通过奖励塑形技术增强多跳知识图谱推理
人工智能
2024-03-12 v1
摘要
在计算知识表示领域，知识图谱推理（KG-R）处于促进跨多领域复杂推理能力的前沿。本研究的核心阐述了强化学习（RL）策略的应用，特别是 REINFORCE 算法，以应对多跳 KG-R 中固有的复杂性。本研究批判性地解决了知识图谱（KG）固有不完整性带来的普遍挑战，这种不完整性经常导致错误的推理结果，表现为假阴性和误导性阳性。通过将统一医学语言系统（UMLS）基准数据集划分为密集和稀疏子集，我们研究了预训练 BERT 嵌入和提示学习方法的有效性，以优化奖励塑形过程。这种方法不仅提高了多跳 KG-R 的精度，还为该领域未来的研究树立了新标杆，旨在提高复杂 KG 框架内知识推理的鲁棒性和准确性。我们的工作为 KG 推理的讨论提供了新视角，提供了一项方法论上的进步，契合了《自然》期刊的学术严谨性和学术抱负，有望为计算知识表示领域的进一步发展注入活力。
引用
@article{arxiv.2403.05801,
title = {Enhancing Multi-Hop Knowledge Graph Reasoning through Reward Shaping Techniques},
author = {Chen Li and Haotian Zheng and Yiping Sun and Cangqing Wang and Liqiang Yu and Che Chang and Xinyu Tian and Bo Liu},
journal= {arXiv preprint arXiv:2403.05801},
year = {2024}
}
备注
This paper has been accepted by the 2024 5th International Seminar on Artificial Intelligence, Networking and Information Technology (AINIT 2024)