用于知识图谱推理的概率实体表示模型
机器学习
2021-11-02 v2 计算与语言
信息检索
摘要
知识图谱（KGs）上的逻辑推理是一种基础技术，可为大型且不完备的数据库提供高效查询机制。当前方法采用盒状等空间几何结构来学习涵盖答案实体的查询表示，并对投影与交运算进行建模。然而，其几何结构具有限制性并导致非平滑的严格边界，进而产生歧义的答案实体。此外，先前工作提出用变换技巧处理并运算，这导致非封闭性，因而无法在流中链式组合。本文中，我们提出概率实体表示模型（PERM），将实体编码为具有均值与协方差参数的多元高斯密度，分别捕捉其语义位置与平滑决策边界。此外，我们还定义了投影、交与并的封闭逻辑运算，可使用端到端目标函数进行聚合。在逻辑查询推理问题上，我们证明所提出的 PERM 在各种公开基准 KG 数据集的标准评价指标上显著优于最先进方法。我们还在 COVID-19 药物重定位案例研究中评估了 PERM 的能力，表明我们提出的工作能够推荐比当前方法 F1 显著更优的药物。最后，我们通过高斯表示的低维可视化展示了 PERM 查询应答过程的工作机制。
引用
@article{arxiv.2110.13522,
title = {Probabilistic Entity Representation Model for Reasoning over Knowledge Graphs},
author = {Nurendra Choudhary and Nikhil Rao and Sumeet Katariya and Karthik Subbian and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2110.13522},
year = {2021}
}
备注
Accepted at Thirty-fifth Conference on Neural Information Processing Systems 2021 (NeurIPS '21)