模拟人类心智：一种具备快慢推理与过滤规则的神符链接预测模型
计算与语言
2023-10-24 v1
摘要
链接预测是解决知识图谱（KG）不完备性问题的一项重要任务。以往的链接预测模型存在性能或解释能力相关的问题。此外，能够生成解释的模型常受困于导致正确答案的错误路径或推理。为应对这些挑战，我们受人类认知的两个不同方面——“常识推理”与“快慢思考”——启发，引入了一种名为FaSt-FLiP（意为用于链接预测任务的快慢思考与过滤规则）的新型神经-符号模型。我们的目标是将逻辑模型与神经网络模型相结合以增强链接预测。为应对逻辑模型生成错误路径或规则的问题，我们提出一种半监督方法将规则转换为句子。随后使用NLI（自然语言推理）模型对这些句子进行评估并剔除错误规则。我们结合逻辑与神经模型的方法是先分别从逻辑模型和神经模型获得答案，再通过推理引擎模块将答案统一，该模块通过算法实现与一种新型神经模型架构得以实现。为验证模型有效性，我们进行了一系列实验。结果表明我们的模型在链接预测指标与生成更可靠解释方面均具有优越性能。
引用
@article{arxiv.2310.13996,
title = {Emulating the Human Mind: A Neural-symbolic Link Prediction Model with Fast and Slow Reasoning and Filtered Rules},
author = {Mohammad Hossein Khojasteh and Najmeh Torabian and Ali Farjami and Saeid Hosseini and Behrouz Minaei-Bidgoli},
journal= {arXiv preprint arXiv:2310.13996},
year = {2023}
}