构建规则层次结构以从知识图谱高效学习逻辑规则
人工智能
2020-10-26 v3 机器学习
机器学习
摘要
近年来，人们开发了许多系统从大规模知识图谱（KGs）中挖掘逻辑规则，其依据是：将规律表示为规则既能实现新事实的可解释推断，也能解释已知事实。在这些系统中，基于游走的方法通过抽象KG中采样的路径来生成含常量的实例化规则，展现出强大的预测性能和表达力。然而，由于可能规则数量庞大，这些系统可扩展性不佳，计算资源常浪费在生成和评估无前途的规则上。本文通过提出利用规则层次结构剪枝无前途规则的新方法来解决此类可扩展性问题。该方法包含两阶段。首先，由于基于游走的方法中规则层次结构不易获得，我们构建了规则层次框架（RHF），其利用一组包含框架从已学规则集中构建合适的规则层次。其次，我们将RHF适配到现有规则学习器中，设计并实现了两种层次剪枝（HPMs）方法，利用生成的层次去除不相关和冗余规则。在四个公开基准数据集上的实验表明，HPMs能有效去除无前途规则，在保持预测性能的同时显著减少运行时间和所学规则数量。
引用
@article{arxiv.2006.16171,
title = {Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs},
author = {Yulong Gu and Yu Guan and Paolo Missier},
journal= {arXiv preprint arXiv:2006.16171},
year = {2020}
}