面向知识图谱推理的语义与数据联合驱动路径表示

大规模知识图谱 (KG) 上的推理对问答等 KG 应用至关重要。基于路径的推理模型可利用 KG 中纯三元组之外的路径上的大量信息，其面临若干挑战：现有所有基于路径的方法均为数据驱动，缺乏路径表示的可解释性。此外，一些方法要么仅考虑关系路径，要么忽略路径中同时包含的实体与关系之间的异质性，无法很好地捕获路径的丰富语义。为应对上述挑战，本工作中我们提出一种新颖的语义与数据联合驱动路径表示，在 KG 嵌入框架中平衡可解释性与泛化能力。更具体地，我们注入 horn 规则，通过透明且可解释的 path composition 过程获得浓缩路径。设计实体转换器将路径上的实体转换为类似于关系的语义层表示，以降低实体与关系间的异质性，其中同时考虑了带类型信息和不带类型信息的 KG。我们提出的模型在两类任务上评估：链接预测与路径查询应答任务。实验结果表明，其相较多个不同的最先进基线有显著性能提升。