Mar, 2024

从链到树：将知识图谱中的链式规则细化为树状规则

PDF
TL;DR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。
rule-based methodsknowledge reasoningdecision supporttree-like ruleslink prediction
发现论文，激发创造
  • 联合学习具解释性规则的知识图推荐

    该论文提出了一种新的联合学习框架来整合知识图谱中可解释规则的归纳和基于规则的神经推荐模型构建，增强推荐模块的泛化能力，解决冷启动问题，并在真实世界的数据集上显著提高了物品推荐的性能。

    Mar, 2019

  • 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

  • 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

  • 使用知识图谱计算基于规则的机器学习分类器解释

    使用知识图谱作为机器学习分类器解释操作的术语，并提出一种提取和表示黑匣子解释的新方法。

    Feb, 2022

  • 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

  • 逻辑链：基于大语言模型的基于规则的推理

    以 IRAC 框架为灵感，我们引入了一种新的提示方法 - 逻辑链，通过分解（作为独立的逻辑线索解决元素）和重组（将这些子答案重新组合以解决潜在的逻辑表达式）来引发基于规则的推理。我们在涉及三个不同组合规则的八个基于规则的推理任务中对逻辑链进行了评估，并使用开源和商业化的语言模型展示其一贯优于其他提示方法，包括思维链和自问。

    Feb, 2024

  • 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

  • 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

  • 从大型预训练模型中提取特定任务的逻辑规则

    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

  • 基于原子知识库的机器翻译的规则学习

    机器学习模型，特别是语言模型，被应用于需要推理的各种任务。我们探索了 transformers 将自然语言中表达规则的句子翻译成逻辑规则的能力，以便进行可信的和受控制的逻辑推理。通过使用 DKET 数据集和基于 Atomic 知识库的语言到逻辑翻译数据集进行实验。

    Nov, 2023