可解释的深层RDFS推理机
人工智能
2020-02-11 v1
摘要
近期旨在弥合RDFS推理的神经-符号鸿沟的研究从经验上证明，深度学习技术可用于学习RDFS推理规则。然而，与基于规则的推理机相比，其主要缺陷之一是缺乏对所推得三元组的推导（即AI术语中的可解释性）。本文在这些方法基础上构建，不仅提供推得的图，还解释这些三元组是如何被推得的。在图词方法中，RDF图被表示为图词序列，推理可通过神经机器翻译实现。为实现RDFS推理中的可解释性，我们重新审视该方法并引入一种新的神经网络模型，该模型以输入图（作为图词序列）以及所推三元组的编码作为输入，输出该三元组的推导。我们在两个数据集上评估了我们的论证模型：一个合成数据集——LUBM基准——以及一个真实世界数据集——关于会议的ScholarlyData，其中最低的验证准确率接近96%。
引用
@article{arxiv.2002.03514,
title = {Explainable Deep RDFS Reasoner},
author = {Bassem Makni and Ibrahim Abdelaziz and James Hendler},
journal= {arXiv preprint arXiv:2002.03514},
year = {2020}
}
备注
StarAI 2020