神经类表达式合成
人工智能
2024-06-14 v4
摘要
许多应用需要在知识图谱中进行可解释的节点分类。为此，一种流行的“白盒”方法是类表达式学习：给定正节点和负节点集合，学习描述逻辑中的类表达式以将正节点与负节点分离。大多数现有方法是基于搜索的方法，生成许多候选类表达式并选择最佳者。然而，它们通常花费很长时间才能找到合适的类表达式。本文将类表达式学习视为翻译问题，并提出了一类新的类表达式学习方法，我们称之为神经类表达式合成器。训练样本被“翻译”为类表达式，方式类似于机器翻译。因此，我们的合成器不受基于搜索方法的运行时间限制。我们研究了这类新方法基于 LSTM、GRU 和 set transformer 的三种实例。在四个基准数据集上对我们方法的评估表明，它能在平均约一秒内针对输入样本有效合成高质量类表达式。此外，与最先进方法的比较表明，我们在大型数据集上取得了更好的 F-measure。为可复现性，我们在公开 GitHub 仓库 https://github.com/dice-group/NeuralClassExpressionSynthesis 提供了实现及预训练模型。
引用
@article{arxiv.2111.08486,
title = {Neural Class Expression Synthesis},
author = {N'Dah Jean Kouagou and Stefan Heindorf and Caglar Demir and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2111.08486},
year = {2024}
}
备注
18 pages, 2 figures, ESWC 2023--Research Track