用于知识图谱补全的强化式任意时刻自底向上规则学习
人工智能
2020-04-10 v1 机器学习
摘要
当今大多数知识图谱补全工作关注于子符号方法，其重点在于将给定图嵌入低维向量空间的概念。与这一趋势相反，我们提出一种称为 AnyBURL 的扎根于符号空间的方法。其核心算法基于采样路径，并将其泛化为 Horn 规则。先前发表的结果表明，AnyBURL 的预测质量与当前最优水平相当，且额外具有为预测事实提供解释的优点。在本文中，我们关注 AnyBURL 的两个扩展。首先，我们将 AnyBURL 对规则的解释由 -包含改为对象同一性下的 -包含。其次，我们引入强化学习以更好地引导采样过程。我们发现强化学习有助于在搜索过程中更早地发现更有价值的规则。我们度量了这两个扩展的影响，并将所得方法与时下最优方法进行比较。我们的结果表明 AnyBURL 优于大多数子符号方法。
引用
@article{arxiv.2004.04412,
title = {Reinforced Anytime Bottom Up Rule Learning for Knowledge Graph Completion},
author = {Christian Meilicke and Melisachew Wudage Chekol and Manuel Fink and Heiner Stuckenschmidt},
journal= {arXiv preprint arXiv:2004.04412},
year = {2020}
}