通过神经符号 AI 结合规则与嵌入进行知识库补全
人工智能
2021-09-21 v1 机器学习
计算机科学中的逻辑
摘要
近来对知识库补全（KBC）的兴趣催生了大量基于强化学习、归纳逻辑编程和图嵌入的方法。特别是，基于规则的 KBC 产生了可解释的规则，同时在性能上与图嵌入相当。即使在基于规则的 KBC 内部，也存在导致不同质量规则的不同方法，且先前工作并未总是精确地强调这些差异。困扰大多数基于规则的 KBC 的另一个问题是关系路径的不均匀性：某些关系序列出现在极少路径中，而另一些则出现得非常频繁。在本文中，我们表明并非所有基于规则的 KBC 模型都是相同的，并提出了两种不同的方法，在一种情况下学习：1) 关系的混合，以及 2) 路径的混合。当在神经符号 AI 之上实现时——神经符号 AI 通过将布尔逻辑扩展为实值逻辑来学习规则——后一种模型带来了更优的 KBC 精度，在平均倒数排名方面以 2-10% 优于最先进的基于规则的 KBC。此外，为解决关系路径的不均匀性，我们将基于规则的 KBC 与图嵌入相结合，从而进一步改善我们的结果，实现了两全其美。
引用
@article{arxiv.2109.09566,
title = {Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion},
author = {Prithviraj Sen and Breno W. S. R. Carvalho and Ibrahim Abdelaziz and Pavan Kapanipathi and Francois Luus and Salim Roukos and Alexander Gray},
journal= {arXiv preprint arXiv:2109.09566},
year = {2021}
}