知识图谱的层次性块建模

本文探讨了概率图模型（特别是随机块模型）用于知识图谱上层次实体聚类的用法。这些模型较少用于语义网社区，将图分解为一组概率分布。随后推断这些分布的参数，以便对其进行抽样以生成随机图。在非参数设置下，这允许在无需对层次结构施加先验约束的情况下，对层次聚类进行归纳。具体而言，通过将嵌套中国餐厅过程（Nested Chinese Restaurant Process）和棒破碎过程（Stick Breaking Process）集成到生成模型中，实现了这一目标。为此，我们提出了一种利用此类集成的模型，并推导出其推断的collapsed Gibbs 抽样方案。为帮助理解，我们描述了此推导的步骤并提供了一个抽样器的实现。我们在合成数据集和真实世界数据集上评估了模型，并对其进行基准模型的定量比较。我们进一步对结果进行定性评估，发现该模型能够在小规模设置中诱导连贯的层次聚类。本文的工作为在更大规模上将随机块模型应用于知识图谱提供了第一步。我们随后提出了关于更可扩展推断方案的潜在研究方向。