知识图谱中用于溯因推理的可控逻辑假设生成

知识图谱中的溯因推理旨在从观测实体生成合理的逻辑假设，在临床诊断和科学发现等领域具有广泛应用。然而，由于缺乏可控性，在大型知识图谱上，单一观测可能会产生大量合理但冗余或无关的假设。为了解决这一局限性，我们引入了可控假设生成任务，以提高溯因推理的实用性。在控制生成长而复杂的逻辑假设时，该任务面临两个关键挑战：假设空间坍缩和假设过度敏感。为了应对这些挑战，我们提出了CtrlHGen，一个用于知识图谱溯因推理的可控逻辑假设生成框架，该框架采用包括监督学习和随后的强化学习在内的两阶段范式进行训练。为了缓解假设空间坍缩，我们设计了一种基于子逻辑分解的数据集增强策略，通过利用简单组件中的语义模式，使模型能够学习复杂的逻辑结构。为了解决假设过度敏感问题，我们引入了包括Dice和Overlap分数在内的平滑语义奖励，并引入了条件依从性奖励，以引导生成向用户指定的控制约束方向进行。在三个基准数据集上的大量实验表明，与基线相比，我们的模型不仅更好地依从控制条件，而且取得了更优的语义相似性性能。我们的代码可在https://github.com/HKUST-KnowComp/CtrlHGen获取。