面向开放知识图谱推理的协作策略学习
人工智能
2019-09-15 v1 计算与语言
机器学习
摘要
近年来，可解释图推理方法引起了大量关注。然而，这些模型在稀疏且不完备的图上工作时，常因缺乏能抵达目标实体的证据路径而性能受限。在此我们研究开放知识图谱推理——一项旨在对由背景文本语料库增强的图上的缺失事实进行推理的任务。该任务的一个关键挑战是从语料库抽取的事实中过滤掉“无关”事实，以在路径推断过程中维持有效的搜索空间。我们提出一种新颖的强化学习框架来联合训练两个协作智能体，即多跳图推理器与事实抽取器。事实抽取智能体从语料库生成事实三元组以动态丰富图；而推理智能体向事实抽取器提供反馈并引导其提升有助于可解释推理的事实。在两个公开数据集上的实验证明了所提方法的有效性。本文使用的源代码与数据集可在 https://github.com/shanzhenren/CPL 下载。
引用
@article{arxiv.1909.00230,
title = {Collaborative Policy Learning for Open Knowledge Graph Reasoning},
author = {Cong Fu and Tong Chen and Meng Qu and Woojeong Jin and Xiang Ren},
journal= {arXiv preprint arXiv:1909.00230},
year = {2019}
}