基于知识库补全的路径推理
人工智能
2019-11-04 v1 计算与语言
摘要
大规模知识图谱中的路径推理对许多应用而言是一个重要问题。本文讨论一种简单方法，利用知识库补全模型（KBC）通过学到的嵌入自动构建并排序源实体与目标实体对之间的路径。我们通过挖掘可用的生物医学科学文献组装了一个知识图谱，并提取了一组高频路径用于验证。我们证明该方法能有效对实体对之间一组已知路径排序，并能给出知识图谱中不存在的合理路径。对于给定的实体对，我们能在前10个排序路径中60%的情况下重构出最高排名路径，并取得49%的平均精度均值。我们的方法是组合式的，因为任何能产生实体向量表示的KBC模型均可使用。
引用
@article{arxiv.1911.00492,
title = {Reasoning Over Paths via Knowledge Base Completion},
author = {Saatviga Sudhahar and Ian Roberts and Andrea Pierleoni},
journal= {arXiv preprint arXiv:1911.00492},
year = {2019}
}
备注
Submitted at the TextGraphs2019 Workshop at EMNLP 2019 Conference