基于知识图谱嵌入的反事实推理

知识图谱嵌入（KGE）最初是为了在不完整的知识库中推断真实但缺失的事实而开发的。在本文中，我们通过新任务 CFKGR 将知识图谱补全与反事实推理联系起来。我们将原始世界状态建模为知识图谱，将假设情景建模为添加到图谱中的边，并将图谱的合理变化建模为来自逻辑规则的推理。我们创建了相应的基准数据集，其中包含对原始知识图谱进行合理变化的各种假设情景以及应保留的事实。我们开发了 COULDD，这是一种根据假设前提调整现有知识图谱嵌入的通用方法，并在我们的基准上对其进行了评估。我们的结果表明，KGE 无需显式训练即可学习图谱中的模式。我们进一步观察到，经 COULDD 调整的 KGE 能够稳固地检测出遵循这些模式的图谱合理反事实变化。对人类标注数据的评估显示，经 COULDD 调整的 KGE 大多无法识别不遵循所学推理规则的图谱变化。相比之下，ChatGPT 在检测图谱合理变化方面大多优于 KGE，但其知识保留能力较差。总之，CFKGR 连接了两个先前截然不同的领域，即知识图谱补全和反事实推理。