CausalLP：利用加权知识图谱链接预测学习因果关系

因果网络在从医疗诊断到制造业根本原因分析的广泛应用中非常有用。然而，在实践中，因果网络往往不完整，存在缺失的因果关系。本文提出了一种名为CausalLP的新方法，将不完整因果网络的问题形式化为一个知识图谱补全问题。更具体地说，在不完整因果网络中寻找新因果关系的任务被映射为知识图谱链接预测的任务。使用知识图谱来表示因果关系能够整合外部领域知识；并且作为一个额外的复杂性，这些因果关系具有权重，代表了知识图谱中实体之间因果关联的强度。CausalLP支持两个主要任务：因果解释和因果预测。对该方法的评估使用了一个用于因果推理的模拟视频基准数据集CLEVRER-Humans，并比较了多种知识图谱嵌入算法的性能。评估采用了两种不同的数据集划分方法：（1）基于随机划分，这是通常用于评估链接预测算法的方法；（2）基于马尔可夫划分，这是一种利用因果关系马尔可夫性质的新型数据划分技术。结果表明，与没有加权关系的基线相比，使用加权因果关系改进了因果链接预测。