基于实例的学习用于知识库补全
人工智能
2022-11-15 v1 机器学习
摘要
本文提出一种知识库补全(KBC)的新方法：基于实例的学习(IBL)。例如，为回答 (Jill Biden, lived city,? )，我们的目标不是直接指向 Washington D.C.，而是寻找与 Jill Biden 有相同居住城市的 Joe Biden。通过原型实体，IBL 提供了可解释性。我们发展了建模原型以及将 IBL 与平移模型相结合的理论。在各种任务上的实验证实了 IBL 模型的有效性与可解释性。此外，IBL 揭示了基于规则的 KBC 模型的机制。以往研究普遍认为基于规则的模型提供具有语义兼容前提与假设的规则。我们挑战这一观点。我们首先证明某些逻辑规则表示{\it 基于实例的等价性}(即原型)而非语义兼容性。这些规则被称为 {\it IBL 规则}。令人惊讶的是，尽管仅占规则空间的一小部分，IBL 规则在全部四个基准上均优于非 IBL 规则。我们用多种实验证明基于规则的模型之所以有效，是因为其能通过 IBL 规则表示基于实例的等价性。这些发现为基于规则的模型如何工作及如何解释其规则提供了新见解。
引用
@article{arxiv.2211.06807,
title = {Instance-based Learning for Knowledge Base Completion},
author = {Wanyun Cui and Xingran Chen},
journal= {arXiv preprint arXiv:2211.06807},
year = {2022}
}