局部性与规则语言对知识图谱嵌入解释的影响
人工智能
2023-02-15 v1 机器学习
摘要
知识图谱（KG）是许多人工智能相关任务（如推理或问答）中的关键工具。这进而推动了 KG 中链接预测（即从已有知识预测缺失关系）的研究。基于 KG 嵌入的方法在此问题上展现出有前景的结果。不利的一面是，这些方法通常无法解释其预测。尽管已有工作提出为基于嵌入的链接预测器计算事后规则解释，但这些努力大多借助具有无界原子的规则（例如 bornIn(x,y) => residence(x,y)），并在全局范围（即整个 KG）上学习。这些工作均未考虑具有有界原子的规则（如 nationality(x,England) => speaks(x, English)）的影响，也未考虑从 KG 的局部区域（即局部范围）学习的影响。因此我们研究这些因素对基于嵌入的链接预测器之基于规则的解释质量的影响。我们的结果表明，更具体的规则与局部范围可提升解释的准确率。此外，这些规则能进一步揭示 KG 嵌入用于链接预测的内在机制。
引用
@article{arxiv.2302.06967,
title = {Effects of Locality and Rule Language on Explanations for Knowledge Graph Embeddings},
author = {Luis Galárraga},
journal= {arXiv preprint arXiv:2302.06967},
year = {2023}
}