ICLRMay, 2023

可微规则学习中知识图谱中的逻辑实体表示

PDF
TL;DR该研究利用逻辑实体表示（LERP）来将实体的上下文信息编码到知识图谱中，然后将其与概率逻辑规则学习相结合，从而学习出更具表现力的规则，提高知识图谱的补全能力。实证结果表明，LERP 可提高规则表达的能力，并达到了甚至优于黑盒模型的水平，并且 LERP 可以与诸如 TransE 等嵌入学习方法相结合，使其更具可解释性。
probabilistic logical rule learningknowledge graph completionlogical entity representationsub-graphsinterpretable
发现论文，激发创造
  • 基于概率的实体表示模型用于知识图谱推理

    提出了一种名为 PERM 的概率实体表示模型，用于知识图谱上的逻辑查询推理，以及在 COVID-19 药物复用案例研究中表现出显著的性能优势。

    Oct, 2021

  • 基于规则导向的知识图谱组合表示学习

    本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准确性和可解释性的优越性。

    Nov, 2019

  • 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

  • 学习实体和关系的表征

    本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

    Jan, 2022

  • 在知识图谱上嵌入逻辑查询

    本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

    Jun, 2018

  • 基于子图推理的归纳关系预测

    提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

    Nov, 2019

  • 知识图谱和预训练语言模型增强的对话式推荐系统表示学习

    利用对话历史和自然语言交互，通过知识增强的实体表示学习框架（KERL）来改善对话型推荐系统的语义理解和推荐效果。

    Dec, 2023

  • 逻辑规则支持的知识图谱嵌入

    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

  • 基于规则的传递性和反对称性嵌入知识图谱

    本文提出了一种新颖的方法，将知识三元组和逻辑规则整合起来，通过有序关系在连续的低维向量空间中对实体和关系类型进行编码，同时利用逻辑规则的传递性和反对称性，来实现知识表示的学习。通过实验证明，该模型在知识图谱完成任务方面显著优于其他基线模型，表明该模型可以捕获知识图谱中的传递性和反对称性信息。

    Feb, 2017

  • 针对知识图谱的归纳逻辑推理的查询结构建模

    本文提出了一种基于文本编码的结构模型框架，用于在知识图谱上进行归纳逻辑推理，通过设计渐进式的指令和额外的注意力和 maxout 层来增强结构建模，成功处理了复杂查询的逻辑结构，提高了在归纳和转导数据集上的推理效率。

    May, 2023