Sep, 2021

通过神经符号人工智能将规则和嵌入结合起来用于知识库完成

PDF
TL;DR通过提出两种不同的基于规则的 KBC 方法，并结合神经符号 AI，继承了布尔逻辑到实值逻辑，本文提出的模型实现了最佳的 KBC 精度，并通过将规则 - based KBC 与图嵌入相结合来解决关系路径的不均匀性。
发现论文，激发创造
  • 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

  • 神经符号人工智能用于生物医学知识图谱推理

    本文调查了神经符号人工智能的杂交方法在生物医学领域的实用性和潜在益处，这些方法对于如药物重新定位等任务的 KG 完成 (KGC) 更为适合，因为生物医学数据集通常被建模为知识图谱 (KG) 以捕捉其多关系、异质性和动态属性。

    Jul, 2023

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 用图神经网络和规则实现归纳式知识图补全的分析

    归纳性知识图谱补全的这篇研究中，通过学习训练图谱中的推理模式，从而对不相交的测试图谱进行预测；研究发现基于规则的方法相对于基于图神经网络（GNNs）的最新方法具有较低的性能，但通过针对问题所涉及的两个因素进行优化，可以实现接近基于图神经网络的性能，同时保留了规则方法的可解释性优势，并且进一步的变种在总体知识图谱中的表现优于基于图神经网络的方法。

    Aug, 2023

  • 生物知识图谱上的神经符号表示学习

    本研究开发了一种结合符号逻辑和神经网络自动生成生物学知识图谱节点的向量嵌入方法，用于生物知识图谱的边预测，并实现了优于人工特征方法的表现，该方法可应用于任何生物知识图谱中，并开放性的提供了生物领域中基于语义 Web 技术的知识库的机器学习和数据分析。

    Dec, 2016

  • 基于嵌入式链接预测的规则挖掘改进

    在本研究中，我们提出了一种新的方法，通过在给定知识图谱上应用预训练的实体和关系嵌入来增强知识图谱，并运用规则挖掘系统，从而结合了规则挖掘和基于嵌入的方法的优点，我们在七个基准数据集上进行了大量实验证明了我们的方法的有效性，并提供了开源实现、预训练模型和数据集。

    Jun, 2024

  • 基于神经符号化的规则嵌入知识图谱推理

    本文提出了一种名为 RulE 的框架，它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量，RulE 可以以软方式进行逻辑推断，并为每个规则分配置信度分数，从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验，RulE 的有效性得到了证明。

    Oct, 2022

  • 迭代学习知识图谱推理的嵌入和规则

    本文提出了 IterE 框架，通过迭代学习嵌入和规则，将嵌入和规则学习相结合并互相补充。使用 IterE 进行的实验显示出，迭代学习嵌入和规则可以同时提高知识库中稀疏度实体的嵌入质量和链接预测结果，而且，在规则学习效率和规则质量方面都优于 AMIE+。

    Mar, 2019

  • 为知识库完备性建立组合向量空间模型

    该论文提出了一种使用递归神经网络推理多跳关系的新方法，通过向既有的知识库添加由多跳关系推理得出的新事实实现知识库完成，并在新整理的数据库上展示了 11% 的准确度提升。

    Apr, 2015

  • 基于图神经网络的非知识库实体知识迁移

    本文介绍了一种利用图神经网络计算 OOBK 实体嵌入的知识库完整性完成（KBC）模型，并在 WordNet 数据集上实现了最先进的性能。

    Jun, 2017