使用引导张量分解完成通指类知识

给定一个包含关于普通名词或通指类（如“所有树木产生氧气”或“一些动物生活在森林中”）的（含噪）事实的知识库（KB），我们考虑以与起始 KB 相似的精度推断更多此类事实的问题。此类 KB 捕获关于世界的一般知识，对问答等多种应用至关重要。与通常研究的命名实体 KB（如 Freebase）不同，通指类 KB 涉及量化，具有更复杂的底层规律，往往更不完整，并且违反了常用的局部封闭世界假设（LCWA）。我们表明，现有的 KB 补全方法难以应对这一新任务，并提出了首个成功的方法。我们的结果表明，外部信息（如关系模式和实体分类体系）若使用得当，在此场景下可以成为出人意料的强大工具。首先，我们简单而有效的知识引导张量分解方法在两个科学通指类 KB 上取得了最先进的结果（80% 精确度），在 74%-86% 的精确度下将其规模扩大了一倍。其次，我们新颖的分类体系引导、子模主动学习方法，用于收集关于稀有实体（例如，黄鹂，一种鸟）的标注，在推断关于它们的更多新事实方面，比多个主动学习基线方法有效 6 倍。