面向知识图谱推理的神经组合规则学习
人工智能
2023-03-08 v1
摘要
学习逻辑规则对于改进知识图谱（KG）中的推理至关重要。这是因为当用于预测时，它们能够提供逻辑且可解释的解释，以及能够泛化到其他任务、领域和数据。尽管近期已提出一些学习逻辑规则的方法，但其中大多数方法要么受限于计算复杂度而无法处理大规模 KG 的巨大搜索空间，要么在面临训练集之外的数据时表现出较差的泛化能力。在本文中，我们提出一种用于学习组合逻辑规则的端到端神经模型，称为 NCRL。NCRL 检测规则体最佳的组合结构，并将其拆分为小的组合以推断规则头。通过利用循环注意力单元循环地合并规则体中的组合，NCRL 最终预测单个规则头。实验结果表明，NCRL 学习到高质量的规则，并且具有可泛化性。具体而言，我们表明 NCRL 可扩展、高效，并在大规模 KG 的知识图谱补全任务上取得了最先进（SOTA）的结果。此外，我们通过学习在小型观测图上进行推理并在更大的未见图上进行评估，测试了 NCRL 的系统性泛化能力。
引用
@article{arxiv.2303.03581,
title = {Neural Compositional Rule Learning for Knowledge Graph Reasoning},
author = {Kewei Cheng and Nesreen K. Ahmed and Yizhou Sun},
journal= {arXiv preprint arXiv:2303.03581},
year = {2023}
}
备注
ICLR 2023