RNNCTPs：一种基于动态知识划分技术的神经符号推理方法

尽管传统符号推理方法具有高度可解释性，但由于计算效率低下，其在知识图谱链接预测中的应用受到限制。在本文中，我们提出一种新的神经符号推理方法：RNNCTPs，其通过重新筛选条件定理证明器（CTPs）的知识选择来提高计算效率，并且对嵌入大小参数较不敏感。RNNCTPs分为关系选择器和预测器。关系选择器被高效且可解释地训练，使得整个模型能为预测器的推理动态生成知识。在全部四个数据集上，该方法在链接预测任务上相对于传统方法表现出有竞争力的性能，并且相对于CTPs对数据集的选择具有更高的适用性。