基于软规则迭代引导的知识图谱嵌入
人工智能
2017-12-01 v1
摘要
将知识图谱（KGs）嵌入连续向量空间是当前研究的焦点。将此类嵌入模型与逻辑规则相结合近来引起了越来越多的关注。以往大多数尝试都是一次性注入逻辑规则，忽略了嵌入学习与逻辑推理之间的交互性质。并且它们只关注硬规则，即总是无条件成立且通常需要大量人工工作来创建或验证的规则。在本文中，我们提出 Rule-Guided Embedding（RUGE），一种由软规则迭代引导的知识图谱嵌入新范式。RUGE 使嵌入模型能够同时从以下三方面学习：1）在给定 KG 中已直接观测到的带标签三元组；2）标签将被迭代预测的无标签三元组；3）从 KG 中自动提取的具有不同置信度水平的软规则。在学习过程中，RUGE 迭代地查询规则以获得无标签三元组的软标签，并将这些新标注的三元组整合以更新嵌入模型。通过这一迭代过程，逻辑规则中蕴含的知识可以更好地迁移到学习到的嵌入中。我们在 Freebase 和 YAGO 上评估了 RUGE 的链接预测性能。实验结果表明：1）通过迭代注入规则知识，RUGE 相比最先进的基线取得了显著且一致的提升；2）尽管存在不确定性，自动提取的软规则对 KG 嵌入极为有益，即便是具有中等置信度水平的规则也是如此。本文使用的代码和数据可从 https://github.com/iieir-km/RUGE 获取。
引用
@article{arxiv.1711.11231,
title = {Knowledge Graph Embedding with Iterative Guidance from Soft Rules},
author = {Shu Guo and Quan Wang and Lihong Wang and Bin Wang and Li Guo},
journal= {arXiv preprint arXiv:1711.11231},
year = {2017}
}
备注
To appear in AAAI 2018