Jul, 2024

神经概率逻辑学习用于知识图谱推理

HTML
PDF
TL;DR本文旨在设计一种称为神经概率逻辑学习（NPLL）的推理框架，该框架在知识图谱上实现准确的推理。我们的方法引入了一个评分模块，有效增强了嵌入网络的表达能力，在模型简洁性和推理能力之间取得平衡。我们通过引入基于变分推理的马尔科夫逻辑网络，提高了模型的解释能力。我们在几个基准数据集上进行了实证评估，实验结果验证了我们的方法显著提高了推理结果的准确性和质量。
发现论文，激发创造
  • 概率逻辑神经网络推理

    该论文提出了一种基于 Markov Logic Network 和知识图谱嵌入方法的概率逻辑神经网络(pLogicNet)来推理缺失的三元组，该方法结合了两种技术的优点，并通过多重知识图实验证明了其优越性。

    Jun, 2019

  • 基于图神经网络的高效概率逻辑推理

    本研究探讨了Markov逻辑网络和图神经网络的组合，并使用图神经网络进行MLN中的变分推理。研究提出了一种名为ExpressGNN的GNN变体，并通过多个基准数据集的广泛实验表明，ExpressGNN在有效和高效的概率逻辑推理方面具有领先优势。

    Jan, 2020

  • RNNLogic：学习知识图谱推理逻辑规则

    本文提出了一种基于概率模型的RNNLogic，并采用EM算法和后验推断方法，实现了在知识图谱推理中，学习逻辑规则的高效优化

    Oct, 2020

  • 结合逻辑推理和嵌入的知识图谱推理：调查与展望

    本文综述了基于符号逻辑和基于嵌入式方法相结合的知识图谱(KG) 推理方法的最新研究进展，并讨论了这两种方法相结合的优势、分类和挑战。

    Feb, 2022

  • 知识图谱逻辑推理的神经方法

    本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法，并展示了实验室中的卓越性能，该方法可以处理包括否定查询在内的全一阶逻辑查询。

    Sep, 2022

  • 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

  • 知识图谱推理在图类型上的调查：静态、动态和多模态

    该研究论文为知识图谱推理提供了一种静态模型，其目的是在知识图谱上推出新的事实，概述了静态、时间性和多模态KGR模型的检测，探讨了相应的数据集和挑战。

    Dec, 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

  • 知识图谱推理的神经组合规则学习

    本文提出了一种端到端的神经模型 - NCRL，用于学习组合逻辑规则，该模型能够检测到规则主体的最佳组合结构以及在小组成的基础上预测规则的结果，实验证明其可扩展，高效，并在大规模知识图谱上的知识图谱填充等任务中取得了最先进的表现。

    Mar, 2023

  • 图神经网络在知识图谱推理中的逻辑表现力

    本文从逻辑表达式的角度对图神经网络进行了理论分析，实验结果验证了我们提出的实体标记方法的有效性，并揭示了基于标记技巧的最先进的方法为什么很有效。

    Mar, 2023