，该框架采用一种基于嵌入式的注意机制，可以在训练和推理阶段中灵活地改编、重新排列和重复使用外部知识，使得 RL 智能体更受社会接受，并在离散和连续动作空间的任务中展现出更高的样本效率和可解释性。

    Oct, 2022

  • 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