将压缩上下文集成到知识图谱的强化学习方法
人工智能
2024-04-22 v1
摘要
知识图谱在各个领域的广泛应用带来了在其内部有效集成和更新信息的挑战。在纳入上下文方面，传统方法通常依赖规则或基础机器学习模型，这可能无法完全掌握上下文信息的复杂性和流动性。本研究提出了一种基于强化学习（RL）的方法，特别是利用深度Q网络（DQN）来增强将上下文集成到知识图谱中的过程。该方法将知识图谱的状态视为环境状态，将集成上下文的操作定义为动作，并使用奖励函数来衡量集成后知识图谱质量的提升，旨在自动开发实现最优上下文集成的策略。我们的DQN模型利用网络作为函数近似器，不断更新Q值以估计动作价值函数，从而实现复杂动态上下文信息的有效集成。初步实验结果表明，我们的RL方法在跨多个标准知识图谱数据集实现精确上下文集成方面优于现有技术，突显了强化学习在增强和管理知识图谱方面的潜力与有效性。
引用
@article{arxiv.2404.12587,
title = {Reinforcement Learning Approach for Integrating Compressed Contexts into Knowledge Graphs},
author = {Ngoc Quach and Qi Wang and Zijun Gao and Qifeng Sun and Bo Guan and Lillian Floyd},
journal= {arXiv preprint arXiv:2404.12587},
year = {2024}
}
备注
This paper has been accepted by the 2024 International Conference on Machine Learning and Neural Networks (MLNN 2024)