HyperCausalLP：基于超关系知识图的因果链接预测
人工智能
2024-10-22 v1
摘要
因果网络常常不完整，缺失因果链接。这源于诸多因素，如观察数据缺失。近期方法使用知识图谱链接预测来解决因果网络不完整的问题。在因果链接A导致B导致C的情形中，A对C的影响受到B的调节作用，这称为中介。现有的知识图谱链接预测方法未考虑这些被调节的因果链接。本文提出了HyperCausalLP方法，通过中介链接帮助寻找因果网络中缺失的因果链接。将缺失链接问题形式化为超关系知识图完成问题。该方法使用在包含中介的超关系知识图上训练的知识图谱链接预测模型。该方法在因果基准数据集CLEVRER-Humans上进行评估。结果表明，利用超关系知识图进行因果链接预测时，纳入中介知识可平均提升5.94%的平均倒数排名。
引用
@article{arxiv.2410.14679,
title = {HyperCausalLP: Causal Link Prediction using Hyper-Relational Knowledge Graph},
author = {Utkarshani Jaimini and Cory Henson and Amit Sheth},
journal= {arXiv preprint arXiv:2410.14679},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2405.02327